2遥感图像分类的实习指导

1、2图像分类的实现指导1、遥感图像计算机分类的理论依据：遥感图像中的同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光 谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像 元的特征向最将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特 征将不同，集群在不同的特征空间区域。2、传统的分类方法：在遥感图像分类中，按照是否有已知训练样木的分类依据，分类方法又分为两人类: 监督分类与非监督分类。遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选样特 征变最、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个 给定类的分

2、类。遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身的 统计特征及自然点群的分布情况来划分地物类别的分类处理，事示再对已分出的各类的 地物属性进行确认，也称作“边学习边分类法”。两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的 统计特征来决定。3、影响遥感影像分类精度的因素：遥感图像计算机白动分类在遥感数字图像处理技术屮占有非常重要的地位，由于计 算机分类的精度和可靠性除了与分类方法本身的优劣有关外，还取决于一些其它的因 素：> 训练场地和训练样本的选样问题> 地形因素的影响> 混合像元问题>特征变量的选择问题> 空间

3、信息在分类中的应用问题> 图像分类的后期处理问题4、envi软件提供的监督分类的分类器图像分类的关键问题之一是选择适当的分类规则（或分类器），通过分类器把图像 数据划分为尽可能符合实际悄况的不同类别。根据分类的复杂度、精度需求等选样一种分类器。在主菜单->classification-> supervised->分类器类型（如表1）,此外还包括应用于高光谱数据的波谱和（spectral angle mapper classification ）、光谱信息散度（spectral information divergence classification）和二进制编码（bi

4、nary encoding classification）分类方法。表1六种监督分类器说明分类器说明平行六面体(parallelpiped)根据训练样本的亮度值形成一个d维的平 行六面体数据空间，其他像元的光谱值如果落 在平行六面体任何一个训练样本所对应的区 域，就被划分其对应的类别屮。平行六面体的 尺度是由标准差阈值所确定的，而该标准差阈 值则是根据所选类的均值求出。最小距离(minimumdistance)利用训练样木数据计算出每一类的均值向 量和标准差向量，然后以均值向量作为该类在 特征空间中的中心位置，计算输入图像中每个 像元到各类中心的距离，至1哪一类中心的距离 最小，该像元就归入到

5、哪一类。马氏距离(mahalanobis distance)计算输入图像到各训练样木的马氏距离 （一种有效的计算两个未知样本集的相似度的 方法），最终统计马氏距离最小的，即为此类 别。最人似然(likelihood classification)假设每一个波段的每一类统计都呈正态分 布，计算给定像元属于某一训练样本的似然度， 像元最终被归并到似然度最大的一类当中。神经网络(neural netclassification)指用计算机模拟人脑的结构，用许多小的 处理单元模拟住物的神经元，用算法实现人脑 的识別、记忆、思考过程应用于图像分类。支持向量机(support vectormachine

6、classification)支持向量机分类（svm）是-种建立在统 计学习理论（statistical learning theory 或 slt） 基础上的机器学习方法。svm可以自动寻找那 些对分类冇较大区分能力的支持向虽，由此构 造出分类器，可以将类为类z间的间隔最大化， 因而有较好的推广性和较高的分类准确率。选择不同的分类器器需要设置的参数不一样。5、监督分类的一般步骤监督分类一般分为以下几步：选择训练样木、评价训练样木、进行监督分类、精度 评价和分类后处理等五步。5.1选择训练样本5.1.1训练样本选择原则（1）选取的训练样本要有代表性：应选择光谱特征比较均一的区域（避免混合像 元

7、）（2）选取训练样木的数目：要能满足建立分类用判别函数的要求，对于光谱特征 变化较大的地物，训练样本的数冃耍更多一些，以反映其变化范围。（3）选取训练样木要考虑空间变化的影响：要考虑到每一种地物类型随空间变化 发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。在遥感图像屮，地形因素不仅会造成几何畸变，而且还会影响其亮度值。如同类地物由于所处山坡位置的不同，其阴坡和阳坡的光谱特性就有很大的差界，即同物界谱； 如不同的地物由于地形的影响而具有相同的光谱特性，即同谱异物。可以利用图像增强 的多波段图像的比值处理来减弱地形的影响，但其比值图像并不能彻底消除地形的影 响，而且当地形起伏太大时比

