ENVI圖像分類實(shí)驗(yàn)

1、實(shí)驗(yàn)三ENVI圖像分類實(shí)驗(yàn)指導(dǎo)實(shí)驗(yàn)?zāi)康模和ㄟ^(guò)上機(jī)操作，了解遙感圖像分類的幾種常用的分類方法與過(guò)程，熟悉ENVI軟件中圖像分類的方法與分類后處理的過(guò)程。實(shí)驗(yàn)內(nèi)容：1、分類：遙感影像的像元分類方法可以歸納為三類：監(jiān)督分類一一根據(jù)類別的先驗(yàn)知識(shí)確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，先選定一定數(shù)屋的已知類別的樣本訓(xùn)練區(qū)，由訓(xùn)練區(qū)的特征值確定判別函數(shù)中的待定參數(shù)，然后將未知類別的樣本的觀測(cè)值代入判別函數(shù)，在依據(jù)判別準(zhǔn)則對(duì)該樣本的所屬類別做出判定，從而實(shí)現(xiàn)所用地區(qū)的分類。非監(jiān)督分類一沒(méi)有先驗(yàn)知識(shí)，直接把樣本劃分為若干個(gè)類別的方法就是非監(jiān)督分類，或者稱作聚類。它是根據(jù)相似性對(duì)樣本進(jìn)行合并或分離的。常用的非監(jiān)督分類方

2、法主要有兩種：K-均值算法（K-means）和迭代自組數(shù)據(jù)分析算法（ISODATA）。決策樹分類一決策樹分類器是一個(gè)典型的多級(jí)分類器，它由一系列二叉決策樹構(gòu)成，用于將像元?dú)w屬到相應(yīng)的類別。每個(gè)決策樹依據(jù)一個(gè)表達(dá)式將圖像中的像元分為兩類。每一個(gè)新生成的類別又可以根據(jù)其他的表達(dá)式繼續(xù)向下分類。2、分類后處理3、分類精度評(píng)價(jià)實(shí)驗(yàn)數(shù)據(jù)：融合后的SPOT5影像（SPOT5_FusionImage）及其對(duì)應(yīng)的DEM數(shù)據(jù)，影像和DEM經(jīng)過(guò)了精確配準(zhǔn)。其中，融合后的SPOT5影像有3個(gè)波段，R、G、B分別對(duì)應(yīng)NIR（近紅外）、R（紅波段）、G（綠波段）。實(shí)驗(yàn)方法與步驟：監(jiān)督:分類監(jiān)督分類：又稱訓(xùn)練分類法，用樣

3、本像元去識(shí)別其他未知類別像元的過(guò)程。它就是在分類之前通過(guò)目視判讀和野外調(diào)查，對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性有了先驗(yàn)知識(shí)，對(duì)每一種類別選取一定數(shù)量的訓(xùn)練樣本，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣區(qū)的統(tǒng)計(jì)或其他信息，同時(shí)用這些種子類別對(duì)判決函數(shù)進(jìn)行訓(xùn)練，使其符合于對(duì)各種子類別分類的要求,隨后用訓(xùn)練好的判決函數(shù)去對(duì)其他待分?jǐn)?shù)據(jù)進(jìn)行分類。使每個(gè)像元和訓(xùn)練樣本作比較，按不同的規(guī)則將其劃分到和其最相似的樣本類，以此完成對(duì)整個(gè)圖像的分類。遙感影像的監(jiān)督分類一般包扌舌以下6個(gè)步驟：（1）類別定義：根據(jù)分類目的、影像數(shù)據(jù)自身的特征和分類區(qū)收集的信息確定分類系統(tǒng)：（2）特征判別：對(duì)影像進(jìn)行特征判斷，評(píng)價(jià)圖像質(zhì)量，決定是

4、否需要進(jìn)行影像增強(qiáng)等預(yù)處理；（3）樣本選擇：為了建立分類函數(shù)，需要對(duì)每一類別選取一定數(shù)目的樣本；（4）分類器選擇：根據(jù)分類的復(fù)雜度、精度需求等確定哪一種分類器；（5）影像分類：利用選擇的分類器對(duì)影像數(shù)據(jù)進(jìn)行分類，有的時(shí)候還需要進(jìn)行分類后處理;（6）結(jié)果驗(yàn)證：對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。1、樣本（ROI）的選擇與優(yōu)化什么是ROI?ROI就是RegionOfInterest（感興趣區(qū)域），通過(guò)ROI工具，可以在遙感影像上選出任意形狀的區(qū)域作為ROEROI的作用：定義類別、進(jìn)行樣本的選擇。注意：在某影像上畫出的感興趣區(qū)域只屬于該圖像，而不屬于其他圖像（分類前的圖像和分類后的圖像可以共

