遙感影像分類方法實(shí)驗(yàn)報(bào)告

./實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)報(bào)告目錄TOC\o"1-3"\h\u224241實(shí)驗(yàn)?zāi)康?139662實(shí)驗(yàn)數(shù)據(jù)475933實(shí)驗(yàn)容475094實(shí)驗(yàn)步驟5318804.1對(duì)人口矢量數(shù)據(jù)〔shapefile進(jìn)行投影轉(zhuǎn)換532574.1.1Census.shp文件投影坐標(biāo)的檢查 5147144.1.2將投影坐標(biāo)轉(zhuǎn)換為WGS_1984_UTM_Zone_16N 6100314.2對(duì)遙感影像進(jìn)行幾何精校正〔以經(jīng)過投影變換的人口矢量數(shù)據(jù)為基準(zhǔn)677634.2.1Census.shp在ENVI軟件的加載 6254854.2.2對(duì)遙感影像進(jìn)行幾何精校正〔以矢量數(shù)據(jù)為基準(zhǔn) 745154.2.3用矢量圖層對(duì)遙感影像進(jìn)行裁剪 10217624.3將Pan波段和多光譜波段進(jìn)行融合,并對(duì)融合效果進(jìn)行定性和定量評(píng)價(jià)1133784.3.1兩種融合方法的原理11235964.3.2進(jìn)行Gram-SchmidtSpectralSharpening融合11197924.3.4融合效果進(jìn)行定性評(píng)價(jià)14208894.3.5融合效果進(jìn)行定量評(píng)價(jià)<軟件提供的計(jì)算方法>15101924.3.6融合效果進(jìn)行定量評(píng)價(jià)<Matlab編程計(jì)算>16321034.3.7遙感影像融合定量分析代碼20121924.4生成住房密度柵格影像2333074.4.1兩表的連接 23128924.4.2計(jì)算房屋密度 24323854.4.3直接?xùn)鸥窕?25182614.4.4IDW插值 25319944.4.5對(duì)房屋密度圖進(jìn)行重分類 2691804.5將住房密度柵格影像作為額外的通道與ETM+多光譜波段進(jìn)行疊加26120864.6監(jiān)督分類〔融合方法為HSV,波段為5,4,327181294.6.1打開GoogleEarth影像作為監(jiān)督分類的參照 27261064.6.2建立興趣區(qū) 29240054.6.3訓(xùn)練樣區(qū)的選擇 3084444.6.4訓(xùn)練樣區(qū)的評(píng)價(jià) 3162064.6.5執(zhí)行監(jiān)督分類 33280864.6.6分類后處理 354574.6.7評(píng)價(jià)結(jié)果分析 37300894.6.8分類結(jié)果面積統(tǒng)計(jì) 385244.6.9分類結(jié)果 41323044.7分類結(jié)果評(píng)價(jià)與分析41230254.7.1未加入房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析 41303574.7.2加入IDW插值房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析 42285764.7.3加入直接?xùn)鸥窕课菝芏葓D層的分類結(jié)果評(píng)價(jià)與分析 43152394.7.4加入重分類后IDW插值房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析 4417714.7.5從總精度與Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià) 45232654.7.6分類結(jié)果總體評(píng)價(jià) 46128744.7.7與其他訓(xùn)練樣區(qū)的分類精度和Kappa系數(shù)的計(jì)算 4843824.8決策樹分類49267894.8.1決策樹分類原理 49236724.8.2數(shù)據(jù)預(yù)處理 49200884.8.3指數(shù)的計(jì)算 5166514.8.4執(zhí)行決策樹 54299794.8.5不同參數(shù)設(shè)置的對(duì)比 5710775實(shí)驗(yàn)體會(huì)60105385.1實(shí)驗(yàn)中存在的問題60267335.2軟件平臺(tái)使用63290375.3實(shí)驗(yàn)總結(jié)631實(shí)驗(yàn)?zāi)康蘑僬莆誂rcGIS10和ENVI4.7對(duì)遙感圖像處理的基本操作與原理②熟悉幾何精校正的方法,掌握ENVI軟件對(duì)遙感影像進(jìn)行幾何精校正③掌握全色波段與多光譜波段的融合方法和原理,學(xué)會(huì)對(duì)融合效果進(jìn)行定性定量分析④熟悉掌握ArcGIS的柵格化方法和IDW插值方法⑤熟悉監(jiān)督分類的方法和基本原理,掌握ENVI軟件中進(jìn)行監(jiān)督分類⑥了解監(jiān)督分類后評(píng)價(jià)過程,對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和分析⑦掌握Erdas的空間建模方法以及原理⑧了解RuleGen算法,掌握決策樹分類方法2實(shí)驗(yàn)數(shù)據(jù)①帶屬性數(shù)據(jù)的shapefile：Census.shp②帶有陸地面積字段的矢量圖層：③GoogleEarth_原始拼接：GE1005211134.jpg④研究區(qū)域的多光譜波段數(shù)據(jù)：Stack_b1-6162-7.img⑤研究區(qū)域的全色波段數(shù)據(jù)：b8.img⑥監(jiān)督分類參照影像：GoogleEarth3實(shí)驗(yàn)容①對(duì)人口矢量數(shù)據(jù)〔shapefile進(jìn)行投影轉(zhuǎn)換：WGS_1984_UTM_Zone_16N②對(duì)遙感影像進(jìn)行幾何精校正〔以經(jīng)過投影變換的人口矢量數(shù)據(jù)為基準(zhǔn)：〔1對(duì)多光譜波段〔30m空間分辨率進(jìn)行幾何精校正〔小于0.25個(gè)像元；〔2對(duì)Pan波段〔15m空間分辨率進(jìn)行幾何精校正〔小于0.25個(gè)像元；③將Pan波段和多光譜波段進(jìn)行融合〔自選至少一種融合算法,并對(duì)融合效果進(jìn)行定性和定量評(píng)價(jià)；④生成住房密度柵格影像：〔1直接?xùn)鸥窕弧?IDW插值；⑤將住房密度柵格影像作為額外的通道〔或波段與ETM+多光譜波段進(jìn)行疊加；⑥進(jìn)行監(jiān)督分類和分類后處理〔Post-Classification,ExpertRules⑦利用ERDAS軟件的空間建?！睸patialModeler進(jìn)行水體信息〔MNDWI指數(shù)和植被信息〔NDVI指數(shù)的提取；⑧利用"自動(dòng)閾值決策樹分類算法"進(jìn)MarionCounty的土地利用/覆蓋分類信息提取〔使用的數(shù)據(jù)：原始各波段+MNDWI+NDVI+ISODATA等,或其他有益的波段組合①探討"自動(dòng)閾值決策樹分類算法"中的各個(gè)參數(shù)意義及如何設(shè)置更合理②對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)與分析⑨對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和分析；4實(shí)驗(yàn)步驟4.1對(duì)人口矢量數(shù)據(jù)〔shapefile進(jìn)行投影轉(zhuǎn)換4.1.1Census.shp文件投影坐標(biāo)的檢查根據(jù)實(shí)驗(yàn)要求,人口矢量數(shù)據(jù)〔shapefile進(jìn)行投影坐標(biāo)應(yīng)為：WGS_1984_UTM_Zone_16N在ArcGIS軟件的圖層右擊Properties,在LayerProperties的Source下查看投影信息,如圖1。