湖南省遥感图像处理教案资料

《湖南省遥感图像处理教案资料》由会员分享，可在线阅读，更多相关《湖南省遥感图像处理教案资料（29页珍藏版）》请在装配图网上搜索。

1、湖南省遥感图像处理1.1 glcf网站介绍v全称为全称为Global Land Cover FacilityGlobal Land Cover Facility，即全，即全球土地覆盖设施。球土地覆盖设施。v关于关于GLCFGLCF全球土地覆盖设备全球土地覆盖设备(GLCF)(GLCF)提供了地球科学提供了地球科学数据和制品数据和制品, ,帮助大家更好地了解全球环境系帮助大家更好地了解全球环境系统。统。GLCFGLCF开发和销售遥感卫星数据和产品说开发和销售遥感卫星数据和产品说明土地覆盖从地方到全球范围。明土地覆盖从地方到全球范围。 vPath RowPath Row LandsatLandsa

2、t卫星采用的全球参考系为卫星采用的全球参考系为WRS(world wide WRS(world wide reference system)reference system)，是国际上非常具有代表意义的，是国际上非常具有代表意义的全球参考系之一。全球参考系之一。WRSWRS是依据卫星地面轨迹的重复特是依据卫星地面轨迹的重复特性，结合星下点成像特性而形成的固定地面参考网格。性，结合星下点成像特性而形成的固定地面参考网格。其其WRSWRS参考系网格与参考系网格与LandsatLandsat卫星数据的成像区域紧密卫星数据的成像区域紧密的契合，的契合，WRSWRS网格的二维坐标采用网格的二维坐标采用P

3、ATHPATH和和ROWROW进行标识。进行标识。 目前目前WRSWRS有两个系统，分别为有两个系统，分别为WRS1WRS1（19831983年之前的参年之前的参考系，考系，Landsat1-3Landsat1-3号卫星采用此参考系）和号卫星采用此参考系）和WRS2WRS2（19831983年之后的参考系，年之后的参考系，Landsat4Landsat4，5 5，7 7号卫星采用号卫星采用此参考系）。此参考系）。 Path RowPath Row查询：查询：http:/ 1.2 数据分析PATHPATH世界世界:1-233;:1-233;中国中国:100-145ROW:100-145ROW世世

4、界界:1-248;:1-248;中国中国:20-48:20-48长沙基本位长沙基本位PATH:123 ROWPATH:123 ROW：4040下图为湖南省下图为湖南省PathPath和和RowRow编号编号1.3 数据下载v登录登录http:/glcf.umiacs.umd.edu/data/http:/glcf.umiacs.umd.edu/data/，在，在此页面，大家可以看到有各种不同的影像分类，此页面，大家可以看到有各种不同的影像分类，像像ASTERASTER，QUICKBIRDQUICKBIRD，LandsatLandsat等。等。v在选择在选择pathpath和和rowrow时，如

5、果需要确认在此查找时，如果需要确认在此查找到的到的PathPath和和RowRow所覆盖的确切范围，可以登录所覆盖的确切范围，可以登录http:/ v具体操作请看实例具体操作请看实例2.2.数据前期处理数据前期处理 将下载下来的几张图利用将下载下来的几张图利用evnievni进行拼接处理。进行拼接处理。具体可以根据实例来进行了解。具体可以根据实例来进行了解。3.3.影像分类方法影像分类方法3.1 3.1 影像分类概述影像分类概述3.2 3.2 影像增强处理影像增强处理3.3 3.3 监督分类监督分类3.1 影像分类概述v遥感影像通过亮度值或像元值的高低差异遥感影像通过亮度值或像元值的高低差异（

6、反映地物的光谱信息）及空间变化（反映（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。这是区分不同影像地物的物理基础。v遥感影像分类就是利用计算机通过对遥感影遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现感影像中与实际地物的对应信息，从而实现遥感

7、影像的分类。遥感影像的分类。 3.1 影像信息提取技术概述遥感分类技术的发展v可分为四个阶段可分为四个阶段人工解译人工解译基于光谱基于光谱计算机自计算机自动分类动分类基于专家基于专家知识的决知识的决策树分类策树分类面向对象面向对象特征自动特征自动提取提取四种方法并存四种方法并存ENVI中基于光谱分类方法v非监督分类非监督分类 ISODATAISODATA K-MeansK-Meansv监督分类监督分类 基于传统统计分析分类器基于传统统计分析分类器 平行六面体平行六面体 最小距离最小距离 马氏距离马氏距离 最大似然最大似然 基于人工智能分类器基于人工智能分类器 神经网络神经网络 基于模式识别分类

8、器基于模式识别分类器 支持向量机支持向量机 模糊分类模糊分类3.2 监督分类v数据源数据源 以以glcfglcf网站下载数据为数据源网站下载数据为数据源v处理过程处理过程 选择样本选择样本, ,后选择一种分类器进行分类。后选择一种分类器进行分类。 分类后处理分类后处理 类后处理类后处理 Majority/Minority Majority/Minority 分析分析 ClumpClump SieveSieve 精度分析精度分析 生成随机样本生成随机样本 混淆矩阵混淆矩阵v结果结果 分类结果分类结果3.2 监督分类v第一步：类别定义第一步：类别定义/ /特征判别特征判别v 根据分类目的、影像数据

