25ENVI 分类后数据变化检测

《25ENVI 分类后数据变化检测》由会员分享，可在线阅读，更多相关《25ENVI 分类后数据变化检测（4页珍藏版）》请在装配图网上搜索。

1、1）差异探测统计使用 Change Detection Statistics 选项可以将两幅分类图像之间的差异编辑成一个详细的 表格。使用该程序所探测的差异与仅对两幅图像进行简单差值运算所得出的结果有明显区 别。统计结果包含类别对类别（class-for-class）的图像差异分析，分析主要集中在初始状态 类别的变化对于初始状态类别，分析识别出哪些像元发生了变化，变化为终止状态图像 中的哪一类。可以用像元数量、百分比和面积对这些像元进行记录。另外，该处理还会生成 一幅特殊类型的掩膜图像（分类掩膜），该图像为统计报表提供了有力补充。分类掩膜是类 别颜色与终止状态图像中的颜色相匹配的ENVI分类图

2、像，这有助于识别发生变化的区域以 及变化像元的归属。输入图像必须经过配准或地理坐标定位。为了提高计算结果的精度，在处理前一定要对 图像进行认真细致的配准。如果输入图像没有经过配准，程序将使用可获取的地图信息对图 像进行自动配准，在配准过程中，如果需要重新投影和重采样，系统将使用初始图像作为基 图像。在 ENVI 主菜单中，选择 Basic Tools Change Detection Change Detection Statistics，或 Classification Post Classification Change Detection Statistics。在第一个文件选择对话框中，

3、选择展示初始状态的分类图像，若需要，选取任意空间子 集。在第二个文件选择对话框中，选择展示终止状态的分类图像，若需要，选取任意空间子 集。将出现 Define Equivalent Classes 对话框。通过在两个列表中点击所需类别名称并点击 “Add Pair ”按钮，将来自初始状态和终止状态的类别相匹配。可以仅添加希望包含在差异探测分析中的类别，无须将所有的类别都配对。被配对的类 别出现在对话框底部的列表中。如果每幅图像中的类别名称相同，它们将自动配对。要从列表中删除一组配对类别，点击该组名称，然后点击“Remove Pair”按钮，该组 中的两个类别将重新出现在对话框顶部的列表中。要删

4、除所有配对类别，点击“Remove All”按钮，所有类别将重新出现在对话框顶部的 列表中。类别配对完毕后，点击“OK”。将出现Change Detection Statistics Output对话框。在“Report Tpye”标签旁，选择希望生成的统计记录类型，包含如下选项:“Pixels”、“Percent”和“Area”。要输出分类掩膜，在“ Output Classification Mask Images ”标签旁的切换按钮中选择 “Yes”，然后为掩膜图像选择输出到“File”或“Memory”。若不需要输出分类掩膜，将切 换按钮设置为“No”。如果输入图像需要纠正或重采样，从

5、而生成一对配准图像，在Change Detection Statistics Output对话框中将包含附加的选项，允许将自动配准的图像保存到“File”或“Memory”。点击“OK”，开始处理。如果选择了以面积格式输出统计记录，但是在初始状态图像中 没有设置像元尺寸，将出现 Define Pixel Sizes for Area Statistics 对话框，键入像元尺寸并点 击“OK”。如选择“Cancel”，统计记录中将不包括面积计算。将出现一个状态窗口，显示 操作进程。差异探测统计报表差异探测统计报表是一个交互式的报表窗口，其中包含所有选择的统计参数，它们出现 在相应的标签下。报表中

6、还包含一个Reference”标签，其中包含分析的附加信息，例如： 输入文件的名称和类别配对情况。下面的示例将对Change Detection Statistics列表（见图5-12）中的不同部分进行说明。表 5-1：差异探测分析中的类别示例Initial StateClassesFinal State ClassesEquivalent Class PairingsurbanLirlvi nurban = urbanlureslmixed lurcsllore si = mixed luresiagricultureirriLiaicd vcgcialiunaiLriculiure = i

7、ri iLiaied vceiaiiungrasseslaII grass卩i；iidgrasses = kill grass/prairielakes 氐 pondsburn scjr要注意到，由于初始和终止状态图像所包含的类别数不同，初始状态类别中仅有4类包含在 Equivalent Class Pairings 列表中，没有使用 lakes&ponds 类。图 5-12：差异探测分析报表示例urbanfoitagricukuregra$se&Row TDialass TctdUncloiFicdn122 480113022rrigaled vsg053259G2G?51264124G4W

8、 DEs/ri口ip;0205?756&2754048ES548685burn 池arB874138品uibdh133399521G571GQ252512525GmtEBd term业01E43935508362718C72w-ateiass r ota!0伽G2ICE2051133392103121279139079匚la昭 Chargssn45413E82912338Irndc DiferencellHb/:JJ1 4U兜/yyij/统计报表将初始状态类别列在每一列中，将终止状态类别列在每一行中。但是为了对变 换了类别的像元分布进行充分计算，列中仅包含所选的用于配对的初始状态类别，行中却包

9、 含所有的终止状态类别。对应每一个初始状态类别（即每一列），分析报表显示出了这些像 元在终止状态图像中的分类状况。例如：在上面的报表示例中，在初始状态图像中被分为 urban （城市）的像元在终止状态图像中没有发生改变；但是有9523个初始被分为forest （森 林）的像元在终止状态图像中被分为urban （城市）。“Class Total”行显示出每个初始状态类别中所包含的像元数。“Class Total”列显示出 每个终止状态类别中所包含的像元数。从上面的报表示例中可以看出：在初始状态图像中， 有13389个像元被归为urban类别；而在终止状态图像中，有25256个像元被归为urban

10、类 别。“Row Total”列显示出每一类终止状态像元先前被归为初始状态类别的总和。由于并 不需要将所有的初始状态类别包含到分析中来，因此该值可能与“Class Total”列中的值并 不相同。例如：如表5-1所示，初始状态类别lakes&ponds并没有被包含在分析中。正是由 于初始状态 lakes&ponds 类别中的像元在终止状态图像中被归属为其他类，造成了“ Row Total”列和“Class Total”列的差异（例如：在上面的报表示例中，由于初始状态lakes&ponds 类别中有5个像元在终止状态图像中被归属为urban，因此造成了 “Row Total”列和“Class T

11、otal”列的数据差异为5）。“Class Changes”行显示出改变类别的初始状态像元数。在图5-12的报表中，forest （森 林）的类别改变总数为45419个像元，也就是说，有45419个初始被归类为森林的像元在终 止状态图像中被归属为miexed forest （混和林，配对类别）以外的其他类型。该数据是从初 始森林类别的像元总数210312中减去forest （森林）列中的mixed forest像元数164893得 来的。“Image Difference”行显示出两幅图像中的配对类别中像元总数的差值，即从终止状态 类别像元总数中减去初始状态类别像元总数。该值为正代表类别尺寸增加。例如：在上面的 报表示例中，尽管初始状态图像中的urban类型像元没有发生改变，但由于“Image Difference” 值为11867，因此unban类别的尺寸也会增大。使用Change Detection Statistics对话框顶部的按钮，可以选择以“Percentage”或“Area” 格式显示类别更改的等价信息。在图5-12中没有显示的百分比记录中，我们可以得到urban 类别的增大百分比88%：(终止状态像元数一初始状态像元数)/初始状态像元数=(2525613389)=0.886