5、享ROI區(qū)域），即使這兩幅圖像的地理坐標(biāo)系一致，因?yàn)镽OI區(qū)域沒(méi)有附帶坐標(biāo)信息。讓ROI附帶上地理坐標(biāo)信息的最好方法是把ROI區(qū)域轉(zhuǎn)換為矢量格式數(shù)據(jù)（.evf）a注意：在繪制ROI區(qū)域時(shí)要求力求準(zhǔn)確，絕不可以人概繪制。只有做到準(zhǔn)確，才能夠獲得精確的分類結(jié)果。1）訓(xùn)練樣本的提?。≧OI區(qū)的選擇）（1）.顯示要進(jìn)行分類的SPOT5_Fusioiihnage影像。（2）.在Image窗II（主圖像窗1丨）中右鍵選擇RIOtool打開感興趣區(qū)選擇工具。另外,ROItool的打開方式還有ENVI:BasicTools»RegionOfIiiteiest»ROItool,或者在lina

6、ge窗II的菜單欄中選擇Oveilay»RegionofLiteresto圖2圖3ROItool可以進(jìn)行樣本選擇，可以進(jìn)行樣本編輯（名稱，顏色，填充方式等）。選擇樣本時(shí)，樣本選擇越精確，分類結(jié)果越好。（3）.建立4個(gè)分類類別：植被、水體、建設(shè)用地、裸地，并分別為它們選擇感興趣區(qū)（即樣本）。每個(gè)類別至少選擇4個(gè)感興趣區(qū)。并修改樣本的顏色。11KOIToolFileROI_TypeOptions;HelpROINameColorPixelsPolygons植被2,92410/2,924水體Blue9647/964連設(shè)用地Red1.2739兒273*裸地Mag-enta(1,6317/1,

7、631AssigndefaultccblorsWindow：C"*'ImageScrollZoomOffColorsl"20Colors21-40NewRegionGotoStColors41-50WhiteRedBlackSelectAllHideROIe1ShawWs|BlueYellowCyn.圖4提取訓(xùn)練樣本（ROI）的具體操作如下：在圖像窗II上畫出感興趣區(qū)，單擊鼠標(biāo)右鍵確定選擇形狀（此時(shí)可以拖動(dòng)感興趣區(qū)域，用CU1+鼠標(biāo)左鍵可以刪除。單擊滑輪鍵是取消操作。），再次單擊右鍵確定此訓(xùn)練區(qū)（此時(shí)若要?jiǎng)h除訓(xùn)練區(qū)，需要點(diǎn)擊ROITool窗II中的Delete控鍵，

8、此操作將刪除所有該類型的感興趣區(qū)域）。ROITool窗II中將會(huì)顯示選擇區(qū)域的顏色和相關(guān)信息，其中，感興趣區(qū)域名稱（ROIName）和色彩可以修改?？删湍骋活愑?xùn)練區(qū)選擇多個(gè)感興趣區(qū)域。該類訓(xùn)練區(qū)的選擇完成后，點(diǎn)擊ROITool窗II的NewRegion控鍵，再進(jìn)行另一類訓(xùn)練樣本的選擇，其顏色將自動(dòng)改變。按以上操作完成所有訓(xùn)練區(qū)的選擇。（4）.保存訓(xùn)練樣本，命名為TiainingSamples.ioio41ROITool回岡FileR0I_TypeOptionsHelpSelectRegionstoSave:圖5IIllii41-ponpi314P26-JetnRn-H-«Number

9、itemsslect&d；SelectAllItemsClearAllItemsEnterOutputFilenameroiChoose|D：XtempVtest7MlOI_TrainingAClass.roiOKCaneel圖6（5）.用同樣的方法采集測(cè)試樣本。保存，命名為TestSamples.ioi,用作最后的精度評(píng)價(jià)（注意：不要和訓(xùn)練樣本重復(fù)）。2）訓(xùn)練樣本的優(yōu)化（不要求）上述步驟中選擇的某類訓(xùn)練樣本，可能混入了其他類型的樣本，為了提高圖像分類精度,需要対訓(xùn)練樣本進(jìn)行提純。SpectralnDunensionalVisualizerN維散度可視分析，是ENVI比較有特色的功能，

10、可以使樣本更加純凈，提高分類精度。2>進(jìn)行監(jiān)督分類樣本收集完之后，就可以進(jìn)行監(jiān)督分類了。ENVI有9種監(jiān)督分類器：包括平行六面體、最小距離、馬氏距離、最人似然，針對(duì)高光譜有波譜角(SAM)，光譜信息散度，二進(jìn)制編碼，神經(jīng)網(wǎng)絡(luò)分類，支持向量機(jī)分類等：SuperviseAUrtsupervisedDecisionTreeEndbnemberCollectionCreateClassImagefromROIsPostClassification1kParallelepiped平行六面體法杲小距腳法馬氏距腳法最大似然法波譜角(SAT4)法光譜信息散度分類二進(jìn)制編碼法MinimujnDistanc

11、eMahanobisDistanceMaximunLikelihoodSpectralAngleMapperJSpectralInformationDivergenceBinaryEn.cod.ingHeuralNetSupportVectorMachine彳申經(jīng)網(wǎng)絡(luò)分類支持向墾機(jī)分類圖7ENVI的監(jiān)督分類器(1)平行六面體法(Parallelepiped)平行六面體用一條簡(jiǎn)單的判定尺度對(duì)多光譜數(shù)據(jù)進(jìn)行分類。判定邊界在圖像數(shù)據(jù)空間中，形成了一個(gè)N維平行六面體。平行六面體的維數(shù)由來(lái)自每一種選擇類別的平均值的標(biāo)準(zhǔn)差的閾值確定。如果像元值位于N個(gè)被分類波段的低閾值與高閾值之間，則將它歸屬到這一類。如

