2022年基于ENVI的土壤高光谱影像监督分类方法比较研究.docx

《2022年基于ENVI的土壤高光谱影像监督分类方法比较研究.docx》由会员分享，可在线阅读，更多相关《2022年基于ENVI的土壤高光谱影像监督分类方法比较研究.docx（25页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精品学习资源目录摘要IIAbstractIII1. 前言11.1 争论问题地由来11.2 文献综述11.3 争论目地22. 材料与方法22.1 材料22.2 方法32.3 监督分类过程32.3.1 PCA 变换32.3.2 挑选训练样本32.3.3 用不同地分类方法进行监督分类53. 结果与分析83.1 四种分类结果简洁目视判定83.2 用混淆矩阵进行分类精度评判93.2.1 运算分类结果混淆矩阵93.2.2 混淆矩阵中地几项评判指标123.2.3 四种分类方法精度比较133.3 随机挑选像素点来比较不同分类方法地结果133.3.1 像素点 1133.3.2 像素点 2143.3.3 像素点

2、3153.3.4 像素点 4153.3.5 像素点 5163.3.6 像素点 6163.3.7 像素点 7173.3.8 像素点 8184. 争论18参考文献19致谢20欢迎下载精品学习资源摘要基于监督分类方法在遥感影像分类中地普遍应用，介绍了四种ENVI 供应地比较常用地、算法简洁、运算时间较短地四种分类方法.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地差异,目地是为了更好地将土壤剖面高光谱遥感影像中地无效数据剔除，为后续地争论供应数据基础.关键词： PCA 变换；平行六面体法；最小距离法；马氏距离法；最大似然法欢迎下载精品学习资源Abs

3、tractWidely used in remote sensing image classificationbased on supervised classificationmethod, this paper introduces four kinds of ENVI provides a common, simple algorithm, calculation of four kindsof classification methods for a short time. The classification of the same soil profile image by usi

4、ng these four methods, and the classification results are compared, analyzed the differences between the classification accuracy of the four methods.The purpose is to better the invalid data to eliminate the soil profile of hyperspectral remote sensing image, provide the data basis for the subsequen

5、t research.KeyWords:PCA Transform ； Parallelpiped ； MinimumDistance ； MahalanobisDistance ；Likelihood Classification欢迎下载精品学习资源1. 前言1.1 争论问题地由来在土壤剖面制备过程中，由于土壤地含水量会对土壤地光谱产生影响，掩盖其他土壤属性对土壤光谱曲线地影响，所以要将采集地土壤剖面在室内通风晾干，风干时土壤失水产生块状凝 聚，有裂缝显现，另外土壤中地大颗粒或者凹凸不平地地方会产生阴影，这些裂缝和阴影区域不具备土壤反射光谱特点，在成像光谱仪获得地土壤剖面高光谱影像中属于无效

6、数据，所以需要把影像中地这些区域剔除，有利于后续地高光谱影像地争论分析.1.2 文献综述高光谱遥感影像具有光谱辨论率高、信息量大、图谱合一地特点,具有传统遥感技术无法比拟地 优势 .但是 ,高光谱数据地高光谱辨论率也带来了大量数据地冗余,在将其运用于各领域之前,必需进行必要地数据处理.因此 ,如何有效地提取高光谱数据信息成为当前争论地热点之一（李静， 2021）遥感作为采集地球数据及其变化信息地重要技术手段，在世界范畴内以及我国地很多政府部门、科研单位和公司得到广泛地应用，不同领域遥感影像地应用对遥感影像处理技术提出了不同地要求，影像分类是影像处理地重要环节，所以具有很大地争论意义，随着各种新

7、理论新方法地相继涌现，遥感影像存在多种分类方法，通过几种常用监督分类方法地比较发觉，每种分类方法都有最适合应用地范畴和自身地局限性，没有一种是最普遍正确地方法，所以必需敏捷应用，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地分类.（闫琰等， 2021） .非监督分类是指在分类时对需要分类地地物完全没有加入任何已知地信息,而仅仅依靠地物地自 然特性 ,非监督分类地实质是聚类分析法,由于在非监督分类过程中没有类别先验学问地影响, 因此无法判定分类地结果分别代表哪一类实际地物,而且很难保证全部地特点是被分类别最具有判断力地特点 .所以分类精度不够抱负,而且对于巨大地高光谱数据来说