8、值处理受到限制。解决这类由于地形因素造成的“同物界谱”和“同谱异物”现彖的一种有效的方 法是采用“同类多组法”来选取训练样本，即同类地物根据光谱特征的不同，可以选取 一组以上训练样本，并规定类与组的明确概念。在对图像进行分类吋，应首先进行分组, 然后再根据所屈的类别进行合并。5.1.2训练样本选择的依据（1）外业调查（2）高分影像（3）已有的分类成果图5.1.3训练样本的选择调查本实验区的地物类型（作业：绘制不同地物类型的光谱曲线）定义训练样本（1）打开roi工具（说明：envi软件基本上都有多种方式可以实现同一f1的， 但我们仅列出其中的一种，比如打开roi工具共

9、有4种方式，这个说明的目的是让大家 不要局限于我讲的方式）。鼠标右键单击主图像窗口（envi软件有三个图像窗口，分 別是主图像窗口，滚动窗口和放大窗口），选中roi工具，然后打开定义roi的窗口file rol.type options helpwmdx c in agoc scroll czo«ia offkoi hanecolorpointsasphaltred6000/00/0meadcrasgreen880/00/0grv«l6000/00/0treest«llov680/00/0metal :heelcyan40)0/00/0bair soillugen

10、ta8000/00/0（2）定义roi （介绍两种方式）（a）根据波段阈值定义roi （想定义某个范围内的像元作为roi,即可用这种方式）fil« r0ijn><optionshelpwindow： ( ib&(mer(« rationsintersect regions.reconcile rois.reconcile rois via up.band threshold to roicalculat© covariance with statsmttsurament report.report area of rois.ne» r

11、egionselect allcreate class image from rois.create buffer zone from rois.compute roi separabili ty.hi de window(b)在图像上选择roi在哪个窗 口选择定义roi的类型钦 «1 roi tool回区ifileroi-typeoptions kelpnew regionselect allhide roisdelete新建一个训 练样本后血的貝体操作课堂讲授5.2评价训练样本5.2.1定性评价：n维可视化方法将样本显示在n维特征空间的散点图屮：roi tooi->file

12、->export rois to n-d visulizer,建议显示在主成分特征空间。522定量:评价：根据roi可分离性（compute roi separability） jlrtik算任意类別间的统计距离來衡量训练样本（roi）的可分离性。（c, + q）/2 丿选择options>compute roi separability进行训练样本可分离性计算，可分性度最有两 种：jeffries-matusita-jm 距离,transformed divergence-离散度=丿2（1_严） «3 roi tool叵）冈1 file r0i_typeoptionsh

13、elpcalculate covari ance with statswindow： 1 ln逬mi de yindovmeasurement report. report area of roism«r<« regions initrstcl rtcions. r«concil« roireconcile rois vi a map.roi name d&olu daolu2rtnztoctop: （oncy«ch<niluodicompute bdi separability.band threshold to roi.

14、create class im age £rom rois.create buffer zone from rois在select input file for separability窗口屮选择计算训练nj分离性的图像文件计算可分离性 roi separability reportfileinput file: paviauenvi.bsqroi name: (jef fries-matusitaz transforaed divergence)random sample (memory1 / asphalt) red 600 points:/random random rando

15、m random random random random randomsaaple saaple sample sample sample sample pie pie(memory1 (memory1j (memory1 (memory1 (memory1 (memory1 (memory1 (memory1meadows) green 800 points: (1.99997460 2.00000000) gravel) blue 600 points: (1.99217487 1.99850763) trees) yellow 600 points: (1.99999946 2.000

16、00000) metal sheet) cyan 400 points: (1.99999977 2.00000000) bair soil) magenta 800 points: (1.99989216 2.00000000) bitumen) maroon 400 points: (1.99182853 1.99951796) bricks) sea green 600 points: (1.98865194 1.99796981) shadows) purple 300 points: (1 99998861 2.00000000)random sample (memory1 / me

17、adows) green 800 points:/random random random random random random random randomsample sample sample saaple saaple saaple saaple sample(memory1 (memory1 (memory1 (memory1 (memory1j (memory1j (memory1j (memory1jasphalt) red 600 points: (1.99997460 2.00000000) gravel) blue 600 points: (1.99999934 2.00

18、000000) trees) yellow 600 points: (1.99341582 1.99985841) metal sheet) cyan 400 points: (2.00000000 2.00000000) bair soil) magenta 800 points: (1.97836851 1.99903429) bitumen) maroon 400 points: (2.00000000 2.00000000) bricks) sea green 600 points: (1.99998936 2.00000000) shadows) purple 300 points:

19、 (2.00000000 2.00000000)random sample (memory1 / gravel) blue 600 points:/random random random random random random random randomsample pie pie pie saaple sample sample sample(memory1 (memory1 (memory1 (memory1 (memory1 (memory1 (memory1 (memory1asphalt) red 600 points: (1.99217487 1.99850763) meado