12、果像元值位于多個(gè)類別中，ENVI將把該像元?dú)w并到最后一個(gè)匹配的類別中。沒(méi)有落在平行六面體任何一類中的區(qū)域被稱為無(wú)類別的。分類步驟(其他分類方法類似)：(1) 選擇Classification>Supervised>Parallelepipedo(2) 選擇要進(jìn)行分類的影像(SPOT5_Fusioiilniage)。欽ClassificationInputFile圖8(3)設(shè)置分類參數(shù)，選擇訓(xùn)練樣本（S亡lectAllItems）：圖9注：在不同分類方法所生成的規(guī)則影像中，像元值代表了不同的信息。例如:分類方法規(guī)則影像像元值平行六面體(Parallelepiped)滿足平行六面體準(zhǔn)則

13、的波段數(shù)最小距離(MinimumDistance)到類中心的距離和最)<似然(MaximumLikeliliood)像元屬于該類的概率馬氏距離(MalialanobisDistance)到類中心的距離二值編碼(BiliaryEncoding)二值匹配成功的百分比波譜角(SpectralAngleMapper)以弧度為單位的波譜角(越小的波譜角表明與參考波譜相匹配的越好)(4) .點(diǎn)擊OK,保存分類結(jié)果。(5) .打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。(6) .重復(fù)以上過(guò)程，設(shè)置不同的閾值，比較分類結(jié)果。(2)最小距離法(MinimumDistance)最小距

14、離法通過(guò)計(jì)算每個(gè)未知像元到每類樣本的歐幾里德距離來(lái)決定像元?dú)w屬，所有像元都將被歸為距離最近的一類。(1) 選擇Classification>Supervised>MinimumDistanceo(2) .選擇要進(jìn)行分類的影像(SPOT5_FusioiiIniage)<>(3) 設(shè)置分類參數(shù)，選擇訓(xùn)練樣本(SMectAllI忙ms)：liniMUBDistancePara>etersSelectClassesfromRegions:鎧被Grm2924points水體Blue964points建謖用地Red1273points裸地MQgQntJ1631point占Ou

15、tputResulttodFileMemoryEnterOutputClassrilenameChoose|rCompressNum'bero£itemsselected：4SelectAllItemsIClearAllItemsOutputKuleImages?SetMaxstdevfromMeanOutputResulttoFileMerrioryNon屯"SingleValueEnterOutputBuleFilenameChooseMgxstdevfromMeanOKQueueCancelHelpPreview注：如果在"SetNaicStdevF

16、romMean"和"SatMaxDistanceError"文本框中都設(shè)走了國(guó)值，分類時(shí)就用兩者中較小的一個(gè)來(lái)判定哪些像元將被分類.如果對(duì)于所有參數(shù)都選擇,則所有像元都將被分類.圖10注：標(biāo)準(zhǔn)差和最人距離誤差如果不設(shè)定，即用默認(rèn)值，則所冇像元都被歸為最近的一類;若設(shè)定了標(biāo)準(zhǔn)差和最人距離誤差，則會(huì)出現(xiàn)一些像元因不滿足選擇的標(biāo)準(zhǔn)，而成為“無(wú)類別”。閾值是根據(jù)輸入數(shù)據(jù)的范I韋I而定的，一般都通過(guò)研究規(guī)則圖像的直方圖來(lái)設(shè)定合適的閾值。(4) .點(diǎn)擊OK,保存分類結(jié)果。(5) .打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。(6) .重復(fù)以上過(guò)程，設(shè)置

17、不同的閾值，比較分類結(jié)果。(3).馬氏距離法(MahalanobisDistance)馬氏距離分類是一個(gè)應(yīng)用了每個(gè)類別統(tǒng)計(jì)信息的方向靈敏的距離分類器。它與最人似然分類相似，但是假定所有類別的協(xié)方差是相等的，所以是一種較快的分類方法。除非用戶限定了一個(gè)距離閾值(這時(shí)，如果一些像元不在閾值內(nèi)，就會(huì)被劃為無(wú)類別)，所有像元都將被歸到最鄰近的類。(1) 選擇Classification>Supervised>MalialanobisDistanceo(2) .選擇要進(jìn)行分類的影像(SPOT5_FusionImage)。(3)設(shè)置分類參數(shù)，選擇訓(xùn)練樣本(SelectAllItems)：無(wú)Ma

18、halanobisDis七anceParaaeters岡圖11（4）.點(diǎn)擊OK,保存分類結(jié)果。（5）.打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。（6）重復(fù)以上過(guò)程，設(shè)置不同的閾值，比較分類結(jié)果。(4)【大似然法（MaximumLikelihood）最人似然分類假定每個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，并計(jì)算給定像元屬于某一特定類別的似然度。除非選擇一個(gè)似然度閾值，所有像元都將被分類。每一個(gè)像元被歸并到似然度最大的那一類中。(1)(2).(3)選擇Classification>Supervised>maximumlilkelilioodo選擇要進(jìn)行分類的影像(S

