遙感原理與應用實習報Landsat影像Envi分類試小組成員曾凡孫熙姜卓周溢申雅朱婧鄧昳劉寶實行監督分 分類精度統計分 其他成 四、實習過程問題及其解 數據選 非監督分 監督分 一、前本次實習為大學遙感信息2016-2017學《遙感原深入了解遙感原理與應用課程所學知識內容自主學習掌握ENVI等相關遙感軟件的操作二、實習準備及分實習工具及數：本次實習利用工具為ExelisVisualInformationSolution公司的虛擬地球儀軟件谷歌地球（Earth。：數據來源為地理空間數據云（http 的已完成影像預處理工序的LandsatTM影像數據。實組分前期數據與軟件安裝：孫熙博、周溢波中期Means&ISODA：：：PPT制作：劉寶寶、朱婧怡、姜卓君、申雅文、孫熙博、曾鑫展示：曾凡鑫、鄧昳涵、姜卓三、實習過數據預處線性拉線性拉伸的原眾所周知，在ENVI中若圖像顯示的灰度集中，則地物差異不明顯，而設置為線性拉伸則可以提高的效果，地物差異更加明顯，會減小分類效率，本小組選擇Linear2%，即2%裁剪拉伸，既能使圖對圖像DN值分布在2%98%之間的做線性拉伸，即拉伸時去除小于2%大于98%的值，這樣絕大多數的異常值會在拉伸時舍掉，顯示線性拉伸的過在ENVI中可以在頂部狀態欄選擇Linear2%的線性拉伸，然而此線性拉伸的方法是在ENVIClassic中打開圖像，并在Enhance中選擇[Image]Linear2%，即可完成對每個波段的2%的線性拉伸。線性拉伸的結進行2%的線性拉伸后，地物差異更加明顯，邊界也更加明顯，如下圖，將左圖以2%~98%進行拉伸，得到右圖 影像2%線性拉伸后進行同樣處理的結果。圖在長江上游存在綠色的部分，而在右圖中已全部。PCA變PCA變換的原PCA即主成分分析技術又稱主分量分旨在利用降維的思想，把多指標轉化為少數幾個綜合指標。PCA變換是一個線性變換，把數PCA變換的過ENVI中對多波段影響進行PCA變換十分簡單，在Toolbox中選擇ForwardPCARotationNewStatistics后選擇要進行主分量變換的PCA變化的結PCA變換使原影像經過線性變換后差異更大的分量顯示在變換左圖為TM影像的1、2、3、4、5、7波段，右圖為原影像PCA變換后的影像 同樣經過PCA變換后的影響更便于計算機識別出地物之間的差異，能夠提高分類效果。下圖中，左圖為原影響進行K均值分成4類的結果，右圖為原影像經過PCA變換后經過同樣處理得到的圖像。圖在長江上游存在綠色的部分，而在右圖中已全部。重采最鄰近法：將最鄰近的像元值賦予新像元雙線性內插法：使用鄰近4個點的像元值,按照其據內插點的距三次卷積內插法使用內插點周圍的16個像元值,用三次卷積函結果圖結果圖4實踐結果如圖所示（分類采用K-均值方法直接結果分類結果間接結果錯誤造成的。比如，代表長江的綠域中的紅色斑點。這說明重樣的預處理過程有助于提高分類精度非監督分波段選根據波段特點，選取1、2、3、4、5、76個波段進行分類。特征維數為6，分類效果更好（如圖1波段選取（ENVI截屏同時，為提高分類速度，將整幅圖像進行了裁剪，選用大小2000*2000的遙感影像（如圖22目視判現有資根據Earth上對應位置的地物種類數，大致判斷地物類圖3Earth地圖（部分區域假彩根據不同波段合成假彩像可突出不同地（如表便于32（植被顯示紅色3（53（類似于自然色和453（區分河渠與道路合成的四張假彩色圖像（如圖4表1不同波段假彩像類型及特R、G、類特3、2、真假彩4、3、標準假彩7、4、模擬真彩7、5、非標準假彩畫面偏藍色，用于特殊的地質構造5、4、非標準假彩4、5、非標準假彩（2）（3）地物的清晰顯示不夠，但對海岸及其灘涂的比較（4）（5）的區分容易。居民地的邊界雖不十分清晰，但內（6）但是植物類型的細分會有。3、4、假彩像 圖4假彩(其中(a)-(d)4、3、27、4、35、4、34、5、3波段波段運波段運算實質是對每個像素點對應的像素值進行數算表達采用ENVI中的BandMath工具對TM波段進行不同運算，從而提取出特殊地物（如圖5。