20、ws) green 800 points: (1 99999934 2.00000000) trees) yellow 600 points: (1.99999998 2.00000000) metal sheet) cyan 400 points: (2.00000000 2.00000000) bair soil) magenta 800 points: (1.99999619 2.00000000) bitumen) maroon 400 points: (1.99942364 1.99999879) bricks) sea green 600 points: (1.95770124 1

21、.98476829) shadows) purple 300 points: (2.00000000 2.00000000)random sample (memory1 / trees) yellow 600 points:random saaple (memory1 / asphalt) red 600 points: (1.99999946 2.00000000)random saaple (memory1 / meadows) green 800 points: (1.99341582 1.99985841)nr根据可分离性值的大小，从小到大列出感兴趣区组合。这两个参数值为02.0,大于

22、1.9 说明样木之间可分离性好，属于合格样木；小于l8,需要重选择样木；小于1,考虑将 两类样本合成一类样本。5.3选择分类器进行监督分类5.3.1最大似然分类（1）在主菜单屮，选择 classification->supervised-> likelihood classification,在文件输入 对话框中选择待分类影像。单击0k按钮打开likelihood classification参数设置面板select classes from regions：asphalt rod 600 points meadows green 800 po;gravel blue 600 po

23、itrees yellow 600 pometal sheet cyan 40 bair soil magenta 80bi tumen maroon 400 poinl bricks sea green 600 p， shadows purple 300clear all itemsselect1 itemsnumber of i th.ected p单击 select all items 按钮，选择全部的训 练样木。tput class filename choose 厂 compressut result to w file ( memoryoutput rule images ? 阿m

24、joutput result to " file ' memoryenter output rule filename chooseset probability thresholddata scale factor 00cancel multiple valuesprobability thresholdnone '>* single vhelppreview设置似然度的阈值。如果选择single value, 则在 “probability threshold” 文本框中,输 入一个0到1z间的值，似然度小于该阈值 不被分入该类。这里选择none。data

25、scale facw：输入一个数据比例系数。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牝转化为浮点型数据。例如：如果反射率数据在范围0-10000 zfh,则设定的比例系数就为looooo对j：没有定标的整型数据，也就是原始dn值，将比例系数设为2n-hn为数据的比特数，例如：对于8bit数据，设定的比例系数为255,对于10-bit数据，设定 的比例系数为1023,对于llbit数据，设定的比例系数为2047oaximum likelihood parametersselect classes from regions：asphalt rod 600 points meadows

26、 green 800 pointsgravel blue 600 points trees yellow 600 points metal sheet cyan 400 points bair soil magenta 800 points bi tumen maroon 400 points bricks sea green 600 points shadows purple 300 pointsoutput result to file ( memoryenter output class filename choose " compressoutput rule imagesn

27、umber of i terns select©d °select all items clear all itemsoutput result to <" file( none '>* single value ( ' multiple valuesprobability thresholddata scale factor 00set probability threshold单击ok按钮执行分类。532最小距离分类enter output rule filename设置 out rule images 为yes,则选择规则图 像输

28、出路径及文件 名。我们这里选择no单击preview,可以在右 边窗口中预览分类结 果，单击change view可(1)在主菜单中，选择classification->supervise以改变预览区域。.对话框中选择待分类影像，单击ok按钮打开minimum di.7、y(2 ) selectclasses from regions：单击 select all items 按钮，选择全部的训练样本。(3) set max stdev from mean：设置标准差阈值,有三种类型:none：不设査标准差阈值；single value：为所有类别设置一个标准羌阈值；multiple va

29、lues：分別为每一个类別设置一个标准差阈值。选择none。(4) set max distance error：设置最大距离课差，以dn值方式输入一个值，距离大于该值 的像元不被分入该类(如果不满足所有类別的最大距离误差，它们就不会被归为未分类类 (unclassified)也有三种类型，这里选择none。(5) 单击preview,可以在右边窗i i屮预览分类结果，单击change view可以改变预览区域。(6) 选择分类结果的输出路径及文件名。(7) 设s out rule images为no,不输出规则图像。(8) 单击0k按钮执行分类。533马氏距离分类(1)在主菜单屮，选择 cl

30、assification->supervised-> mahalanobis distance,在文件输入对话 框屮选择待分类影像。单击0k按钮打开mahalanobis distance参数设置血板(2) selectclasses from regions：单击 select all items 按钮,选择全部的训练样本。(3) set max distance error：设置最大距离课差，以dn值方式输入一个值，距离大于该值 的像元不被分入该类(如果不满足所冇类别的最大距离误差，它们就不会被归为未分类类 (unclassified)o也冇三种类型，这里选择none。(4)

