ENVI图像分类实验.docx

《ENVI图像分类实验.docx》由会员分享，可在线阅读，更多相关《ENVI图像分类实验.docx（51页珍藏版）》请在三一文库上搜索。

1、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、lll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

2、。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（ISODATA）。 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、3、分类后处理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

3、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

4、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、图 1 监督分类一般流程样本（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

5、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

6、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 3ROI 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：l 在图像窗口上画出感兴趣

7、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 将删除所有该类型的感兴趣区域）。ll（4）.ROI Tool 窗口中将会显示选择区域的颜色和相关信息，其中，感兴趣区域名称（ROI Name）和色彩可以修改。可就某一类训练区选择多个感兴趣区域。该类训练区的选择完成后，点击 ROI Tool 窗口的 New Region 控键，再进行另一类 训练样本的选择，其颜色将自动改变。按以上操作完成所有训练区的选择。 保存训练样本，

8、命名为 TrainingSamples.roi。图 5图 6（5）. 用同样的方法采集测试样本。保存，命名为 TestSamples.roi，用作最后的精度评价 （注意：不要和训练样本重复）。2）训练样本的优化（不要求）上述步骤中选择的某类训练样本，可能混入了其他类型的样本，为了提高图像分类精度， 需要对训练样本进行提纯。Spectraln Dimensional Visualizer N 维散度可视分析，是 ENVI 比较有特色的功能，可以使样本更加纯净，提高分类精度。2、进行监督分类样本收集完之后，就可以进行监督分类了。ENVI 有 9 种监督分类器：包括平行六面体、 最小距离、马氏距离、

9、最大似然，针对高光谱有波谱角（ SAM），光谱信息散度，二进制 编码，神经网络分类，支持向量机分类等：图 7 ENVI 的监督分类器（1）.平 行 六 面 体 法（Parallelepiped）平行六面体用一条简单的判定尺度对多光谱数据进行分类。判定边界在图像数据空间 中，形成了一个 N 维平行六面体。平行六面体的维数由来自每一种选择类别的平均值的标准差的阈值确定。如果像元值位 于 N 个被分类波段的低阈值与高阈值之间，则将它归属到这一类。如果像元值位于多个类别中，ENVI 将把该像元归并到最后一个匹配的类别中。没有落 在平行六面体任何一类中的区域被称为无类别的。分类步骤（其他分类方法类似）：

10、（1）.（2）.选择 Classification Supervised Parallelepiped。 选择要进行分类的影像（SPOT5_FusionImage）。（3）.图 8设置分类参数，选择训练样本（Select All Items）：图 9注：在不同分类方法所生成的规则影像中，像元值代表了不同的信息。例如：分类方法平行六面体（Parallelepiped）最小距离（Minimum Distance）最大似然（Maximum Likelihood）马氏距离（Mahalanobis Distance）二值编码（Binary Encoding）波谱角（Spectral Angle Mapp

11、er）规则影像像元值满足平行六面体准则的波段数到类中心的距离和像元属于该类的概率到类中心的距离二值匹配成功的百分比以弧度为单位的波谱角（越小的波谱角 表明与参考波谱相匹配的越好）（4）.（5）.（6）.点击 OK，保存分类结果。打开分类结果图像和未分类图像，Link displays，检查分类结果。 重复以上过程，设置不同的阈值，比较分类结果。（2）.（最 小 距 离 法MinimumDistance）最小距离法通过计算每个未知像元到每类样本的欧几里德距离来决定像元归属，所有像 元都将被归为距离最近的一类。（1）. 选择 Classification Supervised Minimum Di

12、stance。（2）. 选择要进行分类的影像（SPOT5_FusionImage）。（3）. 设置分类参数，选择训练样本（Select All Items）：图 10注：标准差和最大距离误差如果不设定，即用默认值，则所有像元都被归为最近的一类； 若设定了标准差和最大距离误差，则会出现一些像元因不满足选择的标准，而成为“无类 别”。阈值是根据输入数据的范围而定的，一般都通过研究规则图像的直方图来设定合适 的阈值。（4）. 点击 OK，保存分类结果。（5）. 打开分类结果图像和未分类图像，Link displays，检查分类结果。（6）. 重复以上过程，设置不同的阈值，比较分类结果。（3）.（马

