版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
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
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025簡(jiǎn)單家具采購(gòu)合同
- 2024年度施工合同管理要點(diǎn)及建筑材料運(yùn)輸協(xié)議3篇
- 外包生產(chǎn)合同履行流程
- 2025電子產(chǎn)品購(gòu)銷合同英文
- 2024年環(huán)保型鋁合金材料采購(gòu)與環(huán)保技術(shù)交流合同3篇
- 2024外墻涂料施工環(huán)保評(píng)估及治理合同范本3篇
- 天津設(shè)計(jì)創(chuàng)意園區(qū)買賣合同模板
- 建筑拆除工程承包合同
- 2024年勞動(dòng)合同范本:民營(yíng)企業(yè)勞動(dòng)合同標(biāo)準(zhǔn)文本(修訂版)9篇
- 假山墻體綠化施工合同
- 半導(dǎo)體封裝過(guò)程wirebond中wireloop的研究及其優(yōu)化
- 15m鋼棧橋施工方案
- FZ∕T 97040-2021 分絲整經(jīng)機(jī)
- 應(yīng)聘人員面試登記表(應(yīng)聘者填寫)
- T∕CAAA 005-2018 青貯飼料 全株玉米
- s鐵路預(yù)應(yīng)力混凝土連續(xù)梁(鋼構(gòu))懸臂澆筑施工技術(shù)指南
- 撥叉831006設(shè)計(jì)說(shuō)明書
- 10KV高壓線防護(hù)施工方案——杉木桿
- 石油鉆井八大系統(tǒng)ppt課件
- 對(duì)標(biāo)管理辦法(共7頁(yè))
- R語(yǔ)言入門教程(超經(jīng)典)
評(píng)論
0/150
提交評(píng)論