31、单击preview,可以在右边窗口中预览分类结果，单击change view可以改变预览区域。(5) 选择分类结果的输出路径及文件名。(6) 设置0ut rule images为no,不输出规则图像。(7) 单击0k按钮执行分类。54分类精度评价(混淆矩阵)执行监督分类后，需要对分类结果进行评价，envi提供了了分类结果叠加，混淆矩阵 (confusion matrices)和 roc 曲线(roc curves)仅介绍混淆矩阵，其它方法参少envi使用说明使用confusion matrices工具可以把分类结果的精度显示在一个混淆矩阵里(用于比较分类 结果和地表真实信息)。使用地表真实感兴

32、趣区域计算混淆矩阵(1)生成用于精度验证的roi使用地表真实感兴趣区之前，需要准备反映地表真实地物信息的roi文件。可以在高分辨 率图像上，通过冃视解译获取各个分类的地表真实感兴趣区，也可以通过野外实地调查，根 据调杳数据牛成地表真实感兴趣区。说明：用于监督分类的训练样木和用于精度验证的训练样木一定不能是相同的训练样木。 建立混淆矩阵1°选择 classification>post classification>confusion matrix>using ground truth /image 或/rois；toolsfusion0cl<xx>

33、63;ic<tion*3 (r:band envi 4 5post classificationconfusion flatrixusing ground truth imagemaxlikehood max like (fu: 需)m«p info fusionsfin bnd math bud moth (li ith (l ith clizusionsfi)axlikchoodsupervised unzuperviz«d decision tree en du enter collectionspclrtl hltp victor tofobphic剌余空冋:

34、1 7gb乡直杀 a釜走。皈夏e网盘assisi c1«lss colorsrule classifierclass statisticschange detection statisticsclss ima&a from roizroc curvesgonorato rondon sanplomajonty/llinority analysis clwip classessi ava classescombine classesoverlay classesbuffar zona imagosenentationclassification to vector2。在clas

35、sification input file屮选择分类麻的图像3°在match classes parameters选择相匹配的类型在 select ground truth roi h1 选样地面真实的感兴趣区，在 select classification image 屮选 择与真实的感兴趣相匹配的分类。点击add combination按钮将真实的感兴趣区与分类结 构相匹配。如果地面真实感兴趣区中的类别与分类图像中的类别名称相同，它们将自动匹配。4。在confusion matrix parameters中设置混淆矩阵参数选择像素(pixels)和百分比(percent)5。点击

36、ok执行显示混淆矩阵屮的记录以及相关的统计(可以输出为txt文件)在输出的混淆矩阵报表中包含了：总体分类精度、kappa系数、错分误差、漏分误差、制图 精度以及用户精度。confusion matrix: memory4 (340x610x1)overall accuracy = (37449/42776)87.5468%kappa coef f icient = 0.8376ground truth(pixels)classasphaltmeadowsgraveltrees metalsheetasphaltred5649435000meadows.gree9166451640gravel

37、31uel4880174000trees yellow10960229950metal sheet 30001345bair soil ma56938050bitumenmaro1230000bricks sea g2936330600shadows；purp00000total663118649209930641345ground truth(pixels)classbair soilbitumenbricksshadowstotalasphaltred13121811546390meadowsgree484019017222gravel blurees yello

38、w340234006metal sheet 00061354bair soil ma450613205538bitumenmaro0942001065bricks sea g324284303532shadowspurp000784784total50291330368294742776overall accuracy:总体分类精度等于被正确分类的像元总和除以总像元数。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到止确地表真实分类中的像 元数。总像元数等于所有真实参考源的像元数。kappa coefficient： kappa系数是另外一种计算分类精度的方法。它是通过把所有地表 真

39、实分类中的像元总数(n)乘以混淆矩阵对角线(xkk)的和，再减公某一类中地表真实像 元总数与该类中被分类像元总数之积后，再除以像元总数的平方减去某一类中地表真实像元 总数与该类屮被分类像元总数之积对所有类别求和的结果得到的。nx pa - e(pi+ x p+j /=1 /=!i=l式中：n样木总数m混淆矩阵屮的行数 pll位于第i行第i列的样本数量pl+第i行的样木总数量p+i-第i列的样木总数址总体楮度只考虑了对角线上的像元数而忽视了非对角线上的数据，而kappa系数则既考虑 了对角线上被正确分类的像元，也考虑了不在对角线上各种漏分和错分谋差，因此这两个指 标往往并不一致。错分误差(com

