基于ENVI的土壤高光谱影像监督分类方法比较研究毕业设计论文.docx

基于ENVI的土壤高光谱影像监督分类方法比较研究毕业设计论文.docx

《基于ENVI的土壤高光谱影像监督分类方法比较研究毕业设计论文.docx》由会员分享，可在线阅读，更多相关《基于ENVI的土壤高光谱影像监督分类方法比较研究毕业设计论文.docx（27页珍藏版）》请在冰豆网上搜索。

基于ENVI的土壤高光谱影像监督分类方法比较研究毕业设计论文

基于ENVI的土壤高光谱影像监督分类方法比较研究

摘要

基于监督分类方法在遥感影像分类中的普遍应用，介绍了四种ENVI提供的比较常用的、算法简单、计算时间较短的四种分类方法。

对同一土壤剖面影像运用这四种方法进行分类，并对分类结果进行了对比，分析了这四种方法分类精度之间的差异,目的是为了更好地将土壤剖面高光谱遥感影像中的无效数据剔除，为后续的研究提供数据基础。

关键词：

PCA变换；平行六面体法；最小距离法；马氏距离法；最大似然法

Abstract

Widelyusedinremotesensingimageclassificationbasedonsupervisedclassificationmethod,thispaperintroducesfourkindsofENVIprovidesacommon,simplealgorithm,calculationoffourkindsofclassificationmethodsforashorttime.Theclassificationofthesamesoilprofileimagebyusingthesefourmethods,andtheclassificationresultsarecompared,analyzedthedifferencesbetweentheclassificationaccuracyofthefourmethods.Thepurposeistobettertheinvaliddatatoeliminatethesoilprofileofhyperspectralremotesensingimage,providethedatabasisforthesubsequentresearch.

KeyWords:

PCATransform;Parallelpiped;MinimumDistance;MahalanobisDistance;LikelihoodClassification

1.前言

1.1研究问题的由来

在土壤剖面制备过程中，由于土壤的含水量会对土壤的光谱产生影响，掩盖其他土壤属性对土壤光谱曲线的影响，所以要将采集的土壤剖面在室内通风晾干，风干时土壤失水产生块状凝聚，有裂缝出现，另外土壤中的大颗粒或者凹凸不平的地方会产生阴影，这些裂缝和阴影区域不具备土壤反射光谱特征，在成像光谱仪获得的土壤剖面高光谱影像中属于无效数据，所以需要把影像中的这些区域剔除，有利于后续的高光谱影像的研究分析。

1.2文献综述

高光谱遥感影像具有光谱分辨率高、信息量大、图谱合一的特点,具有传统遥感技术无法比拟的优势。

但是,高光谱数据的高光谱分辨率也带来了大量数据的冗余,在将其运用于各领域之前,必须进行必要的数据处理。

因此,如何有效的提取高光谱数据信息成为当前研究的热点之一（李静，2012）

遥感作为采集地球数据及其变化信息的重要技术手段，在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用，不同领域遥感影像的应用对遥感影像处理技术提出了不同的要求，影像分类是影像处理的重要环节，所以具有很大的研究意义，随着各种新理论新方法的相继涌现，遥感影像存在多种分类方法，通过几种常用监督分类方法的比较发现，每种分类方法都有最适合应用的范围和自身的局限性，没有一种是最普遍最佳的方法，所以必须灵活应用，综合应用多种分类方法，并且与其他影像处理技术结合起来实现最大精度的分类。

（闫琰等，2011）。

非监督分类是指在分类时对需要分类的地物完全没有加入任何已知的信息,而仅仅依靠地物的自然特性,非监督分类的实质是聚类分析法,由于在非监督分类过程中没有类别先验知识的影响,因此无法判断分类的结果分别代表哪一类实际地物,而且很难保证所有的特征是被分类别最具有判断力的特征。