9、自身的特征和分类区收集的信根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，息确定分类系统；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。这个过程主要是决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。一个目视查看的过程，为后面样本的选择打下基础。v 本例类别分为：林地、草地、耕地、居民地、水体、其本例类别分为：林地、草地、耕地、居民地、水体、其他六类。他六类。v第二步：样本选择第二步：样本选择v 打开分类图像，在打开分类图像，在Display-Overlay-Region of

10、Display-Overlay-Region of InterestInterest，默认，默认ROIsROIs为多边形，按照默认设置在影像上为多边形，按照默认设置在影像上定义训练样本。定义训练样本。3.2 监督分类v 在在ROIsROIs面板中，选择面板中，选择Option-Compute ROI Option-Compute ROI Separability,Separability,计算样本的可分离性。各个计算样本的可分离性。各个样本类型之间的可分离性，用样本类型之间的可分离性，用Jeffries-Jeffries-Matusita, Transformed DivergenceMatu

11、sita, Transformed Divergence参数表参数表示，这两个参数的值在示，这两个参数的值在02.002.0之间，大于之间，大于1.91.9说明样本之间可分离性好，属于合格样本；说明样本之间可分离性好，属于合格样本；小于小于1.81.8，需要重新选择样本；小于，需要重新选择样本；小于1 1，考虑，考虑将两类样本合成一类样本。将两类样本合成一类样本。3.2 监督分类v第三步：分类器选择第三步：分类器选择v 根据分类的复杂度、精度需求等确定哪一种分类器。目根据分类的复杂度、精度需求等确定哪一种分类器。目前前ENVIENVI的监督分类可分为基于传统统计分析学的，包括的监督分类可分为基

12、于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（等，针对高光谱有波谱角（SAMSAM），光谱信息散度，二进），光谱信息散度，二进制编码。下面是几种分类器的简单描述。制编码。下面是几种分类器的简单描述。3.2 监督分类v平行六面体平行六面体v 根据训练样本的亮度值形成一个根据训练样本的亮度值形成一个n n维的平行六面体数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据空间，其他像元的光谱值

13、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中。个训练样本所对应的区域，就被划分其对应的类别中。v最小距离最小距离v 利用训练样本数据计算出每一类的均值向量和标准利用训练样本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，到位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。哪一类中心的距离最小，该像元就归入到哪一类。v马氏距离马氏距离v 计算输入图像到各训练样本的协方差距离（一种有计算输入图像到各训练样本

14、的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。协方差距离最小的，即为此类别。3.2 监督分类v最大似然最大似然v 假设每一个波段的每一类统计都呈正态分布，计算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。到似然度最大的一类当中。v神经网络神经网络v 指用计算机模拟人脑的结构，用许多小的处理单元指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆

15、、思模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。考过程。3.2 监督分类v支持向量机支持向量机v支持向量机分类（支持向量机分类（Support Vector MachineSupport Vector Machine或或SVMSVM）是一种建立在统计学习理论（是一种建立在统计学习理论（Statistical Learning Statistical Learning TheoryTheory或或SLTSLT）基础上的机器学习方法。）基础上的机器学习方法。SVMSVM可以自动寻可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出找那些对分类有较大区分能力的支持向量，由此构造出分

16、类器，可以将类与类之间的间隔最大化，因而有较好分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。的推广性和较高的分类准确率。v波谱角波谱角v 它是在它是在N N维空间将像元与参照波谱进行匹配，通过计维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。对比，较小的角度表示更大的相似度。3.2 监督分类v第四步：分类后处理第四步：分类后处理v分类后处理包括的很多的过程，都是些可选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、小项，

17、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。斑点处理（类后处理）、栅矢转换等操作。v更改类别颜色更改类别颜色v可以在可以在Interactive Class ToolInteractive Class Tool面板中，选面板中，选择择Option-Edit class colors/namesOption-Edit class colors/names更改，更改，也可以在也可以在Display-Color Mapping-Class Display-Color Mapping-Class Color MappingColor Mapping。如下图所示，直接可以在对

18、。如下图所示，直接可以在对应的类别中修改颜色。应的类别中修改颜色。3.2 监督分类v 分类统计分析分类统计分析v 主菜单主菜单-Classification-Post -Classification-Post Classification-Class StatisticsClassification-Class Statistics。如下。如下图所示，包括基本统计：类别的像元数、最图所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信大最小值、平均值等，直方图，协方差等信息。息。3.2 监督分类练习v栅矢转换栅矢转换v打开主菜单打开主菜单- -Classification

