影像监督分类.docxVIP

本次实习内容为遥感影像监督分类遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类。 而所谓“监督”，则是指在分类前，自己通过目视判读，野外调查，结合自身对影像类别特征的基本认知，对每一类别选取出一定数量的样本，从而归纳总结出一个“筛选函数”，利用该函数对数据进行分类，这里的函数起到了监督作用。1 首先启动ENVY软件，打开实习所需数据文件，TM影像中的Band 5,4,3分别作为R,G,B的波段。2 此时，通过观察，可知共有6类地物在当前窗口进行应用，从全屏范围拉伸改为使用百分之二的拉伸方法。进行样本选择时，我们采用感兴趣区域的方法完成，在影像文件上新建一个感兴趣区域，即Region of Interest .打开如下图所示的ROI工具进行设置本次实习中，我们首先要进行监督分类的地物是林地，所以新建一个“林地”样本，将ROI NAME改为林地，将颜色改为深绿。选择样本时应先确定绘制方式在工具栏中共有五种绘制感兴趣区域的方式，分别是多边形。矩形，圆形，折线以及点，在此我们使用第一种，即任意多边形使用鼠标滚轮放大图像的像元，找到一个合适的样本，进行多边形绘制。继续进行选取，要注意样本区域的分布应尽量均匀。林地样本选择结束后，进行下一步，即对其他样本进行选取，在此，我们新建一个“耕地”的ROI。选取的方式与林地相同，在此不过多阐述。需要注意的是样本选择时应尽量选取像元较为纯净的区域，以便提高分类的精度，也为后期的分类后处理提供了便利。最终我们完成了五类地物样本的确定（“其他”类别的样本并未进行选择）样本选取的工作完成好，进行样本可分离性的计算。样本的可分离性直接反映了我们选取样本工作的成果优劣，若选择的样本合格，则可分离性应在1.8以上，但不能超过2.越接近2，越说明样本差异显著，从侧面反映了样本选取工作的出色。如果有某两类样本的可分离性小于1，则说明这两个样本极为接近，甚至是相同的。可以将这两个样本合并。在本次实习中，没有可分离性小于1的实例，所以在此仅仅展示将样本合并的方法，是在Merge ROIs 对话框中设置。在确定了自己所选择的样本良好之后，我们进行分类器的选择。关于分类器的种类和特点，教材中也有较为详细的介绍。不同的分类器对应着不同复杂度以及不同精度需求的分类器。分类器的介绍，在指导书中有专业的列举与比较，在此不一一进行阐述，只需明确本次实习所选用的是——支持向量机分类在软件工作界面的右边有工具箱（即toolbox），在工具箱中找到分类器类别，选择支持向量机分类器。打开进行分类的样本文件如下图所示，将六个样本全选，项目的数目改为6.在此页面的右上角，可以对输出结果进行设置。我们所进行的设置是不输出中间文件，结果文件输出至D盘。完成分类处理后，得到分类的结果，在左侧全选所有元素以查看结果为确保能够清楚，直观的看到所有样本图层的分类结果，在此我们对6个样本图层依次选中，添加。以便查看所有图层以及叠加后的效果。本实习报告中仅截取部分图片对于结果的验证，可以采用矩阵法进行，操作步骤依旧是在右侧的工具栏中选择相应的命令矩阵法 图解法 之后选取自己可确定的，真实可靠的影像对其进行验证，要注意这个影像的分辨率最好高于我们所进行监督分类的这幅影像。打开实习数据中的验证样本。验证样本的样本类别应该与分类样本完全相同，但选择的样本区域应该不同。在“显示”的设置中，像元和百分比都要进行设置，从而得到一张验证的结果表如图，表的左上角即为总的分类经度（overall accuracy）以及卡帕系数。