ENVI图像分类实验.docxVIP

实验三 ENVI 图像分类实验指导 实验目的： 通过上机操作， 了解遥感图像分类的几种常用的分类方法与过程， 熟悉 ENVI 软件中图像分 类的方法与分类后处理的过程。 实验内容： 1、 分类： 遥感影像的像元分类方法可以归纳为三类： 监督分类 ——根据类别的先验知识确定 判别函数和相应的判别准则， 先选定一定数量的已知类别的样本训练区， 由训练区 的特征值确定判别函数中的待定参数， 然后将未知类别的样本的观测值代入判别函 数，在依据判别准则对该样本的所属类别做出判定，从而实现所用地区的分类。 非监督分类 ——没有先验知识， 直接把样本划分为若干个类别的方法就是非监督分 类，或者称作聚类。 它是根据相似性对样本进行合并或分离的。 常用的非监督分类 方法主要有两种： K- 均值算法（ K-means）和迭代自组数据分析算法（ ISODA TA ）。 决策树分类 —— 决策树分类器是一个典型的多级分类器， 它由一系列二叉决策树构 成，用于将像元归属到相应的类别。 每个决策树依据一个表达式将图像中的像元分 为两类。每一个新生成的类别又可以根据其他的表达式继续向下分类。 2、 分类后处理 3、 分类精度评价 实验数据： 融合后的 SPOT5 影像（ SPOT5_FusionImage ）及其对应的 DEM 数据，影像和 DEM 经过了 精确配准。其中，融合后的 SPOT5影像有 3个波段， R、G、B 分别对应 NIR（近红外）、R （红波段）、 G（绿波段）。 实验方法与步骤： 一、 监督分类 监督分类：又称训练分类法，用样本像元去识别其他未知类别像元的过程。 它就是在分类之前通过目视判读和野外调查， 对遥感图像上某些样区中影像地物的类别属性 有了先验知识， 对每一种类别选取一定数量的训练样本， 计算机计算每种训练样区的统计或 其他信息，同时用这些种子类别对判决函数进行训练， 使其符合于对各种子类别分类的要求， 随后用训练好的判决函数去对其他待分数据进行分类。 使每个像元和训练样本作比较， 按不 同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下 6 个步骤： （1）类别定义：根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统； （2）特征判别：对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处 理； （3）样本选择：为了建立分类函数，需要对每一类别选取一定数目的样本； （4）分类器选择：根据分类的复杂度、精度需求等确定哪一种分类器； （5）影像分类： 利用选择的分类器对影像数据进行分类， 有的时候还需要进行分类后处理； （6）结果验证：对分类结果进行评价，确定分类的精度和可靠性。 1、 样本（ ROI ）的选择与优化 什么是 ROI？ ROI 就是 Region Of Interest（感兴趣区域） ，通过 ROI 工具，可以在遥感影像 上选出任意形状的区域作为 ROI 。 ROI 的作用：定义类别、进行样本的选择。 注意： 在某影像上画出的感兴趣区域只属于该图像， 而不属于其他图像 （分类前的图像和分 类后的图像可以共享 ROI 区域），即使这两幅图像的地理坐标系一致， 因为 ROI 区域没有附 带坐标信息。让 ROI 附带上地理坐标信息的最好方法是把 ROI 区域转换为矢量格式数据 （.evf ）。 注意： 在绘制 ROI 区域时要求力求准确，绝不可以大概绘制。只有做到准确，才能够获得 精确的分类结果。 1） 训练样本的提取（ ROI 区的选择） （1） . 显示要进行分类的 SPOT5_FusionImage 影像。 （2） . 在 Image 窗口（主图像窗口）中右键选择 RIO tool 打开感兴趣区选择工具。另外， ROI tool 的打开方式还有 ENVI: Basic Tools Region Of Interest ROI tool ，或者在 Image 窗口的菜单栏中选择 OverlayRegion of Interest 。 图2 图2 图3 ROI tool 可以进行样本选择，可以进行样本编辑（名称，颜色，填充方式等）。选择样 本时，样本选择越精确，分类结果越好。 3）. 建立 4个分类类别： 植被、水体、建设用地、 裸地，并分别为它们选择感兴趣区 （即 样本）。每个类别至少选择 4 个感兴趣区。并修改样本的颜色。 图4 提取训练样本（ ROI ）的具体操作如下： 在图像窗口上画出感兴趣区， 单击鼠标 右键 确定选择形状 （此时可以拖动感兴趣区 域，用 Ctrl＋鼠标左键可以删除。 单击滑轮键 是取消操作。 ），再次单击 右键确定此 训练区 （此时若要删除训练区，需要点击 ROI Tool 窗口中的 Delete 控键，此操作 将删除