13、氏 距 离 法MahalanobisDistance）马氏距离分类是一个应用了每个类别统计信息的方向灵敏的距离分类器。它与最大似然分类 相似，但是假定所有类别的协方差是相等的，所以是一种较快的分类方法。除非用户限定了 一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别），所有像元都将被归 到最邻近的类。（1）. 选择 Classification Supervised Mahalanobis Distance。（2）. 选择要进行分类的影像（SPOT5_FusionImage）。（3）. 设置分类参数，选择训练样本（Select All Items）：（4）.（5）.（6）.图 11

14、点击 OK，保存分类结果。打开分类结果图像和未分类图像，Link displays，检查分类结果。 重复以上过程，设置不同的阈值，比较分类结果。（4）.（最 大 似 然 法MaximumLikelihood）最大似然分类假定每个波段的每一类统计都呈正态分布，并计算给定像元属于某一特定类别 的似然度。除非选择一个似然度阈值，所有像元都将被分类。每一个像元被归并到似然度最 大的那一类中。（1）. 选择 Classification Supervised maximum lilkelihood。（2）. 选择要进行分类的影像（SPOT5_FusionImage）。（3）. 设置分类参数，选择训练样本

15、（Select All Items）：图 12Data scale factor：数据比例系数。这个比例系数是一个比值系数，用于将整型反射率 或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000 之间缩放，则设定 的比例系数就为 10000。对于没有定标的整型数据，将比例系数设为该仪器所能测量的最大 值 2n-1，n 为仪器的 bit 容量，例如：对于 8-bit 仪器，设定的比例系数为 255，对于 10-bit 仪器（如 NOAA 12 AVHRR），设定的比例系数为 1023，对于 11-bit 仪器（如 IKONOS），设 定的比例系数为 2047。在最大似然分类中，

16、规则图像（每类一幅图像）包含一个满足修正了的 Chi Squared 概 率分布的最大似然判别函数。规则图像的值越高，说明像元属于该类的可能性越大。最后的 分类结果就是将每个像元都归到可能性最大的类中。（4）. 点击 OK，保存分类结果。（5）. 打开分类结果图像和未分类图像，Link displays，检查分类结果。（6）. 重复以上过程，设置不同的阈值，比较分类结果。（5）.波 谱 角 分 类（ SpectralMapper）Angle波谱角分类（SAM）是一个基于自身的波谱分类，它是在 n 维空间将像元与参照波谱进行 匹配。这一算法是通过计算波谱间的角度（将它们作为具有维数等于波段数特征

17、的空间矢量 进行处理），判定两个波谱间的相似度。SAM 把端元波谱矢量和像元矢量放在 n 维空间中进行角度比较。较小的角度代表像元与参 照波谱匹配紧密。大于指定的最大弧度阈值的像元不被分入该类。（1）. 选择 Classification Supervised Spectral Angle Mapper。（2）. 选择要进行分类的影像（SPOT5_FusionImage）。（3）. 选择端元波谱：端元波谱可以从 ASCII 文件、波谱库、ROI 均值或统计文件中输入。在此选择中 ROI 输入：图 13选择 ROI：图 14（4）.设置分类参数：（5）.（6）.（7）.图 15点击 OK，保存分

18、类结果。打开分类结果图像和未分类图像，Link displays，检查分类结果。 重复以上过程，设置不同的阈值，比较分类结果。（6）.二 进 制 编 码（BinaryEncoding ）二进制编码分类技术根据波段是低于波谱平均值，还是高于波谱平均值，将数据和端元波谱 编码为 0 和 1。使用“异或”逻辑函数对每一种编码的参照波谱和编码的数据波谱进行比较， 生成一幅分类图像。除非指定了一个最小匹配阈值（这时，如果一些像元不符合标准，它们 将不参与分类）所有像元被分类到与其匹配波段最多的端元一类中。（1）.（2）.（3）.选择 Classification Supervised Binary En

19、coding。 选择要进行分类的影像（SPOT5_FusionImage）。 设置分类参数，选择训练样本（Select All Items）：图 16（4）. 点击 OK，保存分类结果。（5）. 打开分类结果图像和未分类图像，Link displays，检查分类结果。 重复以上过程，设置不同的阈值，比较分类结果。（7）.神 经 网 络 分 类（NeuralNet ）使用 Neural Net 选项可以应用一个分层的正向（feed-forward）神经元网络分类。该技术在 进行监督学习时使用标准的后向传播技术（ backpropagation）。用户可以选择所用的隐藏层 的数量，也可以在对数和双

