地物解译.docx
《地物解译.docx》由会员分享,可在线阅读,更多相关《地物解译.docx(24页珍藏版)》请在冰豆网上搜索。
地物解译
遥感图像地物分类解译
LandsatTM(ETM+)7个波段分类:
1蓝色、2绿色、3红色、4近红外、5.7短波红外、6热红外
各种波段的原始影像都是黑白的
遥感图像监督分类
1.概述
2.详细操作步骤
第一步:
类别定义/特征判别
第二步:
样本选择
第三步:
分类器选择
第四步:
影像分类
第五步:
分类后处理
1、概述
监督分类,又称训练分类法,用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查,对遥感图像上某些样区中影像地物的类别属性有了先验知识,对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息,同时用这些种子类别对判决函数进行训练,使其符合于对各种子类别分类的要求,随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较,按不同的规则将其划分到和其最相似的样本类,以此完成对整个图像的分类。
图1.1监督分类步骤
2.详细操作步骤
第一步:
类别定义/特征判别
根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断,评价图像质量,决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。
启动ENVI5.1,打开待分类数据:
can_tmr.img。
以R:
TMBand5,G:
TMBand4,B:
TMBand3波段组合显示。
通过目视可分辨六类地物:
植被、裸露的岩石或土壤、水体等三类。
第二步:
样本选择
(1)在图层管理器LayerManager中,can_tmr.img图层上右键,选择"NewRegionOfInterest",打开RegionofInterest(ROI)Tool面板,下面学习利用选择样本。
1)在RegionofInterest(ROI)Tool面板上,设置以下参数:
●ROIName:
植被
●ROIColor:
图1-2RegionofInterest(ROI)Tool面板上设置样本参数
∙2)默认ROIs绘制类型为多边形,在影像上辨别植被区域并单击鼠标左键开始绘制多边形样本,一个多边形绘制结束后,双击鼠标左键或者点击鼠标右键,选择CompleteandAcceptPolygon,完成一个多边形样本的选择;
3)同样方法,在图像别的区域绘制其他样本,样本尽量均匀分布在整个图像上;
4)这样就为植被选好了训练样本。
注:
1、如果要对某个样本进行编辑,可将鼠标移到样本上点击右键,选择Editrecord是修改样本,点击Deleterecord是删除样本。
2、一个样本ROI里面可以包含n个多边形或者其他形状的记录(record)。
3、如果不小心关闭了RegionofInterest(ROI)Tool面板,可在图层管理器LayerManager上的某一类样本(感兴趣区)双击鼠标。
(2)在图像上右键选择NewROI,或者在RegionofInterest(ROI)Tool面板上,选择
工具。
重复"植被"样本选择的方法,分别为裸露的岩石土壤、水体等其他2类选择样本;
(3)如下图为选好好的样本。
图2.2训练样本的选择
(4)计算样本的可分离性。
在RegionofInterest(ROI)Tool面板上,选择Option>ComputeROISeparability,在ChooseROIs面板,将几类样本都打勾,点击OK;
(5)表示各个样本类型之间的可分离性,用Jeffries-Matusita,TransformedDivergence参数表示,这两个参数的值在0~2.0之间,大于1.9说明样本之间可分离性好,属于合格样本;小于1.8,需要编辑样本或者重新选择样本;小于1,考虑将两类样本合成一类样本。
图2.3样本可分离型计算报表
注:
1、在图层管理器LayerManager中,可以选择需要修改的训练样本。
2、在RegionofInterest(ROI)Tool面板上,选择Options>Merge(Union/Intersection)ROIs,在MergeROIs面板中,选择需要合并的类别,勾选DeleteInputROIs
图2.4MergeROIs面板
第三步:
分类器选择
根据分类的复杂度、精度需求等确定哪一种分类器。
目前ENVI的监督分类可分为基于传统统计分析学的,包括平行六面体、最小距离、马氏距离、最大似然,基于神经网络的,基于模式识别,包括支持向量机、模糊分类等,针对高光谱有波谱角(SAM),光谱信息散度,二进制编码。
下面是几种分类器的简单描述。
∙平行六面体(Parallelepiped)
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。
