基于ENVI的遥感图像分类方法比较研究推荐.docxVIP

基于ENVI的遥感图像分类方法研究比较（聊城大学环境与规划学院GIS专业2010级4班学号:2010203***）摘要基于监督分类方法在遥感图像分类中已经普遍应用，本文将介绍了几种ENVI 提供的常用的监督分类方法和ENVI EX提供的面向对象的分类方法。对同一遥感图像运用这几种方法进行分类，并对分类结果进行对比，从而分析这几种方法分类精度之间的差异。关键词遥感图像分类平行六面体最小距离法最大似然法面向对象第一章绪论1.1、研究的背景和意义随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源，并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节——图像分类也就显得尤为重要。遥感图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。这是区分不同图像地物的物理基础。遥感图像分类就是利用计算机通过对遥感图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，然后获得遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。目前随着各种新理论新方法的相继涌现，遥感图像存在多种分类方法，所以本文主要是选取几种常用的监督分类方法和ENVI EX提供的面向对象分类方法用实验结果表明它们之间存在的差异。1.2、研究方法(1)、本文从遥感图像解译的基本原理出发，阐述了ENVI软件在遥感图像解译中使用的原理，并对其提供的方法进行了详细的解读。(2)、详细叙述了ENVI EX提供的Feature Extraction工具即面向对象分类方法的使用。(3)、根据得到的分类结果，采用混淆矩阵和kappa系数对分类结果进行精度评价。从中得出一些结论，并对ENVI软件在遥感图像分类方法中提出可行性建议。第二章图像分类原理2.1、遥感图像分类方法目前遥感图像分类方法种类繁多，并且每种方法都有其自身的特点，但也不可避免的有一些缺陷。通常遥感图像的分类方法可分为非监督分类和监督分类。非监督分类方法是在没有先验类别(训练场地)作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并( 将相似度大的像元归为一类) 的方法(对于此种分类方法本文只做方法介绍并不做过多的研究)。监督分类方法，首先需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本，通过选择特征参数(如像素亮度均值、方差等) ，建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。监督分类的关键是训练场地的选择，其选择的质量将直接影响到分类结果的可靠性。有时仅仅考虑在某特定时间和空间内选取训练样本还是不够的，为了提高分类的精度，所以有必要研究一些新的分类算法，比如：基于专家知识的决策树分类、支持向量机、面向对象图特征提取等方法(本文主要应用第三种新分类方法)。2.2、监督分类遥感图像监督分类大致流程如图2所示：图2：监督分类流程遥感图像监督分类处理的基本过程，包括原始图像的预处理、训练样本的选择、特征的选择和特征提取、分类器设计、图像分类、结果输出以及结果检验等。2.2.1、最小距离法最小距离分类法是以特征空间中的距离作为像素分类的依据。首先由训练样本数据得出每一类别的均值向量和协方差矩阵，然后以各类的均值向量作为该类在多维空间中的中心位置。计算输入图像中的每个像元到各类的距离，到哪一类中心的距离最小，则该像元就归入哪一类别。因此，在这类分类方法中距离就是一个判别函数。最小距离分类原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。2.2.2、最大似然法最大似然法因有严密的理论基础，对于呈正态分布的类别判别函数易于建立，综合应用了每个类别在各波段中的均值，方差以及各波段之间的协方差，有较好的统计特性，一直被认为是最先进的分类方法。最大似然法是建立在贝叶斯准则基础上的，其分类错误概率较小，是监督分类方法中风险最小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布。用最大似然法分类，具体分为三步：首先确定各类的训练样本，再根据训练样本计算各类的统计特征值，建立分类判别函数，最后逐点扫描影像各像元，将像元特征向量代入判别函数求出其属于各类的概率，将待判断像元归属于判别函数概率最大的一组。该分类法错误最小精度高，是较好的一种分类方法。不足的是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的精度较差。利用GIS 数据来辅助最大似然法分类，可以提高分类精度