遥感原理实验报告4数字图像与计算机解译.docx

《遥感原理实验报告4数字图像与计算机解译.docx》由会员分享，可在线阅读，更多相关《遥感原理实验报告4数字图像与计算机解译.docx（13页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、优质文本?遥感原理?实 验 报 告 实验名称 ： 遥感数字图像 计算机解译 专 业 ： 地理信息科学 学 号 ： 姓 名 ： 指导老师 ： 1、 实验目的1了解并掌握非监督分类的过程和方法；2了解并掌握最大似然比分类法的过程和方法。2、 实验材料ENVI5.13、 实验内容与过程3.1非监督分类首先翻开ENVI 5.1，然后点击 ,翻开待分类影像tmsub.img，在Layer Manager中右击图像选择Change RGB Bands改变显示波段5-4-3，之后选择进行影像分析，大体上估计影像主要类别的数量。一般非监督分类的分类数量比最终分类数量多23倍为宜，这样有利于提高分类精度。然后进

2、行非监督分类，在软件右侧Toolbox/Classification /Unsupervised Classification,然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的Classification Input File对话框中选择tmsub.img ，如下列图；注：分类器的选择 IsoData重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据新均值，对像元进行再分类。K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象来进

3、行计算的，然后迭代地重新配置他们，完成分类过程。 点击ok，弹出ISODATA Paramenters对话框，分类的数量Number of Classes:5-15因为该幅影像最终想要分5类，迭代次数 Maximum Iterations：20迭代次数越多越精确，同样处理的也较慢，其他的阈值、最小像素、标准差等都保持默认设置就可以，然后选择输出路径和文件名，设置参数如下列图：点击ok，软件开始分类，下列图为自动分类后的图：然后进行类别合并，选择Toolbox/Classification/Post Classification/Combine Classes,在弹出的对话框中选择非监督分类后的

4、影像点击ok，把同一类合并成一类，如下列图，点击ok后，选择输出文件和Remove Empty Class 选择YES，可以得到结果。合并之后，Class1是河流，Class2是居民地，Class3是裸地，Class4是植被，Class5是道路。 因为软件无法精确识别，而居民地和河流分支颜色极为靠近，所以在居民地和河流划分的地方出现了一些问题，河流分支划分到了居民地。分类统计分析、小斑点处理、栅矢转换都可以在Toolbox /Classification/Post Classification中找到，请参考ENVI Classic非监督分类流程，这里不再一一阐述。3.2监督分类第一步：类别定义

5、/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根底。启动ENVI5.1，翻开待分类数据：tmsub.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。通过目视可分辨五类地物：河流、居民地、裸地、植被、道路。第二步：样本选择1在图层管理器Layer Manager中，can_tmr.img图层上右键，选择New Region Of Interest，翻开Region of Interest (ROI)

6、Tool面板，下面学习利用选择样本。1在Region of Interest (ROI) Tool面板上，设置以下参数：ROI Name:河流ROI Color:0,255,2552默认ROIs绘制类型为多边形，在影像上区分林地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Complete and Accept Polygon，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这样就为河流选好了训练样本。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Edit record是修改样

7、本，点击Delete record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Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本感兴趣区双击鼠标。2在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复河流样本选择的方法，分别为居民地、裸地、植被、道路4类选择样本；3如下列图为选好的样本：4计算样本的可别离性。在Region of Interest (ROI) Tool面板上，选择OptionComput

8、e ROI Separability，在Choose ROIs面板，将几类样本都打勾，点击OK；Input File: tmsub.img ROI Name: (Jeffries-Matusita, Transformed Divergence) 河流: 居民地: (1.99941483 1.99999874) 裸地: (1.99999878 2.00000000) 植被: (2.00000000 2.00000000) 道路: (1.99978704 2.00000000) 居民地: 河流: (1.99941483 1.99999874) 裸地: (1.99800805 1.99999972

9、) 植被: (1.97956130 1.99688753) 道路: (1.66712392 1.99999735) 裸地: 河流: (1.99999878 2.00000000) 居民地: (1.99800805 1.99999972) 植被: (1.99401315 1.99979413) 道路: (1.87275169 1.98268023) 植被: 河流: (2.00000000 2.00000000) 居民地: (1.97956130 1.99688753) 裸地: (1.99401315 1.99979413) 道路: (1.84289250 1.97692724) 道路: 河流:

10、(1.99978704 2.00000000) 居民地: (1.66712392 1.99999735) 裸地: (1.87275169 1.98268023) 植被: (1.84289250 1.97692724) Pair Separation (least to most); 居民地 and 道路 - 1.66712392 植被 and 道路 - 1.84289250 裸地 and 道路 - 1.87275169 居民地 and 植被 - 1.97956130 裸地 and 植被 - 1.99401315 居民地 and 裸地 - 1.99800805 河流 and 居民地 - 1.99