8、,分类速度较慢 .但该方法不需要对分类区域有广泛地明白,而且人为误差地机会少.所以可以与监督分类结合使用（李静， 2021） .自 20 世纪 70 岁月以来，随着数字成像技术和运算机技术地飞速进展，影像处理、分类与信息提取地算法层出不穷 .高光谱影像地分类与多光谱有很大不同，目前有沿用传统针对多光谱地分类算法，也进展了针对高光谱地算法.在高光谱遥感分类及信息提取领域各种算法层出不穷，基于光谱特点地分类是高光谱地特色（林娜，2021） .传统遥感影像分类多是基于统计特点地.如平行管道、最大似然、最小距离、马氏距离等，原先针对多光谱数据地处理手段在高光谱地数据分析中多有使用.如 XiuPing

9、Jia （ 2002）就采纳最大似然、主成分变换等对高光谱数据进行了分析.佘红伟，张艳宁（ 2021）争论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、无法获得足够多地训练样本、维数灾难Hughes 等问题 .高光谱遥感图像中端元地提取是懂得高光谱数据,继而对数据进行进一步分析地前提条欢迎下载精品学习资源件.Boardman（ 1993）进展了凸面几何学分析, Boardman、 Kruse、Green（ 1995）进展了纯象元指数 PPI端元提取算法 .N-FindrWinter,1999 算法查找一组像元，它们所构成地单纯形体具有最大地体积 ,是一

10、种全自动地端元选取算法.近年来陈伟，陈伟，余旭初（ 2021）等利用粒子群优化 PSO技术 ,基于凸面几何学理论,设计了一个新地端元提取算法.李姗姗 ,田庆（ 2021）提出了一种高光谱遥感图像地端元递进提取算法.吴波 ,张良培 , 李平湘（ 2005）依据迭代误差分析思路，结合端元存在地空间信息,自动提取出端元光谱.由于高光谱遥感数据具有高维地光谱特点, 基于光谱特点地分类及信息提取是一个重要地争论方向，是高光谱遥感数据特有地识别方法.代表性地有光谱角度填图SAMKruse ， 1993，交叉相关光谱匹配技术CCSM ，二值编码匹配Mazer ， 1988 ，波谱特点拟合（SFF）等.近年来

11、也有些学者对此类算法进行了深化争论，如周源，方圣辉，李德仁（ 2021）提出了一种新地光谱匹配算法 光谱角敏锐森林方法 .王毅 ,张良培 ,李平湘 2007 提出了一种基于局部自动搜寻和光谱匹配技术地监督分类训练样本地纯化方法 .目前很多新地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（Support Vector Machine,SVM ）（刘江永， 2021 ）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，获得了较好地分类成效.官莉 ,刘旸 ,张雪慧 2021 将人工神经网络算法

12、应用在红外高光谱资料反演大气温度廓线中，取得了很好地成效.Zhuo L （ 2021）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（ 2021）将改进型遗传算法和支持向量机结合进行波段挑选和图像分类得到了中意地成效.吴波、张良培、李平湘（2006）基于支持向量回来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点提取与分类,获得了比较高地分类精度.牛鹏（ 2021）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 争论目地为了将土壤剖面高光谱影像地裂缝和阴影区域剔除，需要将土壤剖面上地裂缝和阴影与正常突然分成不同地类别，本文

13、采纳几种不同地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地精度差别，为后续地争论供应数据基础.2. 材料与方法2.1 材料本文利用地是 Headwall 成像光谱仪 Hyperspec.NIR, 900-1700nm 获得地风干土壤剖面地高光谱影像，并且是经过几何校正和裁剪等预处理之后地影像，在后面地试验过程中称为原始影像. 高光谱传感器即成像光谱仪，可以在电磁波谱地紫外、可见光、近红外和中红外区域，以数十欢迎下载精品学习资源至数百个连续且细分地光谱波段对目标区域同时成像，由于成像光谱系统获得地连续波段宽度一般在 10nm以内，因此高光谱数据能以足够地光谱辨论率区分出那些具有诊断性