得到Census.shp的投影坐標(biāo)為：GCS_North_American_1983,與實(shí)驗(yàn)要求不符合,需進(jìn)行投影轉(zhuǎn)換。圖14.1.2將投影坐標(biāo)轉(zhuǎn)換為WGS_1984_UTM_Zone_16N在Arcgis軟件的工具箱中的DefineProjection工具,設(shè)置輸入數(shù)據(jù)為：Census.shp,坐標(biāo)系統(tǒng)為GCS_WGS_1984,在工具箱中的工具,設(shè)置輸入數(shù)據(jù)：Census.shp,導(dǎo)入遙感影像的投影坐標(biāo)系,即GCS_WGS_1984〔如圖2。圖24.2對(duì)遙感影像進(jìn)行幾何精校正〔以經(jīng)過投影變換的人口矢量數(shù)據(jù)為基準(zhǔn)4.2.1Census.shp在ENVI軟件的加載在ENVI軟件中,File->OpenVectorFile,選擇Census.shp,設(shè)置好參數(shù),生成evf文件〔如圖3。圖34.2.2對(duì)遙感影像進(jìn)行幾何精校正〔以矢量數(shù)據(jù)為基準(zhǔn)在ENVI分別打開遙感影像img和矢量文件vef,選擇Map->Registration->SelectGCPs:imagetomap,以矢量數(shù)據(jù)為基準(zhǔn),設(shè)置好投影,如圖4。圖4在ENVI中,在zoom窗口下采集控制點(diǎn),這次實(shí)驗(yàn)采集的控制點(diǎn)數(shù)為13個(gè),控制點(diǎn)的主要定位在道路與道路之間的交叉點(diǎn),如圖5,其控制點(diǎn)的RMSError為0.246390,如圖6,如圖7為20個(gè)控制點(diǎn)的采集情況。圖5圖6圖7選擇校正參數(shù)輸出結(jié)果,在GroundControlPointsSelection窗口選擇Option->WarpFile,如圖8；數(shù)學(xué)模型為Polynomial,設(shè)定參數(shù)為2,從采樣方法為最臨近法,如圖9。圖8圖9如圖10、11為幾何校正前后,矢量圖層與遙感影像吻合度的對(duì)比,可以明顯看出,經(jīng)過幾何校正后的遙感影像與矢量圖層吻合程度有明顯的改善,有部分水體邊界不吻合,這主要是由于水體會(huì)隨時(shí)間而改變；而街區(qū)與道路吻合程度良好。圖10圖11如圖12為對(duì)多光譜波段〔30m空間分辨率進(jìn)行幾何精校正后的遙感影像；如圖13為對(duì)Pan波段〔15m空間分辨率進(jìn)行幾何精校正后的遙感影像。圖12圖134.2.3用矢量圖層對(duì)遙感影像進(jìn)行裁剪在ENVI中打開Census.shp文件,將該圖層轉(zhuǎn)換成ROI,如圖14。圖14通過ROI進(jìn)行裁剪遙感影像,選擇BasicTools->SubsetDataviaROIs；選擇轉(zhuǎn)換好的ROI進(jìn)行裁剪,如圖15。圖15同樣,對(duì)pan波段的遙感影像進(jìn)行裁剪,得到遙感影像如圖16。圖164.3將Pan波段和多光譜波段進(jìn)行融合,并對(duì)融合效果進(jìn)行定性和定量評(píng)價(jià)4.3.1兩種融合方法的原理Gram-Schmidt可以對(duì)具有高分辨率的高光譜數(shù)據(jù)進(jìn)行銳化。①?gòu)牡头直媛实牟ㄗV波段中模擬出一個(gè)全色波段。②對(duì)該全色波段和波譜波段進(jìn)行Gram-Schmidt變換,其中模擬的全色波段被作為第一個(gè)波段。③用Gram-Schmidt變換后的第一個(gè)波段替換高空間分辨率的全色波段。④應(yīng)用Gram-Schmidt反變換構(gòu)成pan銳化后的波譜波段。Gram-SchmidtSpectralSharpening方法進(jìn)行圖像增強(qiáng)能夠比較好的保留原多光譜圖像的光譜信息,使遙感影像的融合保留多光譜影像的增強(qiáng)效果。用PC可以對(duì)具有高空間分辨率的光譜圖像進(jìn)行銳化。①先對(duì)多光譜數(shù)據(jù)進(jìn)行主成分變換。②用高分辨率波段替換第一主成分波段,在此之前,高分辨率波段已被縮放匹配到第一主成分波段,從而避免波譜信息失真。③進(jìn)行主成分逆變換。函數(shù)自動(dòng)地用最近鄰、雙線性或三次卷積技術(shù)將多光譜數(shù)據(jù)重采樣到高分辨率像元尺寸。4.3.2進(jìn)行Gram-SchmidtSpectralSharpening融合在ENVI軟件中,選擇Transform->ImageSharpening->Gram-SchmidtSpectralSharpening,在SelectLowSpatialResolutionMultiBandInputFile中選擇Stack_b1-6162-7_CJ.img多光譜波段,SpatialSubset為FullScene,SpectralSunset為8個(gè)波段,如圖17。圖17在SelectHighSpatialResolutionPanInputFile窗口中選擇b8_CJ.img全色波段,如圖18。圖18SelectMethodforLowResoutionPan選擇AverageofLowResolutionMultispectralFile：利用多光譜波段的平均值來模擬低分辨率的全色波段。Resampling選擇NearestNeighbor,OutputResult選擇保存路徑,如圖19。圖194.3.3進(jìn)行PCSpectralSharpening融合

在ENVI軟件中,選擇Transform->ImageSharpening->PCSpectralSharpening,在SelectLowSpatialResolutionMultiBandInputFile中選擇Stack_b1-6162-7_CJ.img多光譜波段,SpatialSubset為FullScene,SpectralSunset為8個(gè)波段,如圖20。圖20在SelectHighSpatialResolutionPanInputFile窗口中選擇b8_CJ.img全色波段,如圖21。圖21Resampling選擇NearestNeighbor,OutputResult選擇保存路徑,如圖22。圖224.3.4融合效果進(jìn)行定性評(píng)價(jià)如圖23為原始遙感影像與經(jīng)過Gram-SchmidtSpectralShaping處理后的影像。圖23從圖23,我們可以得到,Gram-SchmidtSpectralShaping處理后的影像總體上來說分辨率有很大的提高,清晰度高,光譜信息比較豐富,但顏色的匹配還不是很理想,整個(gè)影像的色調(diào)基本上一致,呈現(xiàn)出泛紅的現(xiàn)象,地物之間的辨別基本上是通過影像上的灰度信息,而色彩提供的信息量較少,區(qū)分度不高。如圖24為原始遙感影像與經(jīng)過PCSpectralSharpening處理后的影像。圖24從圖24,我們可以得到,PCSpectralSharpening處理后的影像清晰度高,涵蓋的地物信息量大,顏色的畸變很小,和Gram-SchmidtSpectralShaping處理的影像效果類似,顏色的匹配還不是很理想,整個(gè)影像的色調(diào)基本上一致,呈現(xiàn)出泛紅的現(xiàn)象,色彩不夠豐富。在水域的地方顏色與原來的為黑色變成了青色,顏色變化差異較大。