∙最小距离(MinimumDistance)
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,计算输入图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。
∙马氏距离(MahalanobisDistance)
计算输入图像到各训练样本的协方差距离(一种有效的计算两个未知样本集的相似度的方法),最终技术协方差距离最小的,即为此类别。
∙最大似然(MaximumLikelihood)
假设每一个波段的每一类统计都呈正态分布,计算给定像元属于某一训练样本的似然度,像元最终被归并到似然度最大的一类当中。
∙神经网络(NeuralNet)
指用计算机模拟人脑的结构,用许多小的处理单元模拟生物的神经元,用算法实现人脑的识别、记忆、思考过程。
∙支持向量机(SupportVectorMachine)
支持向量机分类(SupportVectorMachine或SVM)是一种建立在统计学习理论(StatisticalLearningTheory或SLT)基础上的机器学习方法。
SVM可以自动寻找那些对分类有较大区分能力的支持向量,由此构造出分类器,可以将类与类之间的间隔最大化,因而有较好的推广性和较高的分类准确率。
∙波谱角(SpectralAngleMapper)
它是在N维空间将像元与参照波谱进行匹配,通过计算波谱间的相似度,之后对波谱之间相似度进行角度的对比,较小的角度表示更大的相似度。
第四步:
影像分类
基于传统统计分析的分类方法参数设置比较简单,在Toolbox/Classification/SupervisedClassification能找到相应的分类方法。
这里选择支持向量机分类方法。
在toolbox中选择/Classification/SupervisedClassification/SupportVectorMachineClassification,选择待分类影像,点击OK,按照默认设置参数输出分类结果。
(一)、支持向量机步骤
在Toolboxzhong中点击主菜单点击classfication/supervisedclassfication/SupportVectorMachineclassfication
图2.5选择向量机输入文件
图2.6支持向量机分类器参数设置
图2.7支持向量机分类结果
(二)、最大似然法步骤
在Tboolbox中点击classfication/supervised/maximumlikelihood(最大似然分类法)
图2.8选择最大似然法输入文件
图2.9最大似然法分类结果
第五步:
分类后处理
1、小斑块处理
(一)、支持向量机法
在Zoom地图上仔细看有很多的小斑点,我们可以选择主要、次要分析法去除,在Tbolbox中选择classfication/postclassification/majority/minorityanalysis,如下图所示:
图3.0选择支持向量机处理的分类文件
图3.1斑点处理后效果图
(二)、最大似然法
图3.2选择处理的最大似然法分类文件
图3.3最大似然法斑点处理效果图
小结:
经过对比可以发现,用支持向量机和最大似然法两种不同的监督分类方法做出来的结果是不一样的。
支持向量机结果效果图相对于最大似然法来说斑点比较少,分类的准确率比较高。
2、遥感图像解译
栅矢转换:
打开Toolbox,点击Classification—PostClassification—ClassificationtoVector,可以将分类后得到的结果转化为矢量格式
(1)、支持向量机
图3.4选择转换栅格文件
图3.5支持向量机转矢效果图
(2)、最大似然法
图3.6选择转矢文件
图3.7最大似然法转矢效果图
3、分类统计分析
Toolbox—Classification—PostClassi过聚类(Clump)的那个图像。
如下图所示,小值、平均值等,直方图,协方差等信息。
(1)、支持向量机
图3.8选择分析统计文件
类别名称
像元个数
百分比
总面积(平方千米)
植被
348653
62.860%
283.193
水体
16944
3.055%
13.763
裸露岩石土壤
189055
34.085%
153.560
图3.9支持向量机分类统计结果
(2)、最大似然法
类别名称
像元个数
百分比
总面积(平方千米)
植被
341290
61.532%
277.213
水体
10540
1.900%
8.561
裸露岩石土壤
202822
36.567%
164.742
图4.0最大似然法分析统计结果
4、遥感影像解译图
4-1.ARCGIS中打开前期导出的TIF图像
4-2在属性表中增加(名称)字段
4-3在图层属性中修改各类型颜色
4-4将视图切换成-布局试图
4-5插入标题、比例尺、图例、指北针等
4-6导出解译图将上一步得到的结果导入到ArcMap里面进行遥感解译图的制作,并得到最终结果,如下图: