遥感图像分类分析

1、，ENVI/IDL，6-遥感图像分类，刘海信河北工业大学资源学院电话ENVI/IDL，根据方法类型分为以下信息提取类型：6.1分类类型，ENVI/IDL手动解释：适用的定性信息提取，即通过图像用肉眼区分的信息；基于光谱的计算机分类(小于10米)，对中等分辨率和低分辨率的多光谱图像产生明显效果；基于专家知识的决策树分类：需要多源数据支持。面向对象的分类方法：随着高分辨率图像的出现而发展；图形识别和曲面反转：定量信息提取，需要模型的支持；变更监控：多时间影像支援；需要地形信息提取，立体图像对支持。6.1分类类型，ENVI/IDL，1，监督分类监督分类：教育分类，称为通过已

2、确认类别的示例实体识别其他未知类别实体的过程。也就是说，在分类之前，通过视觉解释和现场调查，对遥感图像特定区域中的图像图片的类别特性有了初步的了解，为每个类别选择了特定数量的培训样本，计算机计算了每个培训样本区域的统计或其他信息，同时使用这些种子类别对决策函数进行培训，以满足不同子类别分类要求，然后使用训练有素的判断函数对其他子数据进行分类。根据不同的规则，将每个像素和培训样本分为最相似的示例类，从而对整个图像进行分类。6.1分类类型、ENVI/IDL、2、无监督分类无监督分类也称为“集群分析”或“分支组分类”。在多光谱图像中搜索和定义自然相似光谱簇的过程。该方法不获取先验知识，而是依赖图像中

3、不同类型的光谱信息进行要素提取，对要素的差异进行统计分类，实现分类目的，然后确定分类的实际特性。3、基于专家知识的决策树分类基于知识的决策树分类，基于遥感图像数据和其他空间数据，通过专家经验总结、简单的数学统计和推导方法等获取分类规则，对遥感进行分类。分类规则容易理解，分类过程也符合人的认识过程，最大的特点是利用多源数据。6.1分类类型、ENVI/IDL、遥感图像的监视分类通常包括六个阶段，如下图所示。6.2监督分类，ENVI/IDL，第一步：类别定义/特性判别分类目的，根据图像数据本身的特性和分类区域中收集的信息确定分类系统。决定是否需要对图像进行特征判断、图像质量评价、图像增强等预处理。这

4、是一个视觉查看过程，主要为后面样品的选择打下基础。这个例子分为林地、居住区、耕地、未使用的土地、水体五类。6.2监督分类，ENVI/IDL，步骤2:示例选择第一种方法，使用直接ROI选择(1)打开分类图像can_tmr.img，将其显示为RGB:543。(2)在Display下，选择Overlay-Region of Interest。默认ROIs是多边形，根据首选项在图像中定义培训样例(即绘制兴趣区域ROI)。(3)在ROI工具中，双击“ROI名称”列，然后输入样例名称(换行，回车输入)。还可以设置类别颜色。(4)在Display中，移动一种图片类型的更多位置，将image窗口放大一点，选择

5、enhancee-image linear2%，然后根据image窗口的直方图线性拉伸2%，以获得更好的视觉效果，并有助于选择示例。(5)为了更好地区分林地，我们打开了显示RGB:432的Display，并将两个窗口包含在link Displays中，以便于区分草木。(。6.2监督分类，ENVI/IDL，(6)与可视解释结果相结合，选择在Image或ZOOM窗口中绘制“forest”的多边形示例时，示例几乎均匀分布在整个图中。(7)要分别选择住宅、耕地、未使用的土地、水体的标本，请重复(3)(6)步骤。注：1、样品选择是直接影响分类精度的非常重要的过程。样品选择过程有多种辅助方法。例如，上面的