定性評(píng)價(jià)結(jié)論,從圖23、24,我們可以了解到提高空間分辨率效果最好的是Gram-SchmidtSpectralShaping；光譜變化較小的是PCSpectralSharpening,但在水域的區(qū)域上,Gram-SchmidtSpectralShaping保持這原始影像的色彩。4.3.5融合效果進(jìn)行定量評(píng)價(jià)<軟件提供的計(jì)算方法>在實(shí)驗(yàn)中,波段的選取為4,3,2波段。在主窗口中,右擊選擇ZProfile,對(duì)比三個(gè)影像的情況<如圖25>。圖25從圖25,我們可以得到,經(jīng)過融合后,在Value上都有所增加,band1從90->100；說明了融合后影像的亮度信息提高了。但PC和GS兩者的Value通過圖上很難分辨出區(qū)別。圖26XProfile圖27YProfile在ENVI4.7軟件中,選擇BasicTools->Stayistics->ComputeStatistics,如圖28。圖28如表1為原始影像、PC融合后影像和GS融合后影像的部分統(tǒng)計(jì)參數(shù)。表1圖29 圖30從圖29、30,兩折線圖上我們可以直觀的了解原始影像、PC融合后影像和GS融合后影像在亮度信息上的關(guān)系。在均值上,PC融合影像和GS融合影像均有所增加,但是從幅度上來看,PC融合影像的均值增加的幅度較大,較GS融合影像更有利于目視判讀。在方差上,與原始影像相比較PC融合影像的方差有所增加,而GS融合影像的方差大幅下降,不利于目視判讀。因此,在亮度指標(biāo)上最好的為PC融合,其次為GS融合。4.3.6融合效果進(jìn)行定量評(píng)價(jià)<Matlab編程計(jì)算>此次實(shí)驗(yàn)從融合影像的亮度信息,清晰程度,光譜保持程度,信息豐富程度等多角度進(jìn)行評(píng)價(jià)分析,相比傳統(tǒng)的單一定量評(píng)價(jià)全面,能夠減少評(píng)價(jià)的隨機(jī)性,使得定量評(píng)價(jià)更加科學(xué)全面。主要通過4方面進(jìn)行統(tǒng)計(jì)分析：①亮度信息,針對(duì)融合后影像亮度信息進(jìn)行評(píng)價(jià),主要包括均值和標(biāo)準(zhǔn)差等指標(biāo)。②清晰度,評(píng)價(jià)融合影像的清晰程度,主要包括平均梯度和空間頻率等指標(biāo)。③光譜信息,評(píng)價(jià)融合后影像的光譜變形情況,包括扭曲程度,相關(guān)系數(shù)等指標(biāo)。④信息量,評(píng)價(jià)融合后信息量的保持或增加程度,主要包括信息熵,交叉熵和互信息等指標(biāo)。以下公式中,影像函數(shù)為Z<X,Y>,影像的行數(shù)和列數(shù)分別為M和N,影像的大小則為M×N。4.3.6.1亮度信息均值<z>影像均值是像素的灰度平均值,對(duì)人眼反映為平均亮度。如果均值適中,則影像效果良好,其定義為:標(biāo)準(zhǔn)差<σ>標(biāo)準(zhǔn)差反映了影像灰度相對(duì)于灰度平均值的離散情況,在某種程度上,標(biāo)準(zhǔn)差也可用來評(píng)價(jià)影像反差的大小。若標(biāo)準(zhǔn)差大,則影像灰度級(jí)分布分散,影像的反差大,可以看出更多的信息,其公式為：方差<D>方差反映了灰度相對(duì)于灰度均值的離散情況,方差越大,則灰度級(jí)分布越分散。此時(shí),圖像中所有灰度級(jí)出現(xiàn)的概率越趨于相等,從而包含的信息量趨于越大。方差計(jì)算公式為：4.3.6.2清晰度平均梯度<G>平均梯度可敏感地反映影像對(duì)微小細(xì)節(jié)反差表達(dá)的能力,可用來評(píng)價(jià)影像的清晰程度,還可同時(shí)反映出影像中微小細(xì)節(jié)反差和紋理變化特征,其計(jì)算公式為：空間頻率<SF>空間頻率反映了一幅影像空間的總體活躍程度,空間頻率越大,說明融合效果越好。它包括空間行頻率RF和空間列頻率CF組成,其公式為：總體的空間頻率值取RF和CF的均方根,即：4.3.6.3光譜信息扭曲程度<D>扭曲程度D是指融合影像F像素灰度平均值與源影像A像素灰度平均值之差,也可以說是融合影像與源影像的差值影像的灰度平均值,它的表達(dá)式為：它反映融合影像和源多光譜影像在光譜信息上的差異大小和光譜特性變化的平均程度。相關(guān)系數(shù)<ρ>融合影像與源影像的相關(guān)系數(shù)能反映兩幅影像光譜特征的相似程度,其定義如下：其中,f和a分別為融合影像與源影像的均值。通過比較融合前后的影像相關(guān)系數(shù)可以看出多光譜影像的光譜信息的改變程度。4.3.6.4信息量信息熵<E>影像的信息熵值是衡量影像信息豐富程度的一個(gè)重要指標(biāo)。對(duì)于一幅單獨(dú)的影像,其灰度分布為,為灰度值等于i的像素?cái)?shù)與影像總像素?cái)?shù)之比。根據(jù)Shannon信息論的定理,一幅影像的信息熵為:融合影像的熵越大,融合影像所含的信息越豐富,融合質(zhì)量越好。交叉熵<C>交叉熵可以用來測(cè)定兩幅影像灰度分布的信息差異。設(shè)源影像和融合影像的灰度分布分別為：和,則交叉熵定義為:交叉熵是評(píng)價(jià)兩幅影像差別的重要指標(biāo),它直接反映了兩幅影像對(duì)應(yīng)像素的差異。對(duì)融合影像前的源影像和融合結(jié)果影像求交叉熵,即可得到融合影像與源影像的差異。差異越小,則該融合方法從源影像提取的信息量越多?；バ畔?lt;MI>互信息是信息論中的一個(gè)重要概念,它可作為兩個(gè)變量之間相關(guān)性的量度,或一個(gè)變量包含另一個(gè)變量的信息量的量度。F與A,B的互信息分別表示為和：式中：,和分別是A,B和C的概率密度；和分別代表兩組影像的聯(lián)合概率密度?；バ畔⒌闹翟酱?表示融合影像從源影像中獲取的信息越豐富,融合效果越好。通過定量評(píng)價(jià)分析對(duì)2種融合方法進(jìn)行評(píng)價(jià)。評(píng)價(jià)容包括亮度信息、清晰度、光譜信息和信息量等4個(gè)方面。試驗(yàn)證明這些評(píng)價(jià)參數(shù)能夠很好地反映遙感影像融合效果。融合結(jié)果參數(shù)評(píng)價(jià)指標(biāo)見表所示。亮度信息清晰度均值方差標(biāo)準(zhǔn)差平均梯度空間頻率b873.0791488.295122.09743.46829.0288Stack90.48971488.73338.58417.645620.0627PC90.67711464.02738.26266.107315.398GS90.53151474.09938.39406.134415.4558光譜信息信息量扭曲程度相關(guān)系數(shù)信息熵交叉熵互信息b85.5133Stack6.8639PC0.18750.87336.87130.23680.0409GS0.04190.88586.90860.77940.04051>亮度信息由表第一列亮度信息可以看出2種融合方法的均值有所降低,方差和標(biāo)準(zhǔn)差有所增加；2>清晰度由表第二列可以看出,3種融合方法的平均梯度和空間頻率都小于原始的多光譜影像,說明融合后的結(jié)果影像減少了細(xì)節(jié)紋理信息,使影像的清晰度降低了。3>光譜信息依據(jù)表中的第三列可以看出GS融合扭曲程度最小,而相關(guān)系數(shù)最大,因此GS融合的光譜信息保持得最好。4>信息量通過信息熵可以看出GS融合所得的結(jié)果信息量最大；從交叉熵看到,GS融合和PC融合的結(jié)果交叉熵依次減小,說明融合后的結(jié)果影像與源影像對(duì)應(yīng)像素差異也依次減小,即GS融合保留原始圖像信息量最多,PC融合保留最少；從互信息也可以得到同樣規(guī)律。而通過定性評(píng)價(jià)分析不能得出圖像攜帶的信息量,它僅僅是通過比較分析圖像的亮度信息進(jìn)行比較評(píng)價(jià)的。