19、POT5_Fusioiilniage)。設(shè)置分類參數(shù),選擇訓(xùn)練樣本(SelectAllItems)：欽IaxiauMLikelihoodPara>etersSelectClassesfromRegions：植被Green2924points水體Blue964points建設(shè)用地Red1273points裸地t?1631pointsOutputResuittoFile1MemoryEnterOutputClassFilenameChoose|廠CompressNumberofitemsselected：4SelectAllItemsClearAllItemsOutputRuleImages

20、?SetProbabilityThreshold1NoneQSingleValue設(shè)置似然度餌值（0-1）.似然度<1、于該值的像元不被分入該類.OutputResulttoWFile<MemoryEnterOutputRuleFilenameChooseProbabilityThreshold0KQueueCancelHelpDataScaleFactor255.00圖12Datascalefactor：數(shù)據(jù)比例系數(shù)。這個(gè)比例系數(shù)是一個(gè)比值系數(shù)，用于將整型反射率或輻射率數(shù)據(jù)轉(zhuǎn)化為浮點(diǎn)型數(shù)據(jù)。例如：如果反射率數(shù)據(jù)在范W0-10000之間縮放，則設(shè)定的比例系數(shù)就為10000O對(duì)于沒(méi)行

21、定標(biāo)的整型數(shù)據(jù)，將比例系數(shù)設(shè)為該儀器所能測(cè)量的最人值2叮，n為儀器的bit容量，例如：對(duì)于8-bit儀器，設(shè)定的比例系數(shù)為255,對(duì)于10-血儀器（如NOAA12AVHRR）,設(shè)定的比例系數(shù)為1023,對(duì)于11-b”儀器（如IKONOS）,設(shè)定的比例系數(shù)為2047。在最人似然分類中，規(guī)則圖像（每類一幅圖像）包含一個(gè)滿足修正了的CImSquared概率分布的最大似然判別函數(shù)。規(guī)則圖像的值越高，說(shuō)明像元屬于該類的町能性越大。最后的分類結(jié)果就是將每個(gè)像元都?xì)w到可能性最大的類中。（4）.點(diǎn)擊OK,保存分類結(jié)果。（5）.打開分類結(jié)果圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。（6）.重復(fù)以上

22、過(guò)程，設(shè)置不同的閾值，比較分類結(jié)杲。（5）.波譜角分類(SpectralAngleMapper）波譜角分類（SAM）是一個(gè)基于自身的波譜分類，它是在n維空間將像元與參照波譜進(jìn)行匹配。這一算法是通過(guò)計(jì)算波譜間的角度（將它們作為具有維數(shù)等于波段數(shù)特征的空間矢屋進(jìn)行處理），判定兩個(gè)波譜間的相似度。SAM把端元波譜矢量和像元矢量放在n維空間中進(jìn)行角度比較。較小的角度代表像元照波譜匹配緊密。大于指定的最大弧度閾值的像元不被分入該類。（1）選擇Classification>Supervised>SpectralAngleMapper-（2）選擇要進(jìn)行分類的影像（SPOT5_FusioiiIni

23、age）。（3）.選擇端元波譜：端元波譜可以從ASCH文件、波譜庫(kù)、ROI均值或統(tǒng)計(jì)文件中輸入。在此選擇中ROI輸入：EndAeftberCollecti.MdxFileImportFilefromMaskfroniWave：from&ornAlgoritknOptioreHelpASCIIfile.ASCIIfile(previcueterripla.tw)ASBbinaryfile.SpectralLibraryfile.froniROI/EVJfroirifromSte.file.fromPlotWindow£.fromROI/EVTfrominputfile.(fro

24、mEndjriem'berCollect!onfile.>1SJEutAll|Plot|Ee：LEte：|圖13選擇ROI：End>eaiberCollect!.-.(DfxFileImportAlgorithmOptionsHelpFile：SP0T5_FiiEiorLEmage.ti£(FullSeeite)Mask：<CnoneselectedWveliigth：<none>3"bands(13)SpeatriunNajneColor1植被Green2924pointsGreen2水體Blu*964pointsBLu3建設(shè)用地Re

25、d1273pointRed4裸地Magenta1631pointMagenta£.i.il>.丫：1|SelectA11|SPlotDelete圖14（4）設(shè)置分類參數(shù):圖15（5）.點(diǎn)擊OK,保存分類結(jié)果。（6）.打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。（7）重復(fù)以上過(guò)程，設(shè)置不同的閾值，比較分類結(jié)果。(6)二進(jìn)制編碼(BinaryEncoding)二進(jìn)制編碼分類技術(shù)根據(jù)波段是低于波譜平均值，還是高于波譜平均值，將數(shù)據(jù)和端元波譜編碼為0和1。使用“異或”邏輯函數(shù)對(duì)每一種編碼的參照波譜和編碼的數(shù)據(jù)波譜進(jìn)行比較，生成一幅分類圖像。除非指定了一個(gè)最小匹配