所以分类精度不够理想,而且对于庞大的高光谱数据来说,分类速度较慢。

但该方法不需要对分类区域有广泛的了解,而且人为误差的机会少。

所以可以与监督分类结合使用（李静，2012）。

自20世纪70年代以来，随着数字成像技术和计算机技术的飞速发展，影像处理、分类与信息提取的算法层出不穷。

高光谱影像的分类与多光谱有很大不同，目前有沿用传统针对多光谱的分类算法，也发展了针对高光谱的算法。

在高光谱遥感分类及信息提取领域各种算法层出不穷，基于光谱特征的分类是高光谱的特色（林娜，2011）。

传统遥感影像分类多是基于统计特征的。

如平行管道、最大似然、最小距离、马氏距离等，原来针对多光谱数据的处理手段在高光谱的数据分析中多有使用。

如XiuPingJia（2002）就采用最大似然、主成分变换等对高光谱数据进行了分析。

佘红伟，张艳宁（2008）研究了一种无监督高光谱图像分类算法.利用传统方法处理高光谱影像存在很多问题如运算速度过慢、无法获得足够多的训练样本、维数灾难（Hughes）等问题。

高光谱遥感图像中端元的提取是理解高光谱数据,继而对数据进行进一步分析的前提条件。

Boardman（1993）发展了凸面几何学分析,Boardman、Kruse、Green（1995）发展了纯象元指数（PPI）端元提取算法。

N-Findr（Winter,1999）算法寻找一组像元，它们所构成的单纯形体具有最大的体积,是一种全自动的端元选取算法。

近年来陈伟，陈伟，余旭初（2011）等利用粒子群优化（PSO）技术,基于凸面几何学理论,设计了一个新的端元提取算法。

李姗姗,田庆（2009）提出了一种高光谱遥感图像的端元递进提取算法。

吴波,张良培,李平湘（2005）根据迭代误差分析思路，结合端元存在的空间信息,自动提取出端元光谱。

由于高光谱遥感数据具有高维的光谱特征,基于光谱特征的分类及信息提取是一个重要的研究方向，是高光谱遥感数据特有的识别方法。

代表性的有光谱角度填图（SAM）（Kruse，1993），交叉相关光谱匹配技术（CCSM），二值编码匹配（Mazer，1988），波谱特征拟合（SFF）等。

近年来也有些学者对此类算法进行了

深入研究，如周源，方圣辉，李德仁（2011）提出了一种新的光谱匹配算法——光谱角敏感森林方法。

王毅,张良培,李平湘（2007）提出了一种基于局部自动搜索和光谱匹配技术的监督分类训练样本的纯化方法。

目前许多新的人工智能算法也被引入高光谱图像分类中，如自组织映射、人工神经网络、遗传算法、支持向量机（SupportVectorMachine,SVM）（刘江永，2009）等。

徐宏根、马洪超、李德仁（2007）将自组织映射（SOM）神经网络与混合像元分解相结合对高光谱影像进行分类研究，获得了较好的分类效果。

官莉,刘旸,张雪慧（2010）将人工神经网络算法应用在红外高光谱资料反演大气温度廓线中，取得了很好的效果。

ZhuoL（2008）将遗传算法应用到高光谱图像波段选

择和图像分类中。

冯静、舒宁（2009）将改进型遗传算法和支持向量机结合进行波段选择和图像分类得到了满意的效果。

吴波、张良培、李平湘（2006）基于支持向量回归进行高光谱混合像元分解。

骆剑承（2002）等将SVM应用于遥感影像空间特征提取与分类,获得了比较高的分类精度。

牛鹏（2010）结合高光谱数据特性，改进了SVM，将其应用到高光谱遥感图像分类中。

1.3研究目的

为了将土壤剖面高光谱影像的裂缝和阴影区域剔除，需要将土壤剖面上的裂缝和阴影与正常突然分成不同的类别，本文采用几种不同的监督分类法对土壤剖面高光谱影像分类，并比较不同分类方法的精度差别，为后续的研究提供数据基础。

2.材料与方法

2.1材料

本文利用的是Headwall成像光谱仪（Hyperspec™NIR,900-1700nm）获得的风干土壤剖面的高光谱影像，并且是经过几何校正和裁剪等预处理之后的影像，在后面的实验过程中称为原始影像。