4.3.7遙感影像融合定量分析代碼Dfusion=imread<'C:\Users\Administrator\Desktop\RS1\GS.tif'>;Dlow=imread<'C:\Users\Administrator\Desktop\RS1\Stack_b1-6162-7_CJ.tif'>;Dhigh=imread<'C:\Users\Administrator\Desktop\RS1\b8_CJ.tif'>;[rh,ch]=size<Dhigh>;Dlowh=imresize<Dlow,[rh,ch],'bicubic'>;mean=mean2<Dlow>;%均值meanf=mean2<Dfusion>;DIF=abs<meanf-mean>; %扭曲程度Std=std2<Dfusion>; %標(biāo)準(zhǔn)差Std2=std2<Dlowh>;Ds=Std^2; %方差Dl=Std2^2;D3=abs<Ds-Dl>; %求差方差p=imhist<Dfusion<:>,8>/numel<Dfusion<:>>;r=entropy<Dfusion<:>>;%信息熵c=corr2<Dfusion<:>,Dlowh<:>>; %相關(guān)系數(shù)h1=diff<Dfusion>;%求影像差分,反映圖像清晰度h=mean2<h1>;g1=diff<Dlow>;g=mean2<g1>;G=h-g;%求融合后影像與原影像差分差值s=size<size<Dlow>>;%交叉熵ifs<2>==3;%判斷是灰度圖還是RGBf1=rgb2gray<Dlow>;f2=rgb2gray<Dfusion>;else f1=Dlow; f2=Dfusion;endG1=double<f1>;G2=double<f2>;[m1,n1]=size<G1>;[m2,n2]=size<G2>;m2=m1;n2=n1;X1=zeros<1,256>;X2=zeros<1,256>;result=0;%統(tǒng)計(jì)兩圖各灰度級(jí)像素fori=1:m1 forj=1:n1 X1<G1<i,j>+1>=X1<G1<i,j>+1>+1; X2<G2<i,j>+1>=X2<G2<i,j>+1>+1; endendfork=1:256 P1<k>=X1<k>/<m1*n1>; P2<k>=X2<k>/<m1*n1>; if<<P1<k>~=0>&<P2<k>~=0>> result=P1<k>*log2<P1<k>/P2<k>>+result; endendf=results=size<size<Dlow>>;%互信息ifs<2>==3;%判斷是灰度圖還是RGBa=rgb2gray<Dlow>;b=rgb2gray<Dfusion>;enda=double<Dlow>;b=double<Dfusion>;[Ma,Na]=size<a>;[Mb,Nb]=size<b>;M=min<Ma,Mb>;N=min<Na,Nb>;%初始化直方圖數(shù)組hab=zeros<256,256>;ha=zeros<1,256>;hb=zeros<1,256>;%歸一化ifmax<max<a>>~=min<min<a>> a=<a-min<min<a>>>/<max<max<a>>-min<min<a>>>;else a=zeros<M,N>;endifmax<max<b>>-min<min<b>> b=<b-min<min<b>>>/<max<max<b>>-min<min<b>>>;else b=zeros<M,N>;enda=double<int16<a*255>>+1;b=double<int16<b*255>>+1;%統(tǒng)計(jì)直方圖fori=1:M forj=1:N indexx=a<i,j>; indexy=b<i,j>; hab<indexx,indexy>=hab<indexx,indexy>+1; %聯(lián)合直方圖 ha<indexx>=ha<indexx>+1; %a圖直方圖 hb<indexy>=hb<indexy>+1; %b圖直方圖 endend%計(jì)算聯(lián)合信息熵hsum=sum<sum<hab>>;index=find<hab~=0>;p=hab/hsum;Hab=sum<sum<-p<index>.*log<p<index>>>>;%計(jì)算a圖信息熵hsum=sum<sum<ha>>;index=find<ha~=0>;p=ha/hsum;Ha=sum<sum<-p<index>.*log<p<index>>>>;%計(jì)算b圖信息熵hsum=sum<sum<hb>>;index=find<hb~=0>;p=hb/hsum;Hb=sum<sum<-p<index>.*log<p<index>>>>;%計(jì)算a和b的互信息mi=Ha+Hb-Hab%計(jì)算a和b的歸一化互信息mi1=hab/<Ha+Hb>; img=double<img>;%平均梯度%Getthesizeofimg[r,c,b]=size<img>;dx=1;dy=1;fork=1:bband=img<:,:,k>;[dzdx,dzdy]=gradient<band,dx,dy>;s=sqrt<<dzdx.^2+dzdy.^2>./2>;g<k>=sum<sum<s>>/<<r-1>*<c-1>>;endoutval=mean2<g>;[m,n]=size<Dfusion>; %空間頻率s=size<size<Dfusion>>;ifs<1>==3;%判斷是灰度圖還是RGBimg=rgb2gray<Dfusion>;endimg=double<img>;rf=0.00;cf=0.00;fori=1:mforj=2:nrf=rf+<img<i,j>-img<i,j-1>>*<img<i,j>-img<i,j-1>>;endendRF=rf/<m*n>;fori=2:mforj=1:ncf=cf+<img<i,j>-img<i-1,j>>*<img<i,j>-img<i-1,j>>;endendCF=cf/<m*n>;MSF=<RF+CF>.^<1/2>;4.4生成住房密度柵格影像4.4.1兩表的連接在ArcGIS軟件中,選擇OpenAttributeTable中查看屬性數(shù)據(jù),其中,沒有該圖層的面積字段。因此需要進(jìn)行有陸地面積的表格進(jìn)行連接,如圖31。圖31在JoinData數(shù)據(jù)中選擇兩表連接的屬性分別為STFID和BLKIDFP00,如圖32。圖324.4.2計(jì)算房屋密度創(chuàng)建房屋密度字段hou_den,并進(jìn)行字段計(jì)算,公式為：hou_den=[HSE_UNITS]*1000000/[ALAND00]其中,[HSE_UNITS]為各街區(qū)房屋單元數(shù),[ALAND00]為各街陸地面積,單位平方米。乘以1000000是為將房屋密度的單位轉(zhuǎn)換為個(gè)/平方千米,如圖33。圖334.4.3直接?xùn)鸥窕贏rcGIS工具箱中選擇工具PolygontoRaster,輸入柵格數(shù)字的字段為hou_den,輸出柵格大小為15m,如圖34。圖344.4.4IDW插值在ArcGIS工具箱中選擇工具FeaturetoPoint,不勾選Inside,將選擇多邊形的中心點(diǎn)作為生成的點(diǎn),如圖35。圖35在ArcGIS軟件的空間分析模塊中,打開IDW插值方法的窗口,對(duì)房屋密度的點(diǎn)圖進(jìn)行插值,選擇字段為hou_den,輸出柵格大小15m,如圖36。圖364.4.5對(duì)房屋密度圖進(jìn)行重分類在ArcGIS軟件的空間分析模塊中,打開Reclassify,如圖37,將房屋密度分為0-400,400-1300,>1300三個(gè)級(jí)別。IDW插值房屋密度圖和直接?xùn)鸥窕课菝芏葓D的重分類結(jié)果分別如圖38、圖39。圖37圖38圖394.5將住房密度柵格影像作為額外的通道與ETM+多光譜波段進(jìn)行疊加在ArcGIS10軟件中,分別將兩種方法生成的住房密度柵格影像數(shù)據(jù)導(dǎo)出,格式為dat,如圖40。