14、光谱特点地地表物质，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点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地争论中有很大地应用价值（张美琴， 2021） .2.2 方法为了隔离噪声和削减数据集地维数，需要对原始影像进行PCA 变换，主成分分析PCA 通过使用 PrincipalComponents 选项生成互不相关地输出波段，主成分（PC）波段是原始波谱波段地 线性合成，它们之间是互不相关地.可以运算输出主成分波段（与输入地波谱波段数相同）.第一主成分包含最大地数据方差百分比，其次主成分包含其次大地方差，以此类推，最终地主成分波段由于包

15、含很小地方差（大多数由原始波谱地噪声引起），因此显示为噪声.遥感影像地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，多是通过聚类地方法来自动分类，主要有isodata，k 均值等 .监督分类是需要学习训练地分类方法，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，监督分类地成效要优于非监督分类.本文选用 ENVI软件供应地算法简洁、运算时间较短地，在遥感影像监督分类中常用地四种分类方法 :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2.3.1 PCA 变换对原始影

16、像 xl1n 进行主成分变换，详细方法是在 ENVI 主菜单上挑选 Transform PrincipalComponents Forward PC Rotation Compute New Statistics and Rotate ，输入影像挑选 xl1n ，得到地结果存为 pc，然后在 ENVI 主菜单挑选 Basic Tools Resize DataSpatial/spectral ，选取信息量最大地前三个波段，存为 pcResize.2.3.2 挑选训练样本打开影像， File Open Image File ，挑选 xl1n.img 文件，在可用波段列表中，挑选波段48，默认挑选

17、 Gray Scale 单项按钮，再点击Load Band 按钮，打开一幅灰度影像，如下图：欢迎下载精品学习资源图 1 原始影像Figure 1 The original image这个波段地影像纹理比较清楚，可以看出土壤剖面上有很多地裂缝和阴影，在图上点击鼠标右键，在快捷菜单上挑选Z ProfileSpectrum. ，打开对话框，点击灰度图上地像素点，可以看到对话框中显示出它地光谱曲线，挑选不同位置地像素点查看光谱曲线可以发觉，裂缝和阴影处地光谱曲线和正常土壤地有很大差别，如下图：欢迎下载精品学习资源图 2 正常土壤Figure 2 normal soil图 3 正常土壤地波谱剖面曲线图F

18、igure 3 Spectral profile graph of normal soil欢迎下载精品学习资源欢迎下载精品学习资源图 4 裂缝和阴影Figure 4 cracks and shadows图 5 裂缝和阴影地波谱剖面曲线图Figure 5 Spectral profile graph of cracks and shadows欢迎下载精品学习资源通过对比图可发觉，裂缝或阴影中地像素地光谱曲线外形与正常土壤地差别很大，而且在波长1400nm 左右没有水分吸取谷 .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O

19、verlay Region of Interest ，打开 ROI Tool 对话框，在对话框菜单上挑选ROT Type Point， Window 后面地单项按钮中挑选Zoom，然后新建两个感爱好区，默认第一个颜色属性为Red，其次个为Green，在区域名称之前点击，选中第一个区域，然后在影像上地裂缝或者阴影处查找颜色较深地像素点，在Zoom 窗口点击，添加点，选地点要尽量匀称分布，全部地符合特点地区域都要挑选，然后在ROI Tool 对话框中选中其次个区域，在影像上颜色比较匀称地区域挑选颜色较浅地点，得到地结果如图6，最终把选好地 ROI 储存为 xl1n ，将 ROI Tool 对话框关

20、闭 .图 6 ROI 地选取Figure 6 ROI selection2.3.3 用不同地分类方法进行监督分类2.3.3.1 平行六面体（ Parallelpiped ）法依据训练样本地亮度值形成一个n 维地平行六面体数据空间，其他像元地光谱值假如落在平行六面体任何一个训练样本所对应地区域，就被划分其对应地类别中.平行六面体地尺度是由标准差阈值所确定地，而该标准差阈值就是依据所选类地均值求出.欢迎下载精品学习资源在 ENVI 主菜单挑选 Classification Supervised Parallelepiped ，打开 Classification Input File 对话框，挑选

21、pcResize 作为输入影像，点击确定，再弹出地对话框上点击 Select All Items，然后挑选输出文件位置置和名称，其它参数默认，如图，最终运算出地分类结果影像如图 8.图 7 分类参数挑选Figure 7 Classification parameters2.3.3.2 最小距离（ Minimum Distance ）法利用训练样本数据运算出每一类地均值向量和标准差向量，然后以均值向量作为该类在特点空间中地中心位置，运算输入影像中每个像元到各类中心地距离，到哪一类中心地距离最小，该像元就归入到哪一类 .在 ENVI 主菜单上挑选 Classification Supervised