26、閾值（這時(shí)，如果一些像元不符合標(biāo)準(zhǔn)，它們將不參與分類）所有像元被分類到與其匹配波段最多的端元一類中。（1）選擇Classification>Supervised>BmaiyEncoding。（2）.選擇要進(jìn)行分類的影像（SPOT5_FusionImage）。（3）設(shè)置分類參數(shù)，選擇訓(xùn)練樣本（S亡lectAllItems）：欽BinaryEncodingPara>etersSelectClassesfromRegions:M被體設(shè)地植水建裸snntiinsooointpp*.1co1*0734P262-1*1*94261-TJ-yaTJetnRn66rLeOutputResul

27、ttoQFile<'MemoryEnterOutputClassFilenameChoose1CompressNumberofitemsselected：4SelectAllItemsIClearAllItemsOutputRuleImages?SetMinimumEncodingThreshold廠None<SingleValue廠必須匹配的波段數(shù)的攝小百分比(H)OutputResultto"File<'MemoryEnterOutputRuleFilenameChooseMinimumEncodingThresholdOKQueueCancel

28、Help圖16(4) .點(diǎn)擊OK,保存分類結(jié)果。(5) .打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。重復(fù)以上過(guò)程，設(shè)置不同的閾值，比較分類結(jié)呆。(7)神經(jīng)網(wǎng)絡(luò)分類(NeuralNet)使用NeuralNet選項(xiàng)可以應(yīng)用一個(gè)分層的正向(feed-forward)神經(jīng)元網(wǎng)絡(luò)分類。該技術(shù)在進(jìn)行監(jiān)督學(xué)習(xí)時(shí)使用標(biāo)準(zhǔn)的后向傳播技術(shù)(backpiopagatioii)o用戶可以選擇所用的隱藏層的數(shù)量，也可以在對(duì)數(shù)和雙曲線活化(activation)函數(shù)之間選擇所需函數(shù)。由于調(diào)整節(jié)點(diǎn)中的權(quán)重可以使輸出節(jié)點(diǎn)活化與所需的輸出結(jié)果間的差異達(dá)到最小化，因此神經(jīng)元網(wǎng)絡(luò)技術(shù)利用該方法對(duì)發(fā)生的事件

29、進(jìn)行學(xué)習(xí)。在學(xué)習(xí)過(guò)程中，誤差在網(wǎng)絡(luò)中后向傳播，同時(shí)使用遞歸法調(diào)整權(quán)重。也可以使用神經(jīng)元網(wǎng)絡(luò)來(lái)進(jìn)行一個(gè)非線性分類。(1) 選擇Classification>Supervised>NeuralNeto(2) .選擇要進(jìn)行分類的影像(SPOT5_FusionImage)。(3) 設(shè)置分類參數(shù)，選擇訓(xùn)練樣本(S比ctAllItems)：變HeuralNetParaaetersSelectClassesfromRegions:i譏ppi310734P261A1A26TJTJ9dasntNumberofitemsselected；SelectAllItemsClearAllItems渤港函數(shù)類

30、型：Activation®Lgistic'*Hyperbolic權(quán)重分配：1=；學(xué)習(xí)率：卜TrainingThresholdContributionTrainingRate°2000TrainingMomentum|0-9000NumberofMiddenLayers11隱藏層的逾量JNuinberofTrainingHteratioz1°°°訓(xùn)絨的迭代次數(shù)MinOutput久ctixtionThresholdOutputResultto(File<Memor杲小輸出潮活餌值。如果被分類像元的渤活值小于該餌值，該像元將被歸入未另類

31、EnterOutputClassFilename廠CompressOutputRuleImages?OutputResultto"Tile如果輸出規(guī)則因像，則毎一類生成一幅規(guī)則國(guó)橡。像元值為毎個(gè)像元的輸出戲活值。TrainingRMSExitCriteri01°°°EnterOutputRuleFilenameChooseRMS誤差為何值時(shí),訓(xùn)繡應(yīng)該惇止。0KQueueICancelHelp圖17（4）.點(diǎn)擊OK,保存分類結(jié)果。（5）.打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。（8）支持向量機(jī)分類（SupportVectorMa

32、chines）支持向量機(jī)（Supportvectormachine,SVM）的理論基礎(chǔ)就是統(tǒng)計(jì)學(xué)習(xí)理論。SVM是數(shù)據(jù)挖掘中的一個(gè)新方法，能非常成功地處理回歸問(wèn)題（時(shí)間序列分析）和模式識(shí)別（分類問(wèn)題、判別分析）等諸多問(wèn)題，并可推廣于預(yù)測(cè)和綜合評(píng)價(jià)等領(lǐng)域，因此可應(yīng)用于理科、工科和管理等多種學(xué)科。SVM在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。(1) .選擇Classification>Supervised>SupportVectorMachines。(2) .選擇要進(jìn)行分類的影像(SPOT5_FusionImage)。(