20、曲线活化（activation）函数之间选择所需函数。由于调整节点中 的权重可以使输出节点活化与所需的输出结果间的差异达到最小化，因此神经元网络技术利 用该方法对发生的事件进行学习。在学习过程中，误差在网络中后向传播，同时使用递归法 调整权重。也可以使用神经元网络来进行一个非线性分类。（1）. 选择 Classification Supervised Neural Net。（2）. 选择要进行分类的影像（SPOT5_FusionImage）。（3）. 设置分类参数，选择训练样本（Select All Items）：（4）.（5）.图 17点击 OK，保存分类结果。打开分类结果图像和未分类图像，

21、Link displays，检查分类结果。（8）.支持向量机分类（ Support VectorMachines）支持向量机(Support vector machine，SVM)的理论基础就是统计学习理论。SVM 是数据挖掘中的一个新方法，能非常成功地处理回归问题 (时间序列分析)和模式识别 (分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、 工科和管理等多种学科。SVM 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应 用到函数拟合等其他机器学习问题中。（1）.（2）.（3）.选择 Classification Supervise

22、d Support Vector Machines。 选择要进行分类的影像（SPOT5_FusionImage）。设置分类参数，选择训练样本（Select All Items）：（4）.（5）.图 18点击 OK，保存分类结果。打开分类结果图像和未分类图像，Link displays，检查分类结果。二、 非监督分类非监督分类也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集 群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱 (或纹理) 信息 进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性 进行确认。目前比较常见也较为成熟的非监

23、督分类方法是 ISODATA、K-means 等。遥感影像的非监督分类一般包括以下 6 个步骤：图 19 非监督分类流程影像分析：分析影像，大体上判断主要地物的类别数量。分类器选择：选择一个合适的分类方法。影像分类：设置好分类器的参数对影像进行分类。类别定义：一般需要多设置几个类别，之后重新判别与合并非监督分类的结果。分类重编码：对定义好类别的重新定义类别 ID。结果验证：对分类结果进行评价，确定分类的精度和可靠性。在 ENVI 中，通过主菜单 Classificationunsupervised，有两种方法供选择： ISODATA 和 K-Mean。图 201、 ISODATA 方法（迭代自

24、组织数据分析技术）：（1）.（2）.（3）.选择 Classification Unsupervised ISODATA。 选择要进行分类的影像（SPOT5_FusionImage）。 设置分类参数：lllll图 21Minimum #Pixel in class：如果某一类中的像元数小于该值，则该类将被删除，其中 的像元被归并到距离最近的类中。Maximum Class Stdv：最大分类标准差（DN 值方式）。如果某一类的标准差比该阈 值大，该类将被拆分成两类。Minimum Class Distance：类均值之间的最小距离。Maximum #Merge Pairs：合并成对的最多数。如

25、果类均值之间的距离小于 Maximum Class Stdv，则类别将被合并。被合并的成对 类别数的最大值由“Maximum # Merge Pairs文”本框中输入的参数设定。如果这些可选参数的数值都已经输入，分类就用两者中较小的一个，来判定将参与 分类的像元。如果两个参数都没有输入，则所有像元都将被分类。（6）. 点击 OK，保存分类结果。（7）. 打开分类结果图像和未分类图像，Link displays ，检查分类结果。重复以上过程， 设置不同的参数，并分析它们对分类结果的影响。（8）. 如果分类效果较好，就可以定义分类类别：1. 打开原始影像，与分类结果进行叠加分析，确定分类类别。在O

26、verlay 中选择Classification：图 222.选择分类结果：图 233.图 24进行类别重定义，编辑类别名称和颜色：图 25图 26图 274.保存分类重定义结果：图 282、 K-means 方法：分类步骤与 ISODATA 方法类似。（1）. 选择 Classification Unsupervised K-means。 （2）. 选择要进行分类的影像（SPOT5_FusionImage）。 （3）. 设置分类参数：ll图 29当每一类的像元数变化小于阈值 Change threshold%(0-100)时，用变化阈值来结束 迭代过程。Maximum Class Stdv：

