您好,欢迎访问三七文档
ENVI/IDL6-遥感图像分类刘海新河北工程大学资源学院电话:13932086700ENVI/IDL根据方法类型划分为以下几种信息提取种类:6.1分类类型ENVI/IDL每一种方法都有各自的适用范围,人工解译:适用定性信息的提取,也就是在图像上通过肉眼能分辨的信息;基于光谱的计算机分类,对于中低分辨率的多光谱影像效果明显(小于10米);基于专家知识的决策树分类:需要多源数据支持;面向对象分类方法:随着高分辨率影像的出现而发展起来的;地物识别与地表反演:定量信息提取,需要模型的支持;变化监测:多时相影像支持;地形信息提取,需要立体像对的支持。6.1分类类型ENVI/IDL1、监督分类监督分类: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。6.1分类类型ENVI/IDL2、非监督分类非监督分类又称“聚类分析”或“点群分类”。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。此方法不需获取先验知识,仅仅依靠图像上不同类型的光谱信息进行特征提取,再统计特征的差别来达到分类的目的,最后对已分类的实际属性进行确认。3、基于专家知识的决策树分类基于知识的决策树分类是基于遥感影像数据及其他空间数据,通过专家经验总结、简单的数学统计和归纳方法等,获得分类规则并进行遥感分类。分类规则易于理解,分类过程也符合人的认知过程,最大的特点是利用多源数据。6.1分类类型ENVI/IDL遥感影像的监督分类一般包括以下6个步骤,如下图所示:6.2监督分类ENVI/IDL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。本例类别分为:林地、居民地、耕地、未利用土地、水体五类。6.2监督分类ENVI/IDL第二步:样本选择第一种方法,直接使用ROI来进行选择(1)打开分类图像can_tmr.img,以RGB:543显示。(2)在Display中选择Overlay-RegionofInterest,默认ROIs为多边形,按照默认设置在影像上定义训练样本(即绘制感兴趣区ROI)。(3)在ROITool中,ROIName一栏单击两次左键,输入样本名称:林地,回车输入。同时设置好类别颜色。(4)在Display中,定位到一个地物类型比较多的地方,将image窗口拉大一些,选择Enhance-[Image]Linear2%,根据image窗口的直方图进行2%的线性拉伸,这样能得到比较好的视觉效果,有利于样本的选择。(5)同时为了能更好的区分林地,新开一个Display显示RGB:432,有利于区分植被,将两个窗口进行linkDisplays。6.2监督分类ENVI/IDL(6)结合目视解译结果,选择Image或者ZOOM窗口中绘制“林地”的多边形样本,样本在全图中近似均匀分布。(7)重复(3)~(6)步骤,分别为居民地、耕地、未利用土地、水体选择样本。注:1、样本选择是一个非常重要的过程,直接影响分类精度。在样本选择过程中,有很多辅助方法,如上面的可以显示不同的假彩色合成窗口,也可以进行主成分分析后进行假彩色合成,由于去除了波段间的相关性,不同地物区分的更加明显;还可以借助GoogleEarth辅助解译。6.2监督分类ENVI/IDL第二种方法,在散点图上进行选择(1)在主图像上,选择tools2Dscatterplots,将1波段作为X,4波段作为Y,原理是选择相关性较小的波段(2)在散点图上,用鼠标左键点击包围所需要区域的多边形顶点,鼠标右键闭合多边形,闭合后所选区域会在主图像窗口显示,为了确定散点图与显示窗口中地物的对应关系,在optionimage:dance选择的条件下,按住鼠标中键可以看到一定范围(optionsetpatchsize)散点图与显示图像的对应关系。(3)如果绘制不满意,可以从类别中删除,在散点图上选择classwhite,绘制一个包含要删除的点进行删除,删除的点恢复为白色,或者在散点图上点击鼠标右键,选择clearclass(4)在散点图上点击右键,选择newclass,重复(2)(3)步骤(5)在所有区域绘制好后,在散点图上右击鼠标,选择exportall,将其导入ROI工具中。(6)在ROItool中输入样本名字,选择一定的颜色即可6.2监督分类ENVI/IDL第三步,评价训练样本在ROIs面板中,选择Option-ComputeROISeparability,选择can_tmr.img作为分类图像,全选所有样本进行可分离性分析。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,需要重新选择样本;小于1,考虑将两类样本合成一类样本。同时将roi另存为ROI文件6.2监督分类ENVI/IDL第四步: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。