33、3) .設(shè)置分類參數(shù)，選擇訓(xùn)練樣本(SelectAllItems)：圖18（4）.點(diǎn)擊OK,保存分類結(jié)果。（5）打開分類結(jié)果圖像和未分類圖像，Lnikdisplays,檢查分類結(jié)果。二、非監(jiān)督分類非監(jiān)督分類也稱為聚類分析或點(diǎn)群分類。在多光譜圖像中搜尋、定義其自然相似光譜集群的過(guò)程。它不必對(duì)影像地物獲取先驗(yàn)知識(shí)，僅依靠影像上不同類地物光譜（或紋理）信息進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別來(lái)達(dá)到分類的目的，最后對(duì)已分出的各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)。目前比較常見也較為成熟的非監(jiān)督分類方法是ISODATAsK-means等。遙感影像的非監(jiān)督分類一般包括以下6個(gè)步驟：ISODATA謹(jǐn)狀方法卩其他卩Decisi

34、onTreeCollecticrrCreateCla.ssIffiagefrorriROIsUitEupervisedPostClassification圖19非監(jiān)督分類流程影像分析：分析影像，大體上判斷主要地物的類別數(shù)量。分類器選擇：選擇一個(gè)合適的分類方法。影像分類：設(shè)置好分類器的參數(shù)對(duì)影像進(jìn)行分類。類別定義：一般需要多設(shè)置幾個(gè)類別，之后重新判別與合并非監(jiān)督分類的結(jié)果。分類重編碼：對(duì)定義好類別的重新定義類別LD。結(jié)果驗(yàn)證：對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。在ENVI中，通過(guò)主菜單Classification>unsupeivised,有兩種方法供選擇：ISODATA和K-Me

35、aiioSupervised.圖201、ISODATA方法（迭代自組織數(shù)據(jù)分析技術(shù)）:(1) .選擇Classification>Unsupeivised>ISODATAo(2) .選擇要進(jìn)行分類的影像(SPOT5_FusionImage)。(3) .設(shè)置分類參數(shù)：圖21Muumum#Pixelinclass：如果某一類中的像元數(shù)小于該值，則該類將被刪除，其中的像元被歸并到距離最近的類中。MaximumClassStdv:最人分類標(biāo)準(zhǔn)差（DN值方式）。如杲某一類的標(biāo)準(zhǔn)差比該閾值大，該類將被拆分成兩類。MinimumClassDistance:類均值之間的最小距離。Maximum#M

36、ergePairs:合并成對(duì)的最多數(shù)。如果類均值之間的距離小于MaxmiumClassStdv,則類別將被合并。被合并的成對(duì)類別數(shù)的最人值由Maximum#MergePairs”文本框中輸入的參數(shù)設(shè)定。如果這些可選參數(shù)的數(shù)值都已經(jīng)輸入，分類就用兩者中較小的一個(gè)，來(lái)判定將參與分類的像元。如果兩個(gè)參數(shù)都沒(méi)有輸入，則所有像元都將被分類。（6）.點(diǎn)擊OK,保存分類結(jié)果。（7）打開分類結(jié)呆圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。重復(fù)以上過(guò)程，設(shè)置不同的參數(shù)，并分析它們對(duì)分類結(jié)果的影響。（8）.如果分類效果較好，就可以定義分類類別：1 .打開原始影像，與分類結(jié)果進(jìn)行疊加分析，確定分類類別。

37、在Overlay中選擇Classification：2選擇分類結(jié)杲:圖22數(shù)InteractiveClassToolInputFile岡圖23圖243進(jìn)行類別重定義，編輯類別名稱和顏色:聖42InteractiveClassTool回岡FileEditActiveOnOn17OnOnHelpClasOptions圖25圖26FileEditOptionsHelpActiveClassJlTnclassifiedjlTnclassifiedrOn水體廠On裸地廠On廠On廠OziIOn植被植被遂設(shè)用地圖274保存分類重定義結(jié)果：圖282、K-means方法:分類步驟與ISODATA方法類似。(1

38、) 選擇Classification>Unsupervised>K-meanso(2) .選擇要進(jìn)行分類的影像(SPOT5_FusionImage)。(3) 設(shè)置分類參數(shù)：雲(yún)K-IeansPara*eters圖29當(dāng)每一類的像元數(shù)變化小于閾值Changethreshold%。100）時(shí)，用變化閾值來(lái)結(jié)束迭代過(guò)程。MaximumClassStdv：最人分類標(biāo)準(zhǔn)差（用十進(jìn)制），如果一類的標(biāo)準(zhǔn)差比這一閾值大，則這一類將被拆分成兩類。（4）.點(diǎn)擊OK,保存分類結(jié)果。（5）打開分類結(jié)果圖像和未分類圖像，Lmkdisplays,檢查分類結(jié)果。重復(fù)以上過(guò)程，設(shè)置不同的參數(shù)，并分析它們對(duì)分類結(jié)果的

39、影響。（6）.定義分類類別（ISODATA方法分類結(jié)果兩者選一）。三、決策樹分類（把書分為5類，把原先的耕地分為兩個(gè),林地和耕地）基于知識(shí)的決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)，通過(guò)專家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單的數(shù)學(xué)統(tǒng)計(jì)和歸納方法等，獲得分類規(guī)則并進(jìn)行遙感分類。分類規(guī)則易于理解，分類過(guò)程也符合人的認(rèn)知過(guò)程。它的最人的特點(diǎn)是利用的多源數(shù)據(jù)，可以充分利用其他數(shù)據(jù)，如DEM、行政區(qū)劃圖、道路網(wǎng)、土地利用圖、林相圖等作為分類的輔助數(shù)據(jù)。如下圖所示，影像+DEM就能區(qū)分緩坡和陡坡的植被信息，如果添加其他數(shù)據(jù)，如區(qū)域圖、道路圖土地利用圖等，就能進(jìn)一步劃分出那些是自然生長(zhǎng)的植被，那些是公園植被。高山植被公園用地