6、银可以显示其他假颜色合成窗口，并且可以在主成分分析后进行假颜色合成。这消除了频带之间的相关性，因此其他图更清楚地区分了。您也可以使用Google Earth支援分析。6.2监督分类、ENVI/IDL、第二种方法、在散点图中选择(1)在基础图像中选择tools 2D scatter plots，1波段为x，4波段为y。在具有较少从属关系的条带(2)散点图中，左键单击所需区域周围的多边形顶点，然后右键单击多边形以关闭多边形。关闭后，选定区域将显示在主图像窗口中，要确定散点图与显示窗口中图的对应关系，您可以在option image:dance选定的条件下单击鼠标中键，查看“一定范围内的显示图像”(

7、option set patch size)散点图与显示图像的对应关系(3)如果您对绘制不满意，请将其从类别中删除，然后从散点图中删除class white 将删除的点还原为白色，或在散点图中右键单击并选择clear class()，然后在散点图中右键单击并绘制“选择新类”、“重复(2)(3)阶段()所有区域”，然后在散点图中右键单击并选择“导出全部”以导入ROI工具。 ()ROI tool示例名称，然后选择调度颜色即可。6.2监督分类，ENVI/IDL，步骤3，评估培训示例在ROIs面板上，选择Option-Compute ROI Separability，can_tmr.img作为分类图像

8、，选择所有示例进行可分离性分析。每个示例类型之间的分离性由参数Jeffries-matusita，transformed divergence表示。这两个参数的值介于02.0和大于1.9的值之间，样品之间的分离性良好，属于合格样品。小于1.8，必须重新选择样品。考虑将小于1的两种类型的样品合成为一种类型的样品。另外，另存为文件、6.2监督分类、ENVI/IDL、第4步：分类器选择根据分类的复杂性、精度要求等确定哪些分类器。目前，ENVI的监督分类可以分为传统统计分析学，包括并行立方体、最小距离、马尔可夫距离、最大似然、基于神经网络、模式识别、支持向量机、模糊分类等。以下是对多个分类器的简要说明

9、。平行六面体根据教育样本的亮度值形成n维的平行六面体数据空间，如果其他像素的光谱值位于平行六面体的教育样本之一的区域，则划分为相应的类别。使用最小距离训练范例资料计算每个类别的平均和标准差向量，然后使用平均向量做为该类别在图征空间中的中心位置，计算输入影像中每个图元到每个类型中心的距离，以及该图元所属品类中心的最小距离。6.2监督分类、ENVI/IDL、Markov距离计算从输入图像到每个培训样本的协方差距离(有效计算两个未知样本集的相似性的方法)，以及最终技术协方差距离最小的此类别。最大似然假设每个乐队的每个统计类别都有正态分布，计算给定的伪影属于特定教育样本的似然度，伪影最终合并为似然最大

10、类别。神经网络利用计算机模拟人脑的结构，用很多小处理器模拟生物的神经元，利用算法实现人脑的识别、记忆和思维过程。6.2监督分类、ENVI/IDL、支持向量机支持向量机分类(Support Vector Machine或SVM)是基于统计学习理论(Statistical Learning Theory或SLT)的机器学习方法。SVM构建分类器以最大化分类和类之间的间隔，自动查找具有更好的宣传和更高分类精度的分类的支持向量。光谱角度在n维空间中，将元素与参考光谱相匹配，计算光谱间的相似性，然后比较光谱间的相似性，较小的角度表示较大的相似性。6.2监督分类，ENVI/IDL，1，并行立方体ENVI主

11、菜单中的class ification supervised parallel piped；出现“Classification Input File”对话框时，选择输入文件can_tmr.img。出现“Parallelepiped Parameters”对话框。要在不使用标准差的情况下选择所有None标准差设置，请单击“无”按钮。要对所有类别使用相同的阈值，请单击Single Value按钮，然后在Max stdev from Mean文本框中，输入标准偏差相对于平均值的大小。要为每个类别设置不同的阈值，请a .在类别列表中，单击要设置不同阈值的类别。b .单击Multiple Values将