11、941483 河流 and 道路 - 1.99978704 河流 and 裸地 - 1.99999878 5N维可视化根据右边各个颜色点的聚集程度查看样本选择是否合理，不合理的情况下可以调整。6表示各个样本类型之间的可别离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在02.0之间，大于1.9说明样本之间可别离性好，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。注：1、在图层管理器Layer Manager中，可以选择需要修改的训练样本。2、在Region of Interest (

12、ROI) Tool面板上，选择Options Merge (Union/Intersection) ROIs，在Merge ROIs面板中，选择需要合并的类别，勾选Delete Input ROIs。7在图层管理器中，选择Region of interest ，点击右键，save as，保存为.xml格式的样本文件。注：1、早期版本的感兴趣文件格式为.roi，新版本的为.xml，新版本完全兼容.roi文件，在Region of Interest (ROI) Tool面板上，选择翻开.xml或.roi文件。2、新版本的.xml样本文件感兴趣区文件可以通过，Export to Classic菜单保

13、存为.roi文件。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Minimum Distance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

14、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Mahalanobis Distance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Maximum Likelihood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Neural Net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Support

15、Vector Machine支持向量机分类Support Vector Machine或SVM是一种建立在统计学习理论Statistical Learning Theory或SLT根底上的机器学习方法。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Spectral Angle Mapper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比照，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拟简单，在Toolbox/Cl

16、assification/Supervised Classification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/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击OK，按照默认设置参数输出分类结果。支持向量机分类器参数设置支持向量机分类结果第五步：分类后处理包括更改类别颜色、分类后统计、小斑块处理、栅矢转换等。第六步：精度验证对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比拟常用

17、的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比拟抽象。真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区验证样本区。两种方式的选择都可以通过主菜单-Classification-Post Classification-Confusion Matrix或者ROC Curves来选择。真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原那么是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。1在Data Manager中，分类样本上右键选择Close，将分类样

18、本从软件中移除2直接利用ROI工具，跟分类样本选择的方法一样，即重复第二步，在TM图上选择6类验证样本。注：可直接，翻开tmusb验证样本.roi。3在Toolbox中，选择/Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类结果，软件会根据分类代码自动匹配，如不正确可以手动更改。点击OK后选择报表的表示方法像素和百分比，点击OK，就可以得到精度报表。注：监督分类中的样本选择和分类器的选择比拟关键。在样本选择时，为了更加清楚的查看地物类型，可以适当的对图像做一些增强处理，如主成分分析、

19、最小噪声变换、波段组合等操作，便于样本的选择；分类器的选择需要根据数据源和影像的质量来选择，比方支持向量机对高分辨率、四个波段的影像效果比拟好。4、 心得体会在这局部内容里我主要学习到了图像分类方法。图像分类方法分为两类：监督分类和非监督分类。监督分类包括利用训练区样本建立判别函数的“学习过程和把待分像元代入判别函数进行判别的过程。监督分类对训练场地的选取具有一定要求：训练场地所包含的样本在种类上要与待分区域的类别一致。训练样本应在各类目标地物面积较大的中心选取，这样才有代表性。如果采用最大似然法，分类要求各变量正态分布，因此训练样本应尽量满足这一要求。训练样本的数目应能够提供各类足够的信息和

20、克服偶然因素的影响。训练样本最少要满足能够建立分类用判别函数的要求。所需个数与所采用的分类方法、特征空间的维数、各类的大小与分布有关，如最大似然法的训练样本个数至少要n+1个n是特征空间的维数，这样才能保证协方差矩阵的非奇异性。非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征，非监督分类方法不必对影响地物获取先验知识，仅依靠影像上不同类地物光谱信息或纹理信息进行特征提取，再统计特征的差异来到达分类的目的，最后对已分出的各个类别的实际属性进行确认。非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成假设干类别，即“物以类聚。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。这次实验中我觉得遇到的最大问题便是实验操作问题，光靠课本知识是不够的，于是我上网查阅了局部资料，才使得实验顺利完成，其实实验中还有很多漏洞，比方监督分类中的分类很简单，其实还可以再详细一点，有几条河流分支未设置取样点，导致划分到道路中的错误。同时，在比照了监督分类和非监督分类后，我觉得监督分类的准确度要远远高于非监督分类，虽然消耗的时间比拟多，但到达了非监督分类所不能到达的精度，防止了一些专业性的错误。