19、-Post Classification-Post Classification-Classification-Classification to Classification to VectorVector，可以将分类后得，可以将分类后得到的结果转化为矢量格式，到的结果转化为矢量格式，或者主菜单或者主菜单-Vector-Vector-Raster to VectorRaster to Vector，在选，在选择输出参数时候，可以选择输出参数时候，可以选择特定的类别，也可以把择特定的类别，也可以把类别单独输出为矢量文件类别单独输出为矢量文件或者一个矢量文件。或者一个矢量文件。 3.2 监督分类

20、v 第五步：结果验证第五步：结果验证v对分类结果进行评价，确定分类的精度和可靠性。有两种方式用对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是于精度验证：一是混淆矩阵，二是ROCROC曲线，比较常用的为混淆矩曲线，比较常用的为混淆矩阵，阵，ROCROC曲线可以用图形的方式表达分类精度，比较形象。曲线可以用图形的方式表达分类精度，比较形象。v真实参考源可以使用两种方式：一是标准的分类图，二是选择的真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单

21、- -Classification-Post Classification-Confusion MatrixClassification-Post Classification-Confusion Matrix或或者者ROC CurvesROC Curves来选择。来选择。v真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的由于没有更高分辨率的数据源，本例中就把原分类的TMTM

22、影像当作影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用用ROIROI工具，在工具，在TMTM图上均匀的选择图上均匀的选择6 6类真实参考源。类真实参考源。 3.2 监督分类v选择主菜单选择主菜单Classification-Post Classification-Post Classification-Classification-Confusion Matrix-Confusion Matrix-Using Ground Truth Using Ground Truth ROIsROIs。将分类结果和。将分类结果和R

23、OIROI输入，软件会根据分类输入，软件会根据分类代码自动匹配，如不正代码自动匹配，如不正确可以手动更改（下确可以手动更改（下图）。点击图）。点击okok后选择报后选择报表的表示方法（像素和表的表示方法（像素和百分比），就可以得到百分比），就可以得到精度报表（分类精度评精度报表（分类精度评价混淆矩阵图）。价混淆矩阵图）。 3.2 监督分类练习分类精度评价混淆矩阵图 3.2 监督分类v 这里说明一下混淆矩阵中的几项评价指标，这里说明一下混淆矩阵中的几项评价指标，如下：如下：v 总体分类精度总体分类精度v 等于被正确分类的像元总和除以总像元数。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

24、数目沿着混淆矩阵的对角被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的元总数，如本次精度分类精度表中的Overall Accuracy = (1849/2346) Overall Accuracy = (1849/2346) 78.8150%78.8150%。 3.2 监督分类v KappaKappa系数系数v 它是通过把所有真实参考的像元总数（它是通过把所有真实参考的像元总数（N N）乘以混淆矩阵对角线（乘以混淆矩阵对角线（XKKXKK）的和，再减去）的和，再减去某一类中真实参考像元数与该类中被

25、分类像某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。类像元总数之积对所有类别求和的结果。v KappaKappa计算公式计算公式 2.2 监督分类v 错分误差错分误差v指被分为用户感兴趣的类，而实际属于另一类的像元，指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，林地有它显示在混淆矩阵里面。本例中，林地有419419个真实参个真实参考像元，其中正确分类考像元，其中正确分类265265，1

26、212个是其他类别错分为林个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分地（混淆矩阵中林地一行其他类的总和），那么其错分误差为误差为12/419=2.9%12/419=2.9%。v 漏分误差漏分误差v指本身属于地表真实分类，当没有被分类器分到相应类指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的耕地类，有真实参考像元别中的像元数。如在本例中的耕地类，有真实参考像元465465个，其中个，其中462462个正确分类，其余个正确分类，其余3 3个被错分为其余类个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误（混淆矩阵中耕地类中一列里其

27、他类的总和），漏分误差为差为3/465=0.6% 3/465=0.6% 2.2 监督分类v 制图精度制图精度v是指分类器将整个影像的像元正确分为是指分类器将整个影像的像元正确分为A A类的像元数类的像元数（对角线值）与（对角线值）与A A类真实参考总数（混淆矩阵中类真实参考总数（混淆矩阵中A A类列的类列的总和）的比率。如本例中林地有总和）的比率。如本例中林地有419419个真实参考像元，个真实参考像元，其中其中265265个正确分类，因此林地的制图精度是个正确分类，因此林地的制图精度是265/419=63.25%265/419=63.25%。v 用户精度用户精度v是指正确分到是指正确分到A A类的像元总数（对角线值）与分类器将类的像元总数（对角线值）与分类器将整个影像的像元分为整个影像的像元分为A A类的像元总数（混淆矩阵中类的像元总数（混淆矩阵中A A类行类行的总和）比率。如本例中林地有的总和）比率。如本例中林地有265265个正确分类，总共个正确分类，总共划分为林地的有划分为林地的有277277，所以林地的用户精度是，所以林地的用户精度是265/277=95.67%265/277=95.67%。 此课件下载可自行编辑修改，仅供参考！此课件下载可自行编辑修改，仅供参考！感谢您的支持，我们努力做得更好！谢谢感谢您的支持，我们努力做得更好！谢谢