22、 Minimum Distance ，打开 Classification InputFile 对话框，挑选pcResize 作为输入影像，点击确定，再弹出地对话框上点击Select All Items，然后挑选输出文件位置置和名称，其它参数默认，最终运算出地分类结果影像如图9.2.3.3.3 马氏距离（ Mahalanobis Distance ）法运算输入影像到各训练样本地马氏距离（一种有效地计算两个未知样本集地相像度地方法）， 最终统计马氏距离最小地，即为此类别.在 ENVI主菜单上挑选Classification Supervised Mahalanobis Distance，打开Cla

23、ssificationInput File对话框，挑选pcResize 作为输入影像，点击确定，再弹出地对话框上点击Select AllItems，然后挑选输出文件位置置和名称，其它参数默认，如图，最终运算出地分类结果影像如图 10.2.3.3.4 最大似然 （ Likelihood Classification）法最大似然法分类假定每个波段每一类统计呈匀称分布，并运算给定像元属于一特定类别地可能性.除非挑选一个可能性阈值，全部像元都将参与分类.每一个像元被归到可能性最大地那一类里.在 ENVI 主菜单上挑选 Classification Supervised Maximum Likeliho

24、od ，打开 Classification Input File 对话框，挑选 pcResize 作为输入影像，点击确定，再弹出地对话框上点击 Select All Items，然后挑选输出文件位置置和名称，其它参数默认，如图，最终运算出地分类结果影像如图 11.欢迎下载精品学习资源欢迎下载精品学习资源图 8 平行六面体法Figure 8Parallelpiped图 9 最小距离法Figure 9 Minimum Distance图 10 马氏距离法Figure 10Mahalanobis Distance图 11 最大似然法Figure 11Likelihood Classification

25、图 12 原始影像Figure 12 The original image欢迎下载精品学习资源3. 结果与分析本文利用 ENVI软件中地监督分类模块对经过PCA 变换和裁剪地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地训练样本，有利于比较不同分类方法地差异.3.1 四种分类结果简洁目视判定四种分类结果如图8， 9， 10， 11，图 12 是原始影像 .通过对比图 8,9,10,11,12 ，平行六面体法地分类结果把影像地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

26、果影像和xl1n 原始影像打开地情形下，使用Link Displays. 工具将 5 幅影像联系起来，使缩放窗口显示地区域相同，移动主窗口和滚动窗口，结合原始影像，对比四种分类结果地细节差异，图13 为缩放窗口中某个区域地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、马氏距离法地分类结果细节图， 下面一排左边地图是最大似然法地分类结果细节图，右边地图是原始影像细节图，对比可以发觉，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，仍有一些像素点没有被分类， 分类成效很差，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，只是有几个像素地分类不同，对比最小距离法和

27、马氏距离法地分类结果，最大似然法将较多地像素分类到了裂缝和阴影类中 .图 13 某个区域地分类结果细节对比图Figure 13 Classification results details contrast figure of a region欢迎下载精品学习资源3.2 用混淆矩阵进行分类精度评判为了定量地评判四种分类结果地差异，使用confusion matrix工具可以把分类结果地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， 或是依据地面真实测量生成地影像（也可以是感爱好区）.以平行六面体法分类结果为例，运算混淆矩阵，另外三种分类结果地运算

28、方法类似.3.2.1 运算分类结果混淆矩阵将分类结果影像打开，在影像主窗口挑选Tools Region of Interest Restore Saved ROI File， 在打开地消息框中点击确定. 在 ENVI主菜单上挑选Classification Post ClassificationConfusion Matrix Using Ground Truth ROIs，在 Classification Input File对话框中挑选分类结果影像 Parallelepiped ，点击确定，打开如图14 所示地对话框：图 14 匹配类参数Figure 14 Matching paramet

29、ers在 match classes parameters 对话框中地两个列表中挑选所要匹配地名称，点击add combination按钮，把地表真实感爱好区与最终分类结果相匹配.类别之间地合并将显示在对话框底部列表中，假如地表真实影像感爱好区中地类别与分类影像中地类别名称相同，他们将自动匹配.点击OK ，在打开地对话框中使用默认值，点击确定，生成分类结果地精度表，如图15.欢迎下载精品学习资源图 15 平行六面体法分类结果地精度图Figure 15 The accuracy of classification results of Parallelpiped其它三种分类结果地精度图如图16,

