大二下大礼包遥感原理

遥感原理与应用实习报Landsat影像Envi分类试小组成员曾凡孙熙姜卓周溢申雅朱婧邓昳刘宝实行监督分 分类精度统计分 其他成 四、实习过程问题及其解 数据选 非监督分 监督分 一、前本次实习为大学遥感信息2016-2017学《遥感原深入了解遥感原理与应用课程所学知识内容自主学习掌握ENVI等相关遥感软件的操作二、实习准备及分实习工具及数：本次实习利用工具为ExelisVisualInformationSolution公司的虚拟地球仪软件谷歌地球（Earth。：数据来源为地理空间数据云（http 的已完成影像预处理工序的LandsatTM影像数据。实组分前期数据与软件安装：孙熙博、周溢波中期Means&ISODA：：：PPT制作：刘宝宝、朱婧怡、姜卓君、申雅文、孙熙博、曾鑫展示：曾凡鑫、邓昳涵、姜卓三、实习过数据预处线性拉线性拉伸的原众所周知，在ENVI中若图像显示的灰度集中，则地物差异不明显，而设置为线性拉伸则可以提高的效果，地物差异更加明显，会减小分类效率，本小组选择Linear2%，即2%裁剪拉伸，既能使图对图像DN值分布在2%98%之间的做线性拉伸，即拉伸时去除小于2%大于98%的值，这样绝大多数的异常值会在拉伸时舍掉，显示线性拉伸的过在ENVI中可以在顶部状态栏选择Linear2%的线性拉伸，然而此线性拉伸的方法是在ENVIClassic中打开图像，并在Enhance中选择[Image]Linear2%，即可完成对每个波段的2%的线性拉伸。线性拉伸的结进行2%的线性拉伸后，地物差异更加明显，边界也更加明显，如下图，将左图以2%~98%进行拉伸，得到右图 影像2%线性拉伸后进行同样处理的结果。图在长江上游存在绿色的部分，而在右图中已全部。PCA变PCA变换的原PCA即主成分分析技术又称主分量分旨在利用降维的思想，把多指标转化为少数几个综合指标。PCA变换是一个线性变换，把数PCA变换的过ENVI中对多波段影响进行PCA变换十分简单，在Toolbox中选择ForwardPCARotationNewStatistics后选择要进行主分量变换的PCA变化的结PCA变换使原影像经过线性变换后差异更大的分量显示在变换左图为TM影像的1、2、3、4、5、7波段，右图为原影像PCA变换后的影像 同样经过PCA变换后的影响更便于计算机识别出地物之间的差异，能够提高分类效果。下图中，左图为原影响进行K均值分成4类的结果，右图为原影像经过PCA变换后经过同样处理得到的图像。图在长江上游存在绿色的部分，而在右图中已全部。重采最邻近法：将最邻近的像元值赋予新像元双线性内插法：使用邻近4个点的像元值,按照其据内插点的距三次卷积内插法使用内插点周围的16个像元值,用三次卷积函结果图结果图4实践结果如图所示（分类采用K-均值方法直接结果分类结果间接结果错误造成的。比如，代表长江的绿域中的红色斑点。这说明重样的预处理过程有助于提高分类精度非监督分波段选根据波段特点，选取1、2、3、4、5、76个波段进行分类。特征维数为6，分类效果更好（如图1波段选取（ENVI截屏同时，为提高分类速度，将整幅图像进行了裁剪，选用大小2000*2000的遥感影像（如图22目视判现有资根据Earth上对应位置的地物种类数，大致判断地物类图3Earth地图（部分区域假彩根据不同波段合成假彩像可突出不同地（如表便于32（植被显示红色3（53（类似于自然色和453（区分河渠与道路合成的四张假彩色图像（如图4表1不同波段假彩像类型及特R、G、类特3、2、真假彩4、3、标准假彩7、4、模拟真彩7、5、非标准假彩画面偏蓝色，用于特殊的地质构造5、4、非标准假彩4、5、非标准假彩（2）（3）地物的清晰显示不够，但对海岸及其滩涂的比较（4）（5）的区分容易。居民地的边界虽不十分清晰，但内（6）但是植物类型的细分会有。3、4、假彩像 图4假彩(其中(a)-(d)4、3、27、4、35、4、34、5、3波段波段运波段运算实质是对每个像素点对应的像素值进行数算表达采用ENVI中的BandMath工具对TM波段进行不同运算，从而提取出特殊地物（如图5。