40、mission)：指被分为用户感兴趣的类（行）而实际属于另一类的像元数（）漏分误差（omission）：指木身属于地表真实分类（列），但没有被分类器分到相应类别中的像元数（%）制图精度（produce.）：分类器将整个图像的彖元止确分为a类的像元数（对角线值）与 a类真实参考总数（混淆矩阵小a类列的总和）的比（）。用户精度（user acc.）:指正确分类到a类的像元总数（对也线值）与分类器将整个图 像的像元分为a类的像元总数（混淆矩阵中a类行的总和）的比（）classcommission(percent)omission (percent)commission(pixels)omission

41、 (pixels)asphalt red11.6014.81741/6390982/6631meadows gree3.3510.75577/172222004/18649gravel blue39.6917.101145/2885359/2099trees yellow25.242.251011/400669/3064metal sheet 0.660.009/13540/1345bair soil ma18.6310.401032/5538523/5029eitumen maro11.5529.17123/1065388/1330bricks sea g19.5122.79689/3532

42、839/3682shadows purp0.0017.210/784163/947classprod. acc.user acc.prod. acc.user acc.(percent)(percent)(pixels)(pixels)asphalt red85.1988.405649/66315649/6390meadows gree89.2596.6516645/1864916645/17222gravel blue82.9060.311740/20991740/2885trees yellow97.7574.762995/30642995/4006metal sheet 100.0099

43、.341345/13451345/1354bair soil ma89.6081.374506/50294506/5538bitumen maro70.8388.45942/1330942/1065bricks sea g77.2180.492843/36822843/3532shadows purp82.79100.00784/947784/7845.5分类后处理以上分类方法得到的是初步结果，一般难以达到最终的应用r的，所以对获取的分类结果需雲 ehvi 4. 5 要做进-步的处理，才能得到最终理想的分类结果，这些处理过程通常称为分类后处理。 常用的分类后处理包括类别的合并（不是必须）、更改

44、分类颜色、分类统计分析、小斑点处 理、栅矢转换等操作transform filter spectral map vector topographiendmember collectioricreate class image from roisclass statisticsroc curvesgenerate random sampleoverlay classesclassificationfost classificationcombine classessupervisedunsuperviseddecision treechange detection statisticsconfu

45、sion matrixfile basic tools ji.majority/minority analysisclump classessieve classes来buffer zone imagesegmentation imageclassi£ication to vectorikehood回区availassign class colorsrule classifier551类别的合并classification>post classification>combine classes 打开类别合并参数设置对话框选择yes将空白类移出5.5.2majority/m

46、inority 分析（主次分析）majority/minority分析采用类似于卷积滤波的方法将较人类别屮的虚假像元归到该类 屮，定义一个变换核尺寸，用变换核屮占主要地位（像元素最多）的像元类别代替屮心像元 的类别。如果使用次耍分析（minorityanalysis）,将用变换核屮占次要地位的像元的类别 代替中心像元的类别。在主菜单屮，选择 classification->post classification->majority/minority analysis。在打 开的文件选择对话框中，选择分类图像。打开majority/minority parameters对话框，下面填

47、 写 majority/minority parameters 对话框中的参数。aaaaaacaamajority/minority parametersselect classes：unclassifiedasphalt red 600 points meadows green 800 pointsgravel blue 600 points trees yellow 600 points metal sheet cyan 400 points bair soil magenta 800 points bitumen maroon 400 points bricks sea green 60

48、0 points shadows purple 300 pointsnumber of items selected： °select all itemsclear all itemsanalysis method « majority 厂 minoritykernel sizecenter pixel wei ght p woutput result to 'v file 选择分类类别(select classes):单击select all items按钮,选择所有类别。 选择分析方法(analysis method) : majority。 选择变换核(ker

49、nel size) : 5x5。必须是奇数且不必为正方形,变换核越大,分 类图像越平滑。 中心像元权重(center pixel weight) ： 1。在判定在变换核中哪个类别占主体地 位时，中心像元权重用于设定中心像元类别将被计算多少次。例如：如果输入的 权重为1,系统仅计算1次中心像元类别；如果输入5,系统将计算5次中心像元 类别。 选择输出路径及文件名，单击ok执行majority和minority分析。- memoryenter output filename choose i compress0kqueuecancelhelp三种分类器的分类结果及其分类后平滑处理总体精度对比6制图输出图形的整饰1. 图面人小（边界）设置 image: overlay»annotation出现 annotation 对话框-一 option»set display border-一 出现 4 display border' 对话框， 输入左（80）、右（180）、上（150）、下（120）的图像边框宽度，设置边框颜色（白） -'0k