30、17,18.图 16 最小距离法分类结果地精度图Figure 16 The accuracy of classification results of minimum distance欢迎下载精品学习资源图 17 马氏距离法分类结果地精度图Figure 17 The accuracy of classification results of Mahalanobis Distance图 18 最大似然法分类结果地精度图Figure 18 The accuracy of classification results of Likelihood Classification欢迎下载精品学习资源3.2

31、.2 混淆矩阵中地几项评判指标3.2.2.1 总体分类精度（ Overall Accuracy ）总体分类精度：等于被正确分类地像元总和除以总像元数.地表真实影像或地表真实感爱好区限定了像元地真实分类 .被正确分类地像元沿着混淆矩阵地对角线分布，它显示出被分类到正确地表真实分类中地像元数.像元总数等于全部地表真实分类中地像元总和.如图 15 平行六面体法分类结果地总体分类精度为63.3152%.3.2.2.2 Kappa 系数（ Kappa Coefficient ）是另外一种运算分类精度地方法，通过把全部地表真实分类中地像元总数乘以混淆矩阵对角线地和，再减去某一类中地表真实像元总数与该类中被

32、分类像元总数之积对全部类别求和地结 果，再除以总像元数地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全部类别求和地结果得到地.如图 15 平行六面体法分类结果地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位置置和分类相比较运算地.混淆矩阵地每一列代表了一个地 表真实分类，每一列中地数值等于地表真实像元在分类影像中对应于相应类别地数量.例如，在图 15 中 ground truth pixels 表中， 正常土壤地地面真实栏中显示该类地表真实值为479 个像元，分类能对其中地213 个像元进行正确分类，有4 个像元未参与分类，

33、有262 个像元被归为裂缝和阴影 .3.2.2.4 混淆矩阵（百分比）：ground truthpercent 表显示了每个地表真实分类中相应地分类结果所占地百分比，该百分比值等于每个地表真实栏里地像元数除以一个给定地地表真实类中地像元总数 .错分误差（ Commission ）是指被分为用户感爱好地类实际上属于另一类地像元. 错分误差显示在混淆矩阵地行里.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 个分类是正确地 .262 个是其他像元被误认为裂缝和阴影地（262 是混淆矩阵中裂缝和阴影一行其他类地和）.分类不正确地像元数与参与分类地地表真实像元总数地比例就

34、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地像元数.漏分误差显示在混淆矩阵地列中.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地（裂缝和阴影一列里其他类地和）.被误分类地像元占某一类别地地表真实分类地像元总 数地比例： 4/257=1.56%.3.2.2.6 制图精度（ Prod.Acc ）是指分类器将整个影像地像元正确分为 A 类地像元数（对角线值）与 A 类真实参考总数（混淆矩阵中 A 类列地总和）地比率 .例如，在图 15 中， grou

35、nd truth 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 类地像元总数（对角线值）与分类器将整个影像地像元分为A 类地像元总数（混淆矩阵中 A 类行地总和）比率.例如，在图15 中， ground truth pixels 表中，分类器将 515 个像元归到裂缝和阴影一类中，但只有253 个像元是正确归类地，因此用户精度是： 253/515=49.13%.欢迎下载精品学习资源3.2.3 四种分类方法精度比较如表 1，本文选取了几个评判标来比较不同

36、地分类方法地精度，平行六面体分类方法地总体分类精度较低， Kappa 系数很低，并且裂缝和阴影地错分误差达到50%以上，同时正常土壤地漏 分误差达到50%以上，说明有一半以上地正常土壤被分到裂缝和阴影类，分类成效较差.其他三种分类方法地总体分类精度和Kappa 系数都很高，错分误差和漏分误差都很低（除了最大似然法裂缝和阴影地错分误差有2.31%），说明分类成效很好.表 1 四种分类方法精度比较Table 1 Comparison of the accuracy of four methods of classification分类方法精度指标总体分类精度Kappa系数错分误差（裂缝和阴影）错分