12、其选中。c .单击Assign Multiple Values按钮。d .在出现的对话框中，单击选择类别，然后在对话框底部的文本框中输入阈值。对每个类别重复此步骤。6.2监督分类，ENVI/IDL，2，最小距离法最小距离技术使用每个端元素的平均向量计算每个未知原语中每个平均向量的欧氏距离。除非限制标准偏差和距离阈值(某些图元不符合选择标准，因此变为“无类别”)，否则所有图元都将分类到最近的类别中。选择class ification supervised minimum distance。出现“Classification Input File”对话框时，选择输入文件。将显示“最小距离参数”对话

13、框。设置标准偏差阈值设置最大距离错误注意：如果在“Set Max Stdev From Mean”和“Set Max Distance Error”文本框中设置了阈值，分类将使用两者中较小的值来确定要分类的元素。如果为所有参数选择None，则将对所有基本体进行分类。6.2监督分类、ENVI/IDL、3、Markov距离分类Markov距离分类是每个类别的统计应用方向敏感的距离分类器。与最大似然分类相似，但假定所有类的协方差都相同，因此是更快的分类方法。除非用户限制距离阈值(在这种情况下，如果某些元素不在阈值内，则分组为无类别)，否则所有实体将分组为最近的ROI类。选择class ificati

14、on supervised mahalan anobis distance。设置Set Max Distance error。此方法与输出文件相同。6.2监督分类、ENVI/IDL、最大似然法最大似然分类假定每个频带的每个统计类别分布均匀，计算指定图元属于特定类别的似然度。如果未选择一个似然阈值，则将对所有像素进行分类。各形象合并到似然图最大的类别。选择class ification supervised maximum likelvood以设置0-1数据比例因子范围，这是将均匀或发射率数据转换为浮点数据的比率因子。例如，如果反射率数据在范围0到10000之间缩放，则设置的比例因子为10000

15、。如果未指定整数数据，请将比例因子设置为装置可以测量的最大值2n-1，n。例如，对于8位仪器(Landsat 4)，比例因子设置为255，对于10位仪器(NOAA 12 AVHRR)，比例因子设置为1023，对于11位仪器(IKONOS)，比例因子设置为2047。输出文件设置、6.2监督分类、ENVI/IDL、神经网络可以使用Neural Net选项应用分层向前神经网络分类。此技术在进行监视学习时使用标准反向传播技术(backpropagation)。用户可以选择使用的隐藏层的数量，或在日志和双曲“激活”(activation)函数之间选择所需的函数。通过调整节点上的权重，输出节点激活和所需输

16、出结果之间的差异最小，神经网络技术将学习使用此方法发生的事件。在学习过程中，错误在网络中向后传播的同时，使用递归方法调整权重。也可以使用神经网络进行非线性分类。需要与神经网络相关的知识，所以可以自己从神经网络学习的东西支持向量机的分类实际上是一种神经网络。建议对支持向量机进行介绍，6.2监督分类、envi/IDL、规则图像说明可以生成规则图像的规则图像可以由每个分类符生成，用户可以评估分类图像，必要时指定阈值并重新分类。在每个分类符生成的规则图像中，如果与元值表示的信息行业不同，6.2监督分类、ENVI/IDL、评估分类结果执行监控分类后需要评估分类结果，则ENVI将通过以下三种方法评估监控分

17、类结果：1、分类结果与显示原始图像的Display重叠，选择Overlay-Classification，然后打开Interactive Class Tool面板，将结果分类结果显示在原始图像上方。显示在Interactive Class Tool面板中，在要显示的类别on之前处于选定状态。您可以按两下颜色边界来反转它。合并到类(1)在Interactive Class Tool面板中，选择edit-mode : polygon add to Class。(2)在“Interactive Class Tool”面板中，在“未使用的土地”前面的方形颜色块上单击鼠标左键，以使“未使用的土地”类别处于活动状态。(3)选择“编辑”窗口。在Image、Image窗口中绘制多边形，多边形中的类别都属于未使用的土地类别。6.2监视分类、ENVI/IDL、一定范围的元数据删除集成(1)从Interactive Class Tool面板中选择edit-mode 3360 polygon delete from Class。(2)选择Edit-Se