40、LandcoverClassification專家分類提供了土地利用而不僅僅是土地覆蓋圖30專家知識(shí)決策樹分類器說(shuō)明圖專家知識(shí)決策樹分類的步驟大體上可分為四步：知識(shí)（規(guī)則）定義、規(guī)則輸入、決策樹運(yùn)行和分類后處理。學(xué)EBVIDecxsioxiTree圖31ENVI的決策樹分類器本實(shí)驗(yàn)的規(guī)則如下描述：第一層：將影像分為兩類，R波段人于0.3且R>NIR為水體，其它的繼續(xù)細(xì)分；第二層：NDVI>0,分為植被。其它為非植被。第三層：植被中，坡度>2.2為林地，坡度<=2.2為耕地。非植被中，b3<146的為裸地，其它為建設(shè)用地。分類步驟：1、把分類圖像SPOT5_Fusi

41、oiiIiiiage和這個(gè)地區(qū)對(duì)應(yīng)的DEM數(shù)據(jù)加載到可用波段列表中。2、輸入決策樹規(guī)則：(1)打開主菜單->classification->DecisionTree->BuildNewDecisionTree,如圖所示，默認(rèn)顯示了一個(gè)節(jié)點(diǎn).SupervisedUnzupervised|DecisionTreekBuildNewDecisionTree|EndbnemberCollection'EditstingDecisionTreeCreat-aCIaseImfromROIsExecut-aExistingDeeisionTreePostClassification

42、1圖32圖33DecisionTree界面(2).編輯第一層節(jié)點(diǎn)：首先我們用R波段人于0.3且R>NIR劃分第一個(gè)節(jié)點(diǎn)。單擊Nodel,跳出卜圖對(duì)話框，Name為b2<70andbl<b2,在Expression中填寫：b21t70andblgtb2。點(diǎn)擊OK確定。圖34(3)點(diǎn)擊OK后，會(huì)提示你給b2、bl指定數(shù)據(jù)源，如下圖所示，單擊第一列中的變量，在對(duì)話框中選擇相應(yīng)的數(shù)據(jù)源，這樣就完成第一層節(jié)點(diǎn)規(guī)則輸入。圖35b2：書SelectBandtoAssociateTithVariable*b2SelectInputBand：旦回dem.ti£口Band1畝僚MapI

43、nfo-囲ISrOT5_FusiCRrLEmage.ti£jR+®MapIrEqOKCancelPreviousOpenbl：BandInformstion：File：山學(xué)習(xí)資科軟件教程enviE!MMBims：2297xSize：BytefileType:SensorType：ByteOrd.er:Prjeetion:Pi«a:Datumft'ayelength1782x3BIP12,298,747bytes.TIJFUnknownHosttintel)GEOTIFF(Transver5eMercAtor2.5MetersIMAGINEGeoTIFFSu

44、pportCopyrNoneUpperLeftCorner:lz1Pescriptiw：GEO-TIFFfileImportedintoEHVIMonApr1317:13:022009圖36完成第一個(gè)Nock的定義:圖37圖38(4)定義第一層分類得到的類別（Wate門水體）的屬性（名稱，顏色）：圖39注：Expression中的表達(dá)式是有變量和運(yùn)算符(包括數(shù)學(xué)函數(shù))組成，支持的運(yùn)算符如表1所示表1運(yùn)算符表達(dá)式部分可用函數(shù)基本運(yùn)算符+、/三角函數(shù)正弦Sin(x).余弦cos(x)、正切tan(x)反正弦Asin(x)、反余弦acos(x)、反正切atan(x)雙曲線正弦Smh(x)、雙曲線余弦

45、cosh(x)、雙曲線正切taiili(x)關(guān)系/邏輯小于LT、小于等于LE、等于EQ、不等于NE、大于等于GE、大于GTand、oi、not、XOR最大值(>)、最小值(<)指數(shù)(八)、自然指數(shù)exp自然對(duì)數(shù)對(duì)數(shù)alog(x)其他符號(hào)以10為底的對(duì)數(shù)aloglO(x)整形取整round(x)、ceil(x)平方根(sqrt)、絕對(duì)值(adb)ENVI決策樹分類器中的變量是指一個(gè)波段的數(shù)據(jù)或作用于數(shù)據(jù)的一個(gè)特定函數(shù)。變量名必須包含在大括號(hào)中，即變量名：或者命名為bx(如bl),x代表數(shù)據(jù)，比如哪一個(gè)波段。如果變量被賦值為多波段文件，變量名必須包含一個(gè)寫在方括號(hào)中的下標(biāo)，表示波段數(shù)，