高光谱传感器即成像光谱仪，可以在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像，由于成像光谱系统获得的连续波段宽度一般在10nm以内，因此高光谱数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质，定量地分析地球表层生物、物理、化学过程与参数（董连凤，2007）。

由于土壤反射光谱特征综合反映了土壤各种理化性质，因此高光谱遥感技术在土壤剖面的研究中有很大的应用价值（张美琴，2012）。

2.2方法

为了隔离噪声和减少数据集的维数，需要对原始影像进行PCA变换，主成分分析（PCA）通过使用PrincipalComponents选项生成互不相关的输出波段，主成分（PC）波段是原始波谱波段的线性合成，它们之间是互不相关的。

可以计算输出主成分波段（与输入的波谱波段数相同）。

第一主成分包含最大的数据方差百分比，第二主成分包含第二大的方差，以此类推，最后的主成分波段由于包含很小的方差（大多数由原始波谱的噪声引起），因此显示为噪声。

遥感影像的分类方法可以分为非监督分类和监督分类，非监督分类不需要人工采集地物样本点数据，多是通过聚类的方法来自动分类，主要有isodata，k均值等。

监督分类是需要学习训练的分类方法，如最大似然分类，人工神经网络分类，即是需要事先为每类地物在遥感影像上采集样本数据，之后通过学习训练过程才来分类;总体来说，监督分类的效果要优于非监督分类。

本文选用ENVI软件提供的算法简单、计算时间较短的，在遥感影像监督分类中常用的四种分类方法:

平行六面体法、最小距离法、马氏距离法、最大似然法。

2.3监督分类过程

2.3.1PCA变换

对原始影像xl1n进行主成分变换，具体方法是在ENVI主菜单上选择Transform>PrincipalComponents>ForwardPCRotation>ComputeNewStatisticsandRotate，输入影像选择xl1n，得到的结果存为pc，然后在ENVI主菜单选择BasicTools>ResizeData（Spatial/spectral），选取信息量最大的前三个波段，存为pcResize。

2.3.2选择训练样本

打开影像，File→Open Image File，选择xl1n.img文件，在可用波段列表中，选择波段48，默认选择GrayScale单选按钮，再点击LoadBand按钮，打开一幅灰度影像，如下图：

图1原始影像

Figure1Theoriginalimage

这个波段的影像纹理比较清晰，可以看出土壤剖面上有很多的裂缝和阴影，在图上点击鼠标右键，在快捷菜单上选择ZProfile（Spectrum）...，打开对话框，点击灰度图上的像素点，可以看到对话框中显示出它的光谱曲线，选择不同位置的像素点查看光谱曲线可以发现，裂缝和阴影处的光谱曲线和正常土壤的有很大差别，如下图：

图2正常土壤

Figure2normalsoil

图3正常土壤的波谱剖面曲线图

Figure3Spectralprofilegraphofnormalsoil

图4裂缝和阴影

Figure4cracksandshadows

图5裂缝和阴影的波谱剖面曲线图

Figure5Spectralprofilegraphofcracksandshadows

通过对比图可发现，裂缝或阴影中的像素的光谱曲线形状与正常土壤的差别很大，而且在波长1400nm左右没有水分吸收谷。

使用感兴趣区（ROI）工具来选择训练样本，在主影像菜单栏中选择Overlay>Region of Interest，打开ROI Tool对话框，在对话框菜单上选择ROTType>Point，Window后面的单选按钮中选择Zoom，然后新建两个感兴趣区，默认第一个颜色属性为Red，第二个为Green，在区域名称之前点击，选中第一个区域，然后在影像上的裂缝或者阴影处寻找颜色较深的像素点，在Zoom窗口点击，添加点，选的点要尽量均匀分布，所有的符合特征的区域都要选择，然后在ROI Tool对话框中选中第二个区域，在影像上颜色比较均匀的区域选择颜色较浅的点，得到的结果如图6，最后把选好的ROI保存为xl1n，将ROITool对话框关闭。