圖40在Arcgis10軟件中,分別把ras、Re_ras、idw和Re_idw導(dǎo)出成dat文件。在ENVI4.7軟件中,分別打開影像和房屋密度柵格圖,選擇BasicTools->LayerStacking,如圖41。圖41在LayerStackingParameters窗口中,點(diǎn)擊ImportFile將idw.dat和HSV文件導(dǎo)入,設(shè)置保存路徑和投影坐標(biāo)〔如圖42。圖424.6監(jiān)督分類〔融合方法為HSV,波段為5,4,34.6.1打開GoogleEarth影像作為監(jiān)督分類的參照使用Envi的GoogleEarthBridge將遙感影像和街區(qū)矢量圖層導(dǎo)入GoogleEarth,以便在GoogleEarth尋找參考影像時(shí)更快定位。在ENVI4.7軟件中,選擇Spectral->SPEARTools->GoogleEarthBridge,如圖43。圖43在GoogleEarthBridge窗口中,選擇添加的遙感影像E:\大三下\RS&GIS\Data\作業(yè)\數(shù)據(jù)處理\HSV,如圖44,點(diǎn)擊NEXT進(jìn)入下一步,設(shè)置遙感影像顯示的參數(shù),選擇5、4、3波段進(jìn)行彩色顯示,如圖45,點(diǎn)擊NEXT進(jìn)入下一步,同樣添加矢量圖層,如圖46,保存路徑為E:\大三下\RS&GIS\Data\作業(yè)\數(shù)據(jù)處理\柵格數(shù)據(jù)\GoogleEarthBridge.kml。圖44 圖45圖464.6.2建立興趣區(qū)在ENVI4.7軟件中,分別打開HSV.img和重分類后的直接?xùn)鸥窕课菝芏葓D,并為兩個(gè)窗口建立其同步,如圖47。圖47打開興趣區(qū)模版,選擇Overlay->RegionofInterest,打開ROITool,如圖48。圖48在ROITool窗口中,我們可以對(duì)ROIName和Color進(jìn)行編輯,雙擊ROIName的區(qū)域,可以對(duì)訓(xùn)練樣區(qū)進(jìn)行名字的修改,右擊Color可以選擇訓(xùn)練樣區(qū)的顏色,如圖49,windows選擇Zoom窗口,即只能在Zoom中選擇訓(xùn)練樣區(qū)；在#1Zoom窗口中,我們鼠標(biāo)左鍵選擇訓(xùn)練樣區(qū),右擊確定,第二次右擊即保存該訓(xùn)練樣區(qū),如圖50。圖49圖50在ROITool窗口中,點(diǎn)擊NewRegion建立其新的ROI樣區(qū),Goto可以跳轉(zhuǎn)各個(gè)訓(xùn)練樣區(qū),就可以對(duì)其進(jìn)行修改,在實(shí)驗(yàn)中,我們將分成11類,進(jìn)行監(jiān)督分類,如：water,ransportation,forest,commercial,grass,industrial,cropland,fallow,residential-H,residential-M,residential-L,共11類,如圖51。圖514.6.3訓(xùn)練樣區(qū)的選擇訓(xùn)練樣區(qū)的選擇依據(jù),如圖52,〔aCommercial,〔bindustial,〔ctransportation,〔dhigh-densityresidential,<e>medium-densityresidential,<f>low-densityresidential。圖524.6.4訓(xùn)練樣區(qū)的評(píng)價(jià)4.6.4.1分離性的定量分析在ROITool窗口中,選擇Options->ComputeROISeparability,計(jì)算樣本的可分離性。如圖53,表示各個(gè)樣本類型之間的可分離性,用Jeffries-Matusita,TransformedDivergence參數(shù)表示,這兩個(gè)參數(shù)的值在0~2.0之間,大于1.9說明樣本之間可分離性好；小于1.8大于1.4屬于合格樣本；小于1.4需要重新選擇樣本；小于1,考慮將兩類樣本合成一類樣本。圖53圖54從分離性的數(shù)據(jù)中,我們可以得到,transportation、industial和commercial這三類的分離性PairSeparation都小于1,兩兩分離性分別為0.66428386、0.81190866和1.27089663,可知這三類的分離效果較差,即使經(jīng)過多次的訓(xùn)練樣區(qū)的選擇,效果也是一樣,因此在實(shí)驗(yàn)中,將這三類合并為urban一類。而L_residential和H_residential的分離性只有1.03427042,H_residential和M_residential的分離性只有1.15958190,M_residential和L_residential的分離性只有1.26650863其原因主要是在住宅圍干擾因素,且周圍的環(huán)境類似。4.6.4.2分離度的定性分析在ROITool窗口中,選擇File->ExportROIston-DVisualizer,從多維視圖進(jìn)行訓(xùn)練樣區(qū)分離性的定性分析,如圖55,56。圖55圖56從圖54,在n-DControls窗口中,選擇1,2,3分別為波段5,4,3,點(diǎn)擊Start,在n-DVisualizer窗口中的像元點(diǎn)會(huì)自動(dòng)從從多個(gè)方位來給我們展示分離情況。同樣我們可以在此窗口中對(duì)其分離性進(jìn)行修改,對(duì)像元進(jìn)行重新歸類,在n-DControls窗口中,在Class中選擇將歸類的顏色,在n-DVisualizer窗口中選擇分離效果較低的像元點(diǎn),或者混合的像元點(diǎn),右擊確定,如圖57。圖57在ROITool窗口中,選擇Option->MergeRegions,將transportation、industial和commercial這三類訓(xùn)練樣區(qū)進(jìn)行合并,如圖58。圖584.6.5執(zhí)行監(jiān)督分類選擇classification->Supervised->MaximumLikelihood,ENVI給我提供了四種多光譜監(jiān)督分類的方法,分別為平行六面體、最小距離、馬氏距離以及最大似然,在此次實(shí)驗(yàn)中,我們選擇MaximumLikelihood〔最大似然法進(jìn)行監(jiān)督分類,如圖59。圖59在ClassificationInputFile窗口中建立Mask,選擇MaskOptions->BuildMask,如圖60。圖60在MaskDefinition中,選擇Options->ImportEVFs,添加Census_pro_.evf文件,如圖61。圖61在MaximumLikelihoodParameters窗口中,設(shè)置好參數(shù)和保存路徑,如圖62。圖624.6.6分類后處理在ENVI4.7窗口中打開視圖,選擇Overlay->Classification,打開分類結(jié)果,并對(duì)顏色進(jìn)行編輯,如圖63,64。圖63圖64選擇Classification->PostClassification->Majority/MinorityAnalysis,在ENVI中為我們提供了Majority/MinorityAnalysis、ClumpClasses、SieveClasses三類,主要是用來進(jìn)行小斑點(diǎn)的去除,此次實(shí)驗(yàn)中選擇Majority/MinorityAnalysis進(jìn)行分類后處理,如圖65,如圖66為經(jīng)過處理后與未處理的對(duì)比,從中我們可以看出有些小斑被周圍分類給覆蓋了。圖65HSV融合影像未處理處理后圖66在ENVI中,選擇Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROIs,查看混淆矩陣,并獲取分類精度,生產(chǎn)者精度和使用者精度以及總精度和Kappa系數(shù),如圖67,圖68為混淆矩陣。