46、比如pc2表示主成分分析的第一主成分。ENVI中支持的特定變量名如表2所示。表2變量表達(dá)式變量作用slope計(jì)算坡度aspect計(jì)算坡向ndvi計(jì)算歸一化植被指數(shù)Tascapn穗帽變換，n表示獲取的是哪一分量。pcn主成分分析，n表示獲取的是哪一分量。lpcn局部主成分分析，n表示獲取的是哪一分量。nmfn最小噪聲變換，n表示獲取的是哪一分量。Lninfln局部最小噪聲變換，n表示獲取的是哪一分量。Stdevfn波段n的標(biāo)準(zhǔn)差lStdevn波段n的局部標(biāo)準(zhǔn)差Meann波段n的平均值lMeaiin波段n的局部平均值Mmnxniaxn波段n的最大、最小值IMinn、linaxfn波段n的局部最大、

47、最小值（5）設(shè)置第二層的節(jié)點(diǎn):圖40（6）編輯第二層的節(jié)點(diǎn)，在Expression中輸入ndvigt0：圖41（7）單擊NDVL指定用來(lái)計(jì)算NDVI的波段:圖42完成了第二層節(jié)點(diǎn)的編輯:圖43（8）同理，設(shè)置第三層節(jié)點(diǎn):圖44（9）.為b3指定波段:圖45（10）在此節(jié)點(diǎn)分出建設(shè)用地和裸地這兩類。編輯類別屬性:圖46圖47(11)用同樣的方法編輯第三層的另一個(gè)節(jié)點(diǎn)，利用DEM的坡度信息分出林地和耕地:圖48選擇dem數(shù)據(jù)：slopeblndvig專Variable/FilePairingsJ旦兇口叵I岡G：SPOTSJ®jislonLnyc.t:£R：SP0IS_T>

48、!l5lonlnNu.tj£S?0T5_FiisioiilnaetifB：SPCQ5_FnsLonLnyc.t:fSelectFiletA2$uciatcvithVaxiable*slope*SelectFiletA2$uciatcvithVaxiable*slope*YvAter0(0.0W)slopea2.20©00筑Class50(Q.00%)圖49圖50(12)編輯林地和耕地的類別屬性：圖51將所有的規(guī)則輸入完畢:叵）岡b2v70andb1vb20(0.00%)b3v146slope>2.2穀EHVIDecisionTreeFileOptionsHelp圖52

49、注：如果還要修改變量所對(duì)應(yīng)的波段，如下圖進(jìn)行修改:聖EWVIDecisionTreeHelpRotateViewZoomInZoomOutAssignDefaultCl455ValuesShowVariable/FileFairingsChangeOutputParameters.Execute圖533、保存建立好的決策樹:圖544、執(zhí)行決策樹：選擇Options->Execute,執(zhí)行決策樹，跳出下圖所示對(duì)話框，選擇輸出結(jié)果的投影參數(shù)、重采樣方法、空間裁剪范圍（如需要）、輸出路徑，點(diǎn)擊OK,得到?jīng)Q策樹分類結(jié)果。圖555、打開分類結(jié)果圖像和未分類圖像，Luikdisplays,檢查分類結(jié)

50、果。分類后處理分類后處理包括的很多的過(guò)程，都是些可選項(xiàng)，包括更改類別顏色、分類統(tǒng)計(jì)分析、小斑點(diǎn)處理（類后處理）、柵矢轉(zhuǎn)換等操作。ClassificationPostClassification圖56分類統(tǒng)計(jì)：Classification一PostClassificationClassStatistics：包括每一類的點(diǎn)數(shù)、最小值、最大值、平均值以及類的每個(gè)波段的標(biāo)準(zhǔn)差等。其中每一類的最小值、最大值.平均值以及標(biāo)準(zhǔn)差可以以圖的方式進(jìn)行顯示。可以顯示出每一類的直方圖，并且計(jì)算其協(xié)方差矩陣、相關(guān)矩陣、特征值和特征矢量等J類別集群：ClassificationPostClassification一Cl

51、umpClasses：細(xì)小塊的合并，將一些碎塊進(jìn)行合并。類的合并：ClassificationPostClassification一CombineClasses：將分過(guò)的類進(jìn)行選擇性的合并，可以合并為一類或幾類。圖57圖58 修改類的顏色：ToolsolorMapping_lasscolormapping：當(dāng)一個(gè)分類后的圖像被導(dǎo)入一個(gè)顯示窗11時(shí)，每類自動(dòng)呈現(xiàn)出不同的顏色。每類的顏色與監(jiān)督分類中選擇的感興趣區(qū)的顏色或非監(jiān)督分類中預(yù)先選擇的每類顏色相對(duì)應(yīng)。未分類區(qū)域在圖像中呈黑色，可以改變每類的顏色。 類的疊合：Classification_PostClassification_veilavClass：用一幅彩色合成影像或灰階影像生成一幅影像地圖，并且類的顏色疊置在一起，輸出一幅3波段的RGB圖像。分類結(jié)果的矢量輸出：ClassificationPostClassificationClassestoVectorLayers：將選擇的類變換為矢量多邊形進(jìn)行輸出，輸出做GIS分析等。Window：ScrollScrollWindowpImageAvailableVectorLayersFileOverlayEnhanceToolsWindow*RW(k»ean23)91K-Ieans(SP0T5_FusionlBage.tif):-CurrentLayer|C