6.2监督分类ENVI/IDL马氏距离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。6.2监督分类ENVI/IDL支持向量机支持向量机分类(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。6.2监督分类ENVI/IDL1、平行六面体在ENVI主菜单中,选择ClassificationSupervisedParallelepiped;当出现ClassificationInputFile对话框时,选择输入文件can_tmr.img。将出现ParallelepipedParameters对话框。选择所有的roi标准差设定如不使用标准差,点击“None”按钮。要对所有的类别使用同一个阈值,点击“SingleValue”按钮,在“MaxstdevfromMean”文本框中输入用于限定相对于均值的标准差的大小。要为每一类别设置不同的阈值:A.在类别列表中,点击想要设置不同阈值的类别。B.点击“MultipleValues”来选择它。C.点击“AssignMultipleValues”按钮。D.在出现的对话框中,点击一个类别选中它,然后在对话框底部的文本框中输入阈值。为每个类别重复该步骤。6.2监督分类ENVI/IDL2、最小距离法最小距离技术使用每个端元的均值矢量,计算每个未知像元到每类均值矢量的欧几里德距离。除非限定了标准差和距离阈值(这时,会出现一些像元因不满足选择的标准,而成为“无类别”),所有像元都将被归为距离最近的一类。选择ClassificationSupervisedMinimumDistance;当出现ClassificationInputFile对话框时,选择输入文件。将出现MinimumDistanceParameters对话框。设置标准差阈值设置最大距离误差注意:如果在“SetMaxStdevFromMean”和“SetMaxDistanceError”文本框中都设定了阈值,分类就用两者中较小的一个来判定哪些像元将被分类。如果对于所有参数都选择“None”,则所有像元都将被分类。6.2监督分类ENVI/IDL3、马氏距离分类马氏距离分类是一个应用了每个类别统计信息的方向灵敏的距离分类器。它与最大似然分类相似,但是假定所有类别的协方差是相等的,所以是一种较快的分类方法。除非用户限定了一个距离阈值(这时,如果一些像元不在阈值内,就会被划为无类别),所有像元都将被归到最临近的ROI类。选择ClassificationSupervisedMahalanobisDistance;设置setMaxDistanceerror,方法同上输出文件即可6.2监督分类ENVI/IDL最大似然法最大似然分类假定每个波段的每一类统计都呈均匀分布,并计算给定像元属于某一特定类别的似然度。除非选择一个似然度阈值,所有像元都将被分类。每一个像元被归并到似然度最大的那一类中。选择ClassificationSupervisedMaximumLikelihood设定似然度的阈值,范围0-1数据比例系数:这个比例系数是一个比值系数,用于将整型反射率或辐射率数据转化为浮点型数据。例如:如果反射率数据在范围0-10000之间缩放,则设定的比例系数就为10000。对于没有定标的整型数据,将比例系数设为该仪器所能测量的最大值2n-1,n为仪器的bit容量,例如:对于8-bit仪器(Landsat4),设定的比例系数为255,对于10-bit仪器(NOAA12AVHRR),设定的比例系数为1023,对于11-bit仪器(IKONOS),设定的比例系数为2047。设置输出文件6.2监督分类ENVI/IDL神经网络使用NeuralNet选项可以应用一个分层的正向(feed-forward)神经元网络分类。该技术在进行监督学习时使用标准的后向传播技术(backpropagation)。用户可以选择所用的隐藏层的数量,也可以在对数和双曲线活化(activation)函数之间选择所需函数。由于调整节点中的权重可以使输出节点活化与所需的输出结果间的差异达到最小化,因此神经元网络技术利用该方法对发生的事件进行学习。在学习过程中,误差在网络中后向传播,同时使用递归法调整权重。也可以使用神经元网络来进行一个非线性分类。需要有神经网络的相关知识,所以自己学习神经网络的东西支持向量机的分类法其实就是神经网络的一种,推荐一下支持向量机的介绍6.2监督分类ENVI/IDLruleimage说明ruleimage每个分类器都可以产生规则影像,他可以用来对分类图像进行评估,如果需要还可以指定阈值,重新分类。每种分类器产生的规则图像中,像元值所代表的的信息业不同6.2监督分类EN
本文标题:遥感图像分类分析
链接地址:https://www.777doc.com/doc-3293512 .html