图6ROI的选取

Figure6ROIselection

2.3.3用不同的分类方法进行监督分类

2.3.3.1平行六面体（Parallelpiped）法

根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。

平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。

在ENVI主菜单选择Classification>Supervised>Parallelepiped，打开ClassificationInputFile对话框，选择pcResize作为输入影像，点击确定，再弹出的对话框上点击SelectAllItems，然后选择输出文件的位置和名称，其它参数默认，如图，最后计算出的分类结果影像如图8。

图7分类参数选择

Figure7Classificationparameters

2.3.3.2最小距离（MinimumDistance）法

利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入影像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。

在ENVI主菜单上选择Classification>Supervised>MinimumDistance，打开ClassificationInputFile对话框，选择pcResize作为输入影像，点击确定，再弹出的对话框上点击SelectAllItems，然后选择输出文件的位置和名称，其它参数默认，最后计算出的分类结果影像如图9。

2.3.3.3马氏距离（MahalanobisDistance）法

计算输入影像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。

在ENVI主菜单上选择Classification>Supervised>MahalanobisDistance，打开ClassificationInputFile对话框，选择pcResize作为输入影像，点击确定，再弹出的对话框上点击SelectAllItems，然后选择输出文件的位置和名称，其它参数默认，如图，最后计算出的分类结果影像如图10。

2.3.3.4最大似然（LikelihoodClassification）法

最大似然法分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。

除非选择一个可能性阈值，所有像元都将参与分类。

每一个像元被归到可能性最大的那一类里。

在ENVI主菜单上选择Classification>Supervised>MaximumLikelihood，打开ClassificationInputFile对话框，选择pcResize作为输入影像，点击确定，再弹出的对话框上点击SelectAllItems，然后选择输出文件的位置和名称，其它参数默认，如图，最后计算出的分类结果影像如图11。

图8平行六面体法

Figure8Parallelpiped

图9最小距离法

Figure9MinimumDistance

图10马氏距离法

Figure10MahalanobisDistance

图11最大似然法

Figure11LikelihoodClassification

图12原始影像

Figure12Theoriginalimage

3.结果与分析

本文利用ENVI软件中的监督分类模块对经过PCA变换和裁剪的同一影像分别用平行六面体法、最小距离法、马氏距离法、最大似然法四种分类方法进行监督分类，同时这四种分类都采用了相同的训练样本，有利于比较不同分类方法的差异。

3.1四种分类结果简单目视判断

四种分类结果如图8，9，10，11，图12是原始影像。

通过对比图8,9,10,11,12，平行六面体法的分类结果把影像的大部分像素分类到裂缝和阴影里面，和原始影像明显不符合，为了更好地比较这四种分类结果，可以在4幅分类结果影像和xl1n原始影像打开的情况下，使用LinkDisplays...工具将5幅影像联系起来，使缩放窗口显示的区域相同，移动主窗口和滚动窗口，结合原始影像，对比四种分类结果的细节差异，图13为缩放窗口中某个区域的分类结果细节对比图，上面一排从左到右分别为平行六面体法、最小距离法、马氏距离法的分类结果细节图，下面一排左边的图是最大似然法的分类结果细节图，右边的图是原始影像细节图，对比可以发现，平行六面体法不仅把大部分影像分类到了裂缝和阴影类中，还有一些像素点没有被分类，分类效果很差，另外三种分类方法看上去和原始影像都比较符合，其中差异不大，只是有几个像素的分类不同，对比最小距离法和马氏距离法的分类结果，最大似然法将较多的像素分类到了裂缝和阴影类中。