圖67圖684.6.7評(píng)價(jià)結(jié)果分析本實(shí)驗(yàn)先按照書本將LULC類別劃為11類,分析可知交通用地、商業(yè)用地、工業(yè)用地這三類的分離效果較低,生產(chǎn)者精度和使用者精度都不高并且這三類地物的像元十分相近,因此,我直接將這三類合并,按照9類來執(zhí)行之后的分類,此時(shí)的總精度達(dá)到93.5656%,Kappa系數(shù)為0.9222。表111類與9類精度與Kappa系數(shù)比較表11類9類LULCProd.AccUserAcc.LULCProd.AccUserAcc.water99.95%99.95%water99.95%99.95%forest97.08%99.92%forest97.08%99.92%grass96.65%92.46%grass96.65%92.61%cropland95.26%97.64%cropland95.22%97.70%fallow93.00%97.15%fallow94.53%95.50%residential-H89.97%83.25%residential-H90.62%83.43%residential-M58.00%42.43%residential-M62.52%37.72%residential-L85.18%58.25%residential-L84.96%58.27%Transportation43.28%69.49%urban86.20%97.28%commercial90.42%77.63%industrial56.82%52.47%Overallaccuracy90.81%Overallaccuracy93.57%Overallkappa0.8904Overallkappa0.9222進(jìn)行分類統(tǒng)計(jì),選擇Classification->PostClassification->ClassStatistics,在ClassStatisticsResult窗口中,我們可以獲取,我們分類的像元數(shù)、占該類像元數(shù)總數(shù)的比例以及該類地物的面積,如圖66。圖694.6.8分類結(jié)果面積統(tǒng)計(jì)1將9類的分類結(jié)果轉(zhuǎn)成矢量在ENVI中,選擇Classification->PostClassification->ClassificationtoVector,如圖70,選擇輸入的圖層9LULC1.img。圖70在RasterToVectorParameters窗口中,選擇9類分類,Output選擇輸出單個(gè)圖層SingleLayer,如圖71。圖71如圖72為矢量化結(jié)果圖72在ENVI格式轉(zhuǎn)成Shp文件,會(huì)自動(dòng)生成面積,單位為m2,首先,我們應(yīng)對(duì)其進(jìn)行歸類處理,在Table中,選擇Class_Name->Summarize,在Summarize窗口中,歸類的字段為Class_Name,字段Area為求和〔Sum。如圖73。圖73分類結(jié)果如下其中水體面積為21.4594平方千米,占總面積的2.06%,而水體的實(shí)際面積為18平方千米。所有地物中,低密度居民區(qū)面積百分比最大,達(dá)到34.23%；其次是urban,占13.31%。居民區(qū)總面積達(dá)到55.98%。其他各類地物所占比例見表表分類后各地物面積及其所占百分百地物類型面積/km2所占百分比/%water21.45942.06urban138.852713.31forest102.61269.84grass112.381210.77cropland52.77025.06fallow31.08762.98residential-H103.48569.92residential-M123.370411.83residential-L357.037634.23sum1043.0573100.00制作餅狀圖如下：圖744.6.9分類結(jié)果圖7511種分類LULC圖769種分類LULC4.7分類結(jié)果評(píng)價(jià)與分析4.7.1未加入房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析如上圖68為未加入房屋密度圖層的分類結(jié)果,如下表2為未加入房屋密度圖層進(jìn)行分類的分離度。從表2我們可以得到,在分離度上分離度效果較差的為低、中、高密度居民區(qū),其中高密度與中密度居民區(qū)的分離度為1.1596,中密度與低密度居民區(qū)的分離度為1.2665,低密度與高密度居民區(qū)之間的分離度為1.0343。其次的為中密度居民區(qū)與城市的分離度效果較低,只有1.0358,通過查看ROI訓(xùn)練樣本的選擇,發(fā)現(xiàn)主要是因?yàn)橹忻芏鹊木用駞^(qū)周圍都有道路,從而形成了干擾,故此分離效果較差。通過計(jì)算混淆矩陣,總精度為93.5656%,KappaCoefficient=0.9222。表2未加入房屋密度圖層進(jìn)行分類的分離度SignatureName23456789water<1>2.00002.00002.00002.00002.00002.00002.00001.9994forest<2>1.82962.00002.00001.99581.99011.77401.9999grass<3>1.99731.99991.96641.89541.72291.9922cropland<4>1.82201.99991.64751.99951.9339fallow<5>2.00001.79031.99851.8532residential-H<6>1.15961.03431.7053residential-M<7>1.26651.0358residential-L<8>1.8943urban<9>4.7.2加入IDW插值房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析如圖77、圖78和表3,從圖77,我們可以直觀的了解到,在加入IDW插值房屋密度圖層,urban的像元數(shù)從617123points->746549points,說明urban的面積在增大,而中、高密度的居民區(qū)的面積減少,其他的訓(xùn)練樣區(qū)的面積變化不大,分析其原因可能是因?yàn)樵诩尤隝DW插值房屋密度圖,主要會(huì)影響到低、中、高密度居民區(qū)的面積,然而urban的面積急劇增加可能是因?yàn)樵谖醇尤敕课菝芏葓D時(shí),urban與中、高密度居民區(qū)的分離效果不好而導(dǎo)致的。從表3中我們可以得到,高密度與中密度居民區(qū)的分離度為1.7889,中密度與低密度居民區(qū)的分離度為1.3869,低密度與高密度居民區(qū)之間的分離度為1.4155。通過與未加入房屋密度圖的分離度來看,在加入IDW插值房屋密度圖層的分離度有明顯的提高。圖77未加入房屋密度圖與加入IDW插值房屋密度圖層像元數(shù)比較圖78加入IDW插值房屋密度圖層的分類結(jié)果圖表3加入IDW插值房屋密度圖層進(jìn)行分類的分離度SignatureName23456789water<1>2.0002.0002.0002.0002.0002.0002.0001.9994forest<2>2.0002.0002.0001.99891.99241.79051.9999grass<3>1.99901.83961.98091.92641.73531.9923cropland<4>1.82512.0001.84091.99981.9729fallow<5>2.0001.88661.99941.9427residential-H<6>1.78891.41551.8451residential-M<7>1.38691.3268residential-L<8>1.9006urban<9>4.7.3加入直接?xùn)鸥窕课菝芏葓D層的分類結(jié)果評(píng)價(jià)與分析如圖79、圖80和表4,從圖79未加入房屋密度圖與加入直接?xùn)鸥窕课菝芏葓D層像元數(shù)的比較中,得到加入直接?xùn)鸥窕课菝芏葓D層對(duì)分類面積的影像程度較大,主要為低密度居民區(qū),總像元1586843points->1042126points,總面積急劇減少。