具体运算如下：城市与乡镇TM1+TM7+TM3+TM5+TM6+TM2-TM4乡镇与村落TM1+TM2+TM3+TM6+TM7-TM4-TM5河流TM5+TM6+TM7-TM1-TM2-TM4道路TM6由于灰度图不易于区分地物将运算结果波段与2个原TM波段合成，形成突出提取地物的假彩像（如图 5 6非监督分类算根据目视判读，将分类数定为4-6类，包含水域、植被、工用地、城市房屋等，在进行非监督分类时，分别将图像分为（10/15类，2-3倍于目标分类数）与少类（4-6类，与目标分类数相， 7K-Means(其中(a)5类，(b)15类 (其中(a)6类，(b)10类类别合 9(其中(a)7中(b)4类专题图，(b)K4类专题图分类后处除或重新分类，目前常用的方法有Majority/Minority分析、聚类处（clump）和过滤处理（Sieve10中可以看出经过后处理的长江流域分类效果有明显改善，最小像素的设置会影响图像中视觉效果(10(e))。 10Clump分析，(f)Sieve分类分分类算法比；②从算法角度看，ISODATA算法与K-均值算法相似，聚类中心都分类效果评非监督分类方法有很多优点②人为误差减少，需输入的初始参数较少①对其结果需进行大量分析及后处理，才能得到可靠分类结果②存在同物异谱及异物同谱现象使集群组与类别的匹配难度③不同图像间的光谱集群组无法保持其连续性，难以对比 11(其中(a)分类清晰，效果明显；(b)类别较多，比较，边界不清晰监督分类：最大似然基础数据处波段合成显Landsat4-5TM影像共含七个波段。使用ENVIClassic进行多次不同波段组合尝试并查询资料光谱选用了信息量最为丰富的54、3波段组合配以红、绿、蓝三种颜色生成假彩色合成图像，这个组合分类。适用于城镇和农村土地利用的区分；陆地、水体边界的确定部结构紊乱，颜色显示较地深。影像裁将已有的市界shp文件在ArcMap中进行投影转换，作为掩膜对Landsat影像在Envi中进行裁剪，提取出行政区内部分。目视解译及感区勾结合目视解译所得结果利用ENVI感区工具进行细节勾画，对上述五类进行选点完成感区勾画实现训练样本工作，城耕水植此处我们发现，对于感区的选择，必须做到均匀分布、像素最大似然法作为性强的监督分类法感区的选择几乎决 勾画完毕后对每个类别的可分离度进行计算可分离度必须大1.8才算合格，可分离度1.9以上说明分离情况较好，可分离度近2则精度越高。下图为可分离度计算结果实行监督分利用3.3.2中选取的感区为训练样本对影像进行最大相似监可以发现特征地物在分类后影像中显示大体正确，分类结果较准确有必要对这些小图斑进行剔除或重新分类，目前常用的方法有（Sieve过对比，我们采用了Majority/Minority分析剔除小图斑，使分类后的分类精度统计分ENVI提度分析方法主要包括矩阵法和ROC曲。对比两种分类精度分析方法后本实习采用以数据为载体的矩阵法。对分类结果进行矩阵计算，结果如下。从图中可以看出总体精度为99%以上，Kappa系数为0.98（Kappa系数的最低允许判别精度是0.7。分类精度基本达到要求，分类结果组ROI，如果再选择一组，数据应该会有所变化。其他成基于PCA变换的非监督分本组成员对影像的预处理用到了PCA变换那是对TM影像6个波段进行的，而我们考虑对一个波段进行PCA变换能得到怎样的结果。得出结论，对PCA变换后的主分量进行分类，可综合六个波段特Kmeans六波 PCA主分 单波Kmeans六波 PCA主分 其他监督分马氏距 神经网最小距 由于对以上分类方法不是十分了解，我们只是用ENVI默认的参监督与非监督分类方法比监督分类是指先人工取出具有代表性的训练区作为样通过对光谱群组的重新归类但是监督分类的缺点主要集中在人为的四、实习过程问题及其解数据选程度，最终我们选择2%的线性拉伸成为最终的预处理结果。既能达进行实验。在以后的学习中，可以作为法应用。非监督分在确定类别数时，经验不足较大，选择通过现有地尽管有较多的参考图，但是地和农村，房屋和道路难以区分。由于经验有限，没有区别出耕地和植被，水田和江水湖泊，于是类似的类别合并为同一类，最终分类的类别数为4-6类，一定程度上会影响分类精度。直接通过算法分为4-6类会与预期专题图差距较所以分为预期2-3倍即10-15类后，进行类别合并，会更加符合我们最高迭代