图13某个区域的分类结果细节对比图

Figure13Classificationresultsdetailscontrastfigureofaregion

3.2用混淆矩阵进行分类精度评价

为了定量的评价四种分类结果的差异，使用confusionmatrix工具可以把分类结果的精度显示在一个混淆矩阵里（用于比较分类结果和地表真实信息）。

地面真实影像可以是另一幅分类影像，或是根据地面真实测量生成的影像（也可以是感兴趣区）。

以平行六面体法分类结果为例，计算混淆矩阵，另外三种分类结果的计算方法类似。

3.2.1计算分类结果混淆矩阵

将分类结果影像打开，在影像主窗口选择Tools>RegionofInterest>RestoreSavedROIFile，在打开的消息框中点击确定。

在ENVI主菜单上选择Classification>PostClassification>ConfusionMatrix>UsingGroundTruthROIs，在ClassificationInputFile对话框中选择分类结果影像Parallelepiped，点击确定，打开如图14所示的对话框：

图14匹配类参数

Figure14Matchingparameters

在matchclassesparameters对话框中的两个列表中选择所要匹配的名称，点击addcombination按钮，把地表真实感兴趣区与最终分类结果相匹配。

类别之间的合并将显示在对话框底部列表中，如果地表真实影像感兴趣区中的类别与分类影像中的类别名称相同，他们将自动匹配。

点击OK，在打开的对话框中使用默认值，点击确定，生成分类结果的精度表，如图15.

图15平行六面体法分类结果的精度图

Figure15TheaccuracyofclassificationresultsofParallelpiped

其它三种分类结果的精度图如图16,17,18.

图16最小距离法分类结果的精度图

Figure16Theaccuracyofclassificationresultsofminimumdistance

图17马氏距离法分类结果的精度图

Figure17TheaccuracyofclassificationresultsofMahalanobisDistance

图18最大似然法分类结果的精度图

Figure18TheaccuracyofclassificationresultsofLikelihoodClassification

3.2.2混淆矩阵中的几项评价指标

3.2.2.1总体分类精度（OverallAccuracy）

总体分类精度：

等于被正确分类的像元总和除以总像元数。

地表真实影像或地表真实感兴趣区限定了像元的真实分类。

被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。

像元总数等于所有地表真实分类中的像元总和。

如图15平行六面体法分类结果的总体分类精度为63.3152%。

3.2.2.2Kappa系数（KappaCoefficient）

是另外一种计算分类精度的方法，通过把所有地表真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。

如图15平行六面体法分类结果的Kappa系数为0.3534.

3.2.2.3混淆矩阵（像元数）

混淆矩阵通过将每个地表真实像元的位置和分类相比较计算的。

混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类影像中对应于相应类别的数量。

例如，在图15中groundtruth（pixels）表中，正常土壤的地面真实栏中显示该类地表真实值为479个像元，分类能对其中的213个像元进行正确分类，有4个像元未参加分类，有262个像元被归为裂缝和阴影。

3.2.2.4混淆矩阵（百分比）：

groundtruth（percent）表显示了每个地表真实分类中相应的分类结果所占的百分比，该百分比值等于每个地表真实栏里的像元数除以一个给定的地表真实类中的像元总数。

错分误差（Commission）

是指被分为用户感兴趣的类实际上属于另一类的像元。

错分误差显示在混淆矩阵的行里。

例如，在图15中，裂缝和阴影类共有地表真实像元515个，其中253个分类是正确的。

262个是其他像元被误认为裂缝和阴影的（262是混淆矩阵中裂缝和阴影一行其他类的和）。

分类不正确的像元数与参与分类的地表真实像元总数的比例就是错分误差：

262/515=50.87%。

3.2.2.5漏分误差（Omission）

本属于地表真实分类，但没有被分类器分到相应类别中的像元数。

漏分误差显示在混淆矩阵的列中。

例如，在图15中，裂缝和阴影共有257个真实像元，253个正确分类，4个是被误分为其他类型的（裂缝和阴影一列里其他类的和）。

被误分类的像元占某一类别的地表真实分类的像元总数的比例：

4/257=1.56%。

3.2.2.6制图精度（Prod.Acc）

是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。

例如，在图15中，groundtruth（pixels）表中，正常土壤共有479个地表真实像元，其中213个正确分类，因此制图精度是213/479=44.47%。

3.2.2.7用户精度（User.Acc）

是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。

例如，在图15中，groundtruth（pixels）表中，分类器将515个像元归到裂缝和阴影一类中