监督与决策树分类

遥感事业部网址：技术支持网站：support.esrichina.com.cn电话：[phone]技术支持热线：400-819-2881-7监督与决策树分类版权声明：本教程涉及到的数据提供下载，供练习使用，禁止用于商业用途。目录监督与决策树分类.......................................................................................................................................................11.概述.......................................................................................................................................................................22.监督分类...............................................................................................................................................................32.1概述.................................................................................................................................................................32.2监督分类提取土地覆盖信息.........................................................................................................................32.3监督分类提取火烧迹地...............................................................................................................................133.基于专家知识的决策树分类.............................................................................................................................17遥感事业部网址：技术支持网站：support.esrichina.com.cn电话：[phone]技术支持热线：400-819-2881-71.概述遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类，即信息提取。根据方法类型划分为以下几种信息提取种类：图1.1遥感信息提取方法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。表1.1传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表类型基本原理影像的最小单元适用数据源缺陷传统基于光谱的分类方法地物的光谱信息特征单个的影像像元中低分辨率多光谱和高光谱影像丰富的空间信息利用率几乎为零基于专家知识决策树根据光谱特征、空间关系和其他上下文关系归类像元单个的影像像元多源数据知识获取比较复杂遥感事业部网址：技术支持网站：support.esrichina.com.cn电话：[phone]技术支持热线：400-819-2881-7面向对象的分类方法几何信息、结构信息以及光谱信息一个个影像对象中高分辨率多光谱和全色影像速度比较慢2.监督分类2.1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。遥感影像的监督分类一般包括以下6个步骤，如下图所示：图2.1监督分类步骤2.2监督分类提取土地覆盖信息本节是以spotpan与TM融合的结果为数据源，学习ENVIClassic中的监督分类过程，数据存放在“1-监督分类\1-监督分类（Classic）”文件夹中。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。分类器选择样本选择分类后处理影像分类结果验证最大似然最小距离马氏距离神经网络支持向量机其他类别定义/特征判别遥感事业部网址：技术支持网站：support.esrichina.com.cn电话：[phone]技术支持热线：400-819-2881-7第二步：样本选择（1）打开分类图像sub-TM-Spot-GS.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）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。2、ROITool中选择File-RestoreROIs，选择“分类样本.roi”样本文件。图2.2训练样本的选择（8）在ROIs面板中，选择Option-ComputeROISeparability，选择sub-TM-Spot-GS.img作为分类图像，全选所有样本进行可分离性分析。如下图所示，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，需要重新选择样本；小于1，考虑将两类样本合成一类样本。遥感事业部网址：技术支持网站：support.esrichina.com.cn电话：[phone]技术支持热线：400-819-2881-7图2.3样本可分离性计算报表第三步：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。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。遥感事业部网址：技术支持网站：support.esrichina.com.cn电话：[phone]技术支持热线：400-819-2881-7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。……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，这里选择最大似然方法。(1)主菜单下选择Classification-Supervised-MaximumLikelihood，打开ClassificationInputFile面板。(2)为了不让背景参与分类，使用掩膜文件设置分类区域。在ClassificationInputFile面板中，选择MaskOptions-BuildMask，打开MaskDefinition面板。(3)在MaskDefinition面板中，选择Options-ImportROIS，单击OpenROISfile选择mask.roi文件，将mask文件保存为内存。单击OK回到ClassificationInputFile面板中。(4)在ClassificationInputFile面板中，选择sub-TM-Spot-GS.img作为分类文件，单击Ok打开MaximumLikelihood参数设置面板。图2.4ClassificationInputFile面板遥感事业部网址：技术支持网站：suppor