27、最大分类标准差（用十进制），如果一类的标准差比这一阈 值大，则这一类将被拆分成两类。（4）. 点击 OK，保存分类结果。（5）. 打开分类结果图像和未分类图像，Link displays ，检查分类结果。重复以上过程， 设置不同的参数，并分析它们对分类结果的影响。（6）. 定义分类类别（ISODATA方法分类结果两者选一）。三、 决策树分类（把书分为 5 类，把原先的耕地分为两个， 林地和耕地）基于知识的决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单 的数学统计和归纳方法等，获得分类规则并进行遥感分类。分类规则易于理解，分类过程也 符合人的认知过程。它的最大的特点是利用的多

28、源数据，可以充分利用其他数据，如 DEM、行政区划图、 道路网、土地利用图、林相图等作为分类的辅助数据。如下图所示，影像+DEM 就能区分缓坡和陡坡的植被信息，如果添加其他数据，如区域 图、道路图土地利用图等，就能进一步划分出那些是自然生长的植被，那些是公园植被。图 30 专家知识决策树分类器说明图专家知识决策树分类的步骤大体上可分为四步：知识（规则）定义、规则输入、决策树运行 和分类后处理。图 31ENVI 的决策树分类器本实验的规则如下描述：第一层：将影像分为两类，R 波段大于 0.3 且 RNIR 为水体，其它的继续细分；第二层：NDVI0，分为植被。其它为非植被。第三层：植被中，坡度2

29、.2 为林地，坡度=2.2 为耕地。非植被中，b3classification-Decision Tree-Build New Decision Tree, 如图所示，默 认显示了一个节点.图 32图 33Decision Tree 界面（2）. 编辑第一层节点：首先我们用 R 波段大于 0.3 且 RNIR 划分第一个节点。单击 Node1，跳出下图对话框，Name 为 b270 and b1）、最小值 (Execute，执行决策树，跳出下图所示对话框，选择输出结果的投影参数、重 采样方法、空间裁剪范围（如需要）、输出路径，点击 OK，得到决策树分类结果。图 555、 打开分类结果图像和未分

30、类图像，Link displays，检查分类结果。四、 分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点 处理（类后处理）、栅矢转换等操作。ClassificationPost Classification图 56 分类统计：ClassificationPost ClassificationClass Statistics：包括每一类的点数、 最小值、最大值、平均值以及类的每个波段的标准差等。其中每一类的最小值、最 大值、平均值以及标准差可以以图的方式进行显示。可以显示出每一类的直方图，并且计算其协方差矩阵、相关矩阵、特征值和特征矢量等。类别集群：Cl

31、assificationPost ClassificationClump Classes：细小块的合并，将 一些碎块进行合并。类的合并：ClassificationPost ClassificationCombine Classes：将分过的类进行 选择性的合并，可以合并为一类或几类。图 57图 58修改类的颜色：ToolsColor Mappingclass color mapping：当一个分类后的图像 被导入一个显示窗口时，每类自动呈现出不同的颜色。每类的颜色与监督分类中选 择的感兴趣区的颜色或非监督分类中预先选择的每类颜色相对应。未分类区域在图 像中呈黑色，可以改变每类的颜色。类的叠合

32、：ClassificationPost ClassificationOverlay Class：用一幅彩色合成影像 或灰阶影像生成一幅影像地图，并且类的颜色叠置在一起，输出一幅3波段的 RGB图像。分类结果的矢量输出：ClassificationPost ClassificationClasses to Vector Layers：将选择的类变换为矢量多边形进行输出，输出做GIS分析等。在分类结果中使用注记：Classification Keys Using Annotation：OverlayAnnotationObjectMap Key，可以直接将各类的图例加载上去，并且可 以进行颜色、名

33、称等编辑。五、 精度评价对分类结果进行评价，确定分类的精度和可靠性。ENVI 中有两种方式用于精度验证： 一是混淆矩阵，二是 ROC 曲线。这里运用的是混淆矩阵。1、 首先在主影像窗口中打开要进行精度评价的分类图像（如 DecisionTree）。2、 打开用来进行精度评价的感兴趣区文件（测试样本）TestSamples2.roi。注：该例子的分类结果为 5 类，与初始的 4 类的测试样本不同，需重新进行测试样本的 选取。图 59注意： 如果 ROI 工具里有其他的感兴趣区，先把其他的感兴趣区删除（ Select All Delete），再把测试样本 Restore。图 603、 点击使用混淆矩阵和 ROI 进行精度评价的菜单：图 61 图 62 图 63 图64图 657、 用上述方法，比较不同的分类方法及不同的分类结果的精度。