而中、高密度居民區(qū)的面積在增加。表4的高密度與中、低密度居民區(qū)的分離達(dá)到了1.8694和1.9304,與之前相比有了明顯的增加,說明了在加入直接?xùn)鸥窕课菝芏葓D層可以有效的對(duì)不同密度的居民區(qū)進(jìn)行分類。圖79未加入房屋密度圖與加入直接?xùn)鸥窕课菝芏葓D層像元數(shù)比較圖80加入直接?xùn)鸥窕课菝芏葓D層的分類結(jié)果圖表4加入直接?xùn)鸥窕课菝芏葓D層進(jìn)行分類的分離度SignatureName23456789water<1>2.0002.0002.0002.0002.0002.0002.0001.9999forest<2>1.83972.0002.0001.99991.99731.97271.9999grass<3>1.99942.0001.99941.93941.93871.9969cropland<4>1.84222.0001.95172.0001.9955fallow<5>2.0001.96111.99991.9864residential-H<6>1.86941.93041.8653residential-M<7>1.34561.3829residential-L<8>1.9502urban<9>4.7.4加入重分類后IDW插值房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析如圖81、圖82和表5,從分類面積來看,未加入房屋密度圖與加入重分類IDW插值房屋密度圖層的面積基本一樣。從表5來看,其分離度與未加入房屋密度圖差不多,在低、中、高密度居民區(qū)的分離效果沒有加強(qiáng),因此,對(duì)IDW插值房屋密度圖并未能使分類效果增強(qiáng)。圖81未加入房屋密度圖與加入重分類IDW插值房屋密度圖層像元數(shù)比較圖82加入重分類IDW插值房屋密度圖層的分類結(jié)果圖表5加入重分類的IDW插值房屋密度圖層進(jìn)行分類的分離度SignatureName23456789water<1>2.00002.00002.000002.00002.00002.00001.9994forest<2>1.84352.000001.99951.99271.79421.9999grass<3>1.999101.98081.90181.72671.9927cropland<4>02.00001.86201.99981.9672fallow<5>0000residential-H<6>1.43371.46021.8701residential-M<7>1.31541.1672residential-L<8>1.8975urban<9>4.7.5從總精度與Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)表6分別列舉了3中不同方法的分類精度比較,分別為未加入房屋密度圖層,加入IDW插值房屋密度圖層,加入直接?xùn)鸥窕课菝芏葓D層。從總精度和Kappa系數(shù)來看,未加入房屋密度圖層的情況的分類精度最高,總精度為93.57%,Kappa系數(shù)為0.9222；加入房屋密度圖進(jìn)行分類的精度有了明顯的提高,其中加入IDW插值房屋密度圖進(jìn)行分類的總精度為95.72%,Kappa系數(shù)為0.9459,加入直接?xùn)鸥窕课菝芏葓D層進(jìn)行分類的總精度為94.81%,Kappa系數(shù)為0.9374。從表6中,我們可以得到加入IDW插值的房屋密度圖的總精度和Kappa系數(shù)都大于加入直接?xùn)鸥窕课菝芏葓D,從每一類分類來看,兩者的Water和Cropland的用戶精度和生產(chǎn)者精度一樣；forest和urban的用戶者精度基本一樣,其生產(chǎn)者精度相差較大,說明了其他類別被分為forest和urban在IDW插值和直接?xùn)鸥窕拿芏葓D中的程度不一樣,加入直接?xùn)鸥窕课菝芏缺诲e(cuò)分這兩類的像元較多；grass、residential-H和residential-L的生產(chǎn)者精度一致,其中g(shù)rass和residential-L被錯(cuò)分為其他類別的像元較多,而加入IDW插值房屋密度圖的residential-H被錯(cuò)為其他類別的像元相對(duì)與加入直接?xùn)鸥窕课菝芏葓D較少；加入IDW插值房屋密度圖的residential-M的生產(chǎn)者精度和用戶者精度都高于加入直接?xùn)鸥窕课菝芏葓D。從生產(chǎn)者精度和用戶者精度可以看出加入IDW插值房屋密度圖可以得到更好的分類效果。表6不同分類方法的分類精度比較未加入房屋密度圖層加入IDW插值房屋密度圖加入直接?xùn)鸥窕课菝芏葓DLULCPAUAPAUAPAUAwater99.95%99.95%99.95%99.95%99.95%99.95%forest97.08%99.92%97.20%99.86%93.54%99.90%grass96.65%92.61%96.14%93.71%97.74%89.97%cropland95.22%97.70%96.17%98.74%97.82%98.26%residential-H90.62%83.43%99.24%94.50%99.35%99.02%residential-M84.96%37.72%86.27%58.04%80.61%52.69%residential-L62.52%58.27%92.26%66.19%94.47%52.98%urban86.20%97.28%91.02%98.26%87.44%98.15%Overallaccuracy93.57%95.72%94.81%Overallkappa0.92220.94590.93744.7.6分類結(jié)果總體評(píng)價(jià)本實(shí)驗(yàn)中,通過從總精度、Kappa系數(shù)、分類結(jié)果圖三個(gè)角度進(jìn)行綜合評(píng)估,個(gè)人認(rèn)為通過加入房屋密度作為選訓(xùn)練樣區(qū)的依據(jù)可以很大程度上來提高分類的精度。residential_H,從圖像上看在高密度住房區(qū),IDW插值的是采取中心點(diǎn)位置,從而可以將周圍的道路和樹木的干擾,直接?xùn)鸥窕瘎t是將整個(gè)區(qū)域柵格話,忽略了道路和樹木的影響,如圖83。圖832residential_M,經(jīng)過IDW插值的話,周圍的Point會(huì)相互影響,從而降低了錯(cuò)分和被誤分的概率,而通過直接?xùn)鸥窕瘎t是整個(gè)區(qū)域的值都被同一化,導(dǎo)致了誤差的增加,如圖84。HSV融合影像 IDW插值 直接?xùn)鸥窕瘓D84直接?xùn)鸥窕恼`差來源直接?xùn)鸥窕瘜⒎课菝芏榷及凑战謪^(qū)來顯示,這種方案帶來的弊端是,一個(gè)街區(qū)中部分區(qū)域的房屋單元數(shù)量影響整個(gè)街區(qū)的房屋密度情況。如圖85,紅框中的街區(qū),實(shí)際上僅有靠街區(qū)外圍部分房屋單元數(shù)量眾多,中間大部分為水體,但是在直接刪格化的房屋密度圖中整個(gè)街區(qū)都被定為中密度住宅區(qū),從屬性值看出該區(qū)域的hou_dem1的值為681。HSV融合影像 直接?xùn)鸥窕? 屬性值圖85IDW插值的誤差來源雖然IDW插值中Point會(huì)相互影影響,但是在一些水域和很大面積都為一類的地物,IDW插值則會(huì)產(chǎn)生誤判,下圖中藍(lán)色本為高密度房屋居民區(qū),卻擴(kuò)展到水域的地區(qū),導(dǎo)致水體部分被分為高密度居民區(qū),如圖86。