具體運算如下：城市與鄉鎮TM1+TM7+TM3+TM5+TM6+TM2-TM4鄉鎮與村落TM1+TM2+TM3+TM6+TM7-TM4-TM5河流TM5+TM6+TM7-TM1-TM2-TM4道路TM6由于灰度圖不易于區分地物將運算結果波段與2個原TM波段合成，形成突出提取地物的假彩像（如圖 5 6非監督分類算根據目視判讀，將分類數定為4-6類，包含水域、植被、工用地、城市房屋等，在進行非監督分類時，分別將圖像分為（10/15類，2-3倍于目標分類數）與少類（4-6類，與目標分類數相， 7K-Means(其中(a)5類，(b)15類 (其中(a)6類，(b)10類類別合 9(其中(a)7中(b)4類專題圖，(b)K4類專題圖分類后處除或重新分類，目前常用的方法有Majority/Minority分析、聚類處（clump）和過濾處理（Sieve10中可以看出經過后處理的長江流域分類效果有明顯改善，最小像素的設置會影響圖像中視覺效果(10(e))。 10Clump分析，(f)Sieve分類分分類算法比；②從算法角度看，ISODATA算法與K-均值算法相似，聚類中心都分類效果評非監督分類方法有很多優點②人為誤差減少，需輸入的初始參數較少①對其結果需進行大量分析及后處理，才能得到可靠分類結果②存在同物異譜及異物同譜現象使集群組與類別的匹配難度③不同圖像間的光譜集群組無法保持其連續性，難以對比 11(其中(a)分類清晰，效果明顯；(b)類別較多，比較，邊界不清晰監督分類：最大似然基礎數據處波段合成顯Landsat4-5TM影像共含七個波段。使用ENVIClassic進行多次不同波段組合嘗試并查詢資料光譜選用了信息量最為豐富的54、3波段組合配以紅、綠、藍三種顏色生成假彩色合成圖像，這個組合分類。適用于城鎮和農村土地利用的區分；陸地、水體邊界的確定部結構紊亂，顏色顯示較地深。影像裁將已有的市界shp文件在ArcMap中進行投影轉換，作為掩膜對Landsat影像在Envi中進行裁剪，提取出行政區內部分。目視解譯及感區勾結合目視解譯所得結果利用ENVI感區工具進行細節勾畫，對上述五類進行選點完成感區勾畫實現訓練樣本工作，城耕水植此處我們發現，對于感區的選擇，必須做到均勻分布、像素最大似然法作為性強的監督分類法感區的選擇幾乎決 勾畫完畢后對每個類別的可分離度進行計算可分離度必須大1.8才算合格，可分離度1.9以上說明分離情況較好，可分離度近2則精度越高。下圖為可分離度計算結果實行監督分利用3.3.2中選取的感區為訓練樣本對影像進行最大相似監可以發現特征地物在分類后影像中顯示大體正確，分類結果較準確有必要對這些小圖斑進行剔除或重新分類，目前常用的方法有（Sieve過對比，我們采用了Majority/Minority分析剔除小圖斑，使分類后的分類精度統計分ENVI提度分析方法主要包括矩陣法和ROC曲。對比兩種分類精度分析方法后本實習采用以數據為載體的矩陣法。對分類結果進行矩陣計算，結果如下。從圖中可以看出總體精度為99%以上，Kappa系數為0.98（Kappa系數的最低允許判別精度是0.7。分類精度基本達到要求，分類結果組ROI，如果再選擇一組，數據應該會有所變化。其他成基于PCA變換的非監督分本組成員對影像的預處理用到了PCA變換那是對TM影像6個波段進行的，而我們考慮對一個波段進行PCA變換能得到怎樣的結果。得出結論，對PCA變換后的主分量進行分類，可綜合六個波段特Kmeans六波 PCA主分 單波Kmeans六波 PCA主分 其他監督分馬氏距 神經網最小距 由于對以上分類方法不是十分了解，我們只是用ENVI默認的參監督與非監督分類方法比監督分類是指先人工取出具有代表性的訓練區作為樣通過對光譜群組的重新歸類但是監督分類的缺點主要集中在人為的四、實習過程問題及其解數據選程度，最終我們選擇2%的線性拉伸成為最終的預處理結果。既能達進行實驗。在以后的學習中，可以作為法應用。非監督分在確定類別數時，經驗不足較大，選擇通過現有地盡管有較多的參考圖，但是地和農村，房屋和道路難以區分。由于經驗有限，沒有區別出耕地和植被，水田和江水湖泊，于是類似的類別合并為同一類，最終分類的類別數為4-6類，一定程度上會影響分類精度。直接通過算法分為4-6類會與預期專題圖差距較所以分為預期2-3倍即10-15類后，進行類別合并，會更加符合我們最高迭代