37、误差（正常土壤）漏分误差（裂缝和阴影）漏分误差（正常土壤）平行六面体法63.3152%0.353450.87%0.00%1.56%55.53%最小距离法99.3207%0.98500.39%0.83%1.56%0.21%马氏距离法99.3207%0.98500.39%0.83%1.56%0.21%最大似然法98.7772%0.97322.31%0.63%1.17%1.25%3.3 随机挑选像素点来比较不同分类方法地结果从精度指标来看，最小距离法、马氏距离法、最大似然法地分类成效都很好，为了进一步比较这三种分类方法地差异，在分类结果影像随机选取了8 个不同方法分类结果有差异地像素点， 结合原始影

38、像上该点地波谱剖面曲线图作比较，方法是分别把三幅分类结果影像和原始影像打开，拖动主窗口地方框，使缩放窗口显示地区域大致相同，比较不同分类影像地差异，在主窗口挑选 Tools Pixel Locator., 选取一个分类结果不同地像素点，将十字线定位到该像素点， Pixel Locator 窗口会显示该像素所在位置置，对每幅影像用同样地操作打开Pixel Locator ，修改Sample 和 Line 后面框里地数字，将十字线定位到相同地像素点，然后在原始影像地缩放窗口右键挑选 Z Profilespectrum. 工具，查看该点地波谱剖面曲线图.3.3.1 像素点 1选取地第 1 个像素在

39、33 列， 33 行，称作像素点 1，将像素点 1 定位在三种分类结果影像和原始影像中，如图 19，第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像地缩放窗口，可以看出，只有最大似然法把该点分到了裂缝和阴影类中，查看该点地波谱剖面曲线图，如20，曲线在 1400nm 处地水分吸取谷不明显，不能判定是否为正常土壤，从原始影像缩放窗口可以看出该像素点受到阴影地影响，所以对于像素点 1，这三种分类方法地分类结果都是可以地.欢迎下载精品学习资源欢迎下载精品学习资源图 19 将像素点 1 定位在三种分类结果影像和原始影像中Figure 19 The pix

40、el dots 1 positioning in the three classification results and original image图 20 像素点 1 地波谱剖面曲线图Figure 20 Spectral profile graph of pixel 1欢迎下载精品学习资源3.3.2 像素点 2选取地第 2 个像素在 25 列， 12 行，称作像素点 2，将像素点 2 定位在三种分类结果影像和原始影像中，如图 21，第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像地缩放窗口，可以看出，只有最小距离法把该点分到了正常土壤中，查

41、看该点地波谱剖面曲线图，如图22，在 1400nm 处没有水分吸取谷，再结合原始影像该点位置地颜色，可以判定该点为裂缝或阴影，所以对于像素点2，马氏距离法和最大似然法地分类结果相对较好.欢迎下载精品学习资源图 21 将像素点 2 定位在三种分类结果影像和原始影像中Figure 21 The pixel dots 2 positioning in the three classification results and original image图 22 像素点 2 地波谱剖面曲线Figure 22 Spectral profile graph of pixel 2欢迎下载精品学习资源3.3.

42、3 像素点 3选取地第 3 个像素在 108 列， 183 行，称作像素点3，将像素点 3 定位在三种分类结果影像和原始影像中，如图第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像地缩放窗口，可以看出，只有最大似然法把该点分到了裂缝和阴影类中，查看该点地波谱剖面曲线图，如图24，在 1400 处有明显地水分吸取谷，可以判定该点为正常土壤，所以对于像素点3，最大似然法地分类结果相对较好.欢迎下载精品学习资源图 23 将像素点 3 定位在三种分类结果影像和原始影像中Figure 23 The pixel dots 3 positioning in t

43、he three classification results and original image.图 24 像素点 3 地波谱剖面曲线图Figure 24 Spectral profile graph of pixel 3欢迎下载精品学习资源3.3.4 像素点 4选取地第 4 个像素在 119 列， 35 行，称作像素点4，将像素点4 定位在三种分类结果影像和原始影像中，如图第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像地缩放窗口，可以看出，只有最大似然法把该点分到了裂缝和阴影类中，查看该点地波谱剖面曲线图，如图，曲线在1400nm 处地水分吸取谷不明显，不能判定是否为正常土壤，从原始影像缩放窗口可以看出该像素点受到阴影地影响，所以对于像素点 4，这三种分类方法地分类结果都是可以地.欢迎下载精品学习资源欢迎下载精品学习