圖864.7.7與其他訓(xùn)練樣區(qū)的分類精度和Kappa系數(shù)的計(jì)算在實(shí)驗(yàn)中,用****的訓(xùn)練樣區(qū)來驗(yàn)證自己的分類總精度和Kappa系數(shù)〔實(shí)驗(yàn)中,只對(duì)未加入房屋密度圖層的HSV進(jìn)行驗(yàn)證。如表7為****的訓(xùn)練樣區(qū)的分離度情況。SignatureName2345678water<1>1.99701.99761.99651.99581.99662.00001.9464forest<2>1.52911.93481.81241.60941.34601.7031grass<3>1.70011.36890.92271.09851.1832cropland<4>1.79931.49681.15481.4372residential-H<5>0.48940.86850.4947residential-M<6>0.45270.4671residential-L<7>0.4647urban<8>表7訓(xùn)練樣區(qū)的分離度選擇Classification->PostClassification->ConfusionMatrix->UsingGroundTruthImage〔如圖87,選擇自己的訓(xùn)練樣區(qū)和驗(yàn)證訓(xùn)練樣區(qū),根據(jù)訓(xùn)練樣區(qū)分類進(jìn)行對(duì)比〔如圖88。圖87 圖88如圖89,為通過驗(yàn)證訓(xùn)練樣區(qū)的總精度和Kappa系數(shù),從圖中,可知總精度為45.8993%,Kappa系數(shù)為0.3929,相對(duì)來說還是比較低的。表8為生產(chǎn)者精度和用戶者精度。圖89表8LULCPAUAwater66.07%99.66%forest39.88%99.93%grass64.99%46.97%cropland46.36%99.92%residential-H49.76%69.65%residential-M6.79%11.25%residential-L25.40%4.73%urban88.69%71.36%Overallaccuracy45.90%Overallkappa0.39294.8決策樹分類4.8.1決策樹分類原理遙感信息的提取與分類一直是遙感技術(shù)領(lǐng)域研究的一項(xiàng)重要容。遙感分類應(yīng)用中,監(jiān)督與非監(jiān)督分類的傳統(tǒng)分類方法以及人工神經(jīng)網(wǎng)絡(luò)分類、專家系統(tǒng)分類等新方法都以影像光譜特征為基礎(chǔ)。然而由于影像本身存在"同物異譜、異物同譜"現(xiàn)象,這種純粹依賴地物光譜特征的分類方法往往會(huì)出現(xiàn)較多的錯(cuò)分、漏分情況,從而導(dǎo)致分類精度降低。近年來蓬勃發(fā)展的決策樹方法可以充分利用影像的多種特征來進(jìn)行分類,因此利用影像的多特征結(jié)合決策樹在影像分類領(lǐng)域具有很大的應(yīng)用潛能。決策樹是類似于流程圖的樹型結(jié)構(gòu),一個(gè)決策樹由一個(gè)根節(jié)點(diǎn),一系列部節(jié)點(diǎn)和分支以及若干葉節(jié)點(diǎn)組成,每個(gè)部節(jié)點(diǎn)只有一個(gè)父節(jié)點(diǎn)和兩個(gè)或多個(gè)子節(jié)點(diǎn),節(jié)點(diǎn)和子節(jié)點(diǎn)之間形成分支,決策樹的每個(gè)部節(jié)點(diǎn)代表一個(gè)測(cè)試屬性或?qū)傩缘募?每個(gè)分支對(duì)應(yīng)該屬性的每個(gè)可能值,葉節(jié)點(diǎn)則對(duì)應(yīng)一個(gè)類別屬性值,即分類結(jié)果,不同的葉節(jié)點(diǎn)可以對(duì)應(yīng)相同的類別屬性值。4.8.2數(shù)據(jù)預(yù)處理預(yù)處理過程主要是針對(duì)遙感影像進(jìn)行大氣較正,在ENVI4.7給我提供了FLAASH和QuickAtmosphericCorrection,在這兩種大氣校正方法QuickAtmosphericCorrection的精度要低于FLAASH。但是,在做FLAASH大氣校正前需要先進(jìn)行輻射定標(biāo),但是根據(jù)老師所提供的數(shù)據(jù)我們只了解到其傳感器為L(zhǎng)andsetETM+,因此在輻射定標(biāo)中缺少數(shù)據(jù),故采取精度較低的QuickAtmosphericCorrection方法進(jìn)行大氣校正,在執(zhí)行QuickAtmosphericCorrection校正前還需要進(jìn)行中心波長(zhǎng)的錄入,由于同一傳感器的中心波長(zhǎng)都是一致的,故百度到了各個(gè)波段的中心波長(zhǎng)。1中心波長(zhǎng)的錄入,在AvailableBandsList窗口中,右擊Stack,選擇EditHeader〔如圖90。圖902在Header窗口中,點(diǎn)擊EditAttributes,選擇Wavelengths〔如圖91圖91通過百度得知,LandsetTM各個(gè)波段的中心波長(zhǎng)如下圖所示,在EditWavelengthsvalues窗口中編輯中心波長(zhǎng)〔如圖92。圖924在ENVI中,選擇Spectral->QuickAtmosphericCorrection<如圖93>圖935在窗口中,SensorType選擇LandsetTM,點(diǎn)擊OK〔如圖94圖94如圖95所示,左邊為大氣校正后影像的ZProfile,右邊為未校正影像的ZProfile,從ZProfile我們可以看出經(jīng)過校正后的影像在綠色波段上的value明顯高與藍(lán)色和紅色波段,在地物上能夠有效的區(qū)分出植被,有利于計(jì)算NDVI。圖954.8.3指數(shù)的計(jì)算1水體指數(shù)〔MNDWI在ERDASIMAINE9.2軟件中,選擇Modeler->ModelMaker,如圖96。圖96在New_Model窗口中,選擇輸入輸出框和中間的運(yùn)算函數(shù),第一個(gè)函數(shù)框的公式為水體指數(shù)的提取MNDWI=〔band2-band5/<band2+band5+0.00001>,并輸出影像,去除斑點(diǎn),在View窗口中,我們先大概了解斑點(diǎn)的像元值,如圖94,我們可得水體的像元值x小于0,因此確定水體的條件函數(shù)為EITHER1IF<$n1_stack_b1<=0>OR0OTHERWISE,輸出最后提取的水體信息。圖97為輸入數(shù)據(jù)格式 圖 98為輸入運(yùn)算函數(shù)圖99圖100在ENVI4.7軟件中,選擇BasicTools->LayerStacking,將在ERDASIMAINE9.2提取出來的水體信息進(jìn)行疊加,如圖101。圖1012植被信息〔NDWI指數(shù)的提取在ENVI軟件中,選擇Transform->NDVI,輸入校正后的影像數(shù)據(jù)〔如圖102。圖1023IsoData數(shù)據(jù)的提取IsoData為非監(jiān)督分類中的一種方法,選擇Classification->Unsupervised->IsoData,參數(shù)設(shè)置為默認(rèn)值,如圖103。圖1034.8.4執(zhí)行決策樹1RuleGen插件的使用將如下四個(gè)文件分別復(fù)制到ENVI安裝目錄下的save_add文件夾下。2執(zhí)行決策樹在ENVI中,選擇Classification->DecisionTree->RuleGen->Classifier,如圖104。圖104在RuleGen-Classifier窗口中,首先為默認(rèn)缺省值進(jìn)行分類,如圖105。圖105此時(shí),需要重啟ENVI,選擇Classification->DecisionTre