遙感影像分類方法試驗(yàn)報(bào)告

1、實(shí)驗(yàn)報(bào)告目錄 TOC o 1-5 h z HYPERLINK l bookmark2 o Current Document 1實(shí)驗(yàn)?zāi)康?4 HYPERLINK l bookmark4 o Current Document 2實(shí)驗(yàn)數(shù)據(jù) 4 HYPERLINK l bookmark6 o Current Document 3實(shí)驗(yàn)內(nèi)容 4 HYPERLINK l bookmark8 o Current Document 4實(shí)驗(yàn)步驟 5 HYPERLINK l bookmark10 o Current Document 對(duì)人口矢量數(shù)據(jù)（shapefile ）進(jìn)行投影轉(zhuǎn)換 5Census.shp 文件投

2、影坐標(biāo)的檢查 5將投影坐標(biāo)轉(zhuǎn)換為 WGS_1984_UTM_Zone_16N 6 HYPERLINK l bookmark32 o Current Document 對(duì)遙感影像進(jìn)行幾何精校正（以經(jīng)過(guò)投影變換的人口矢量數(shù)據(jù)為基準(zhǔn)）.6Census.shp 在 ENVI 軟件的加載 6 HYPERLINK l bookmark36 o Current Document 對(duì)遙感影像進(jìn)行幾何精校正（以矢量數(shù)據(jù)為基準(zhǔn)） 7 HYPERLINK l bookmark46 o Current Document 用矢量圖層對(duì)遙感影像進(jìn)行裁剪 10 HYPERLINK l bookmark57 o Curren

3、t Document 將Pan波段和多光譜波段進(jìn)行融合，并對(duì)融合效果進(jìn)行定性和定量評(píng)價(jià).11兩種融合方法的原理 11進(jìn)行 Gram-Schmidt Spectral Sharpening 融合 11融合效果進(jìn)行定性評(píng)價(jià) 14融合效果進(jìn)行定量評(píng)價(jià)（軟件提供的計(jì)算方法） 15融合效果進(jìn)行定量評(píng)價(jià)（Matlab編程at算） 16遙感影像融合定量分析代碼 20 HYPERLINK l bookmark119 o Current Document 生成住房密度柵格影像 23兩表的連接 23計(jì)算房屋密度 24 HYPERLINK l bookmark130 o Current Document 直接?xùn)鸥窕?/p>

4、 25IDW 插值 25對(duì)房屋密度圖進(jìn)行重分類 26 HYPERLINK l bookmark142 o Current Document 將住房密度柵格影像作為額外的通道與ETM多光譜波段進(jìn)行疊加 26 HYPERLINK l bookmark146 o Current Document 監(jiān)督分類（融合方法為 HSV波段為5, 4, 3） 27打開Google Earth 影像作為監(jiān)督分類的參照 27建立興趣區(qū) 29 HYPERLINK l bookmark174 o Current Document 訓(xùn)練樣區(qū)的選擇 30 HYPERLINK l bookmark176 o Current

5、Document 訓(xùn)練樣區(qū)的評(píng)價(jià) 31執(zhí)行監(jiān)督分類 33 HYPERLINK l bookmark202 o Current Document 分類后處理 35 HYPERLINK l bookmark222 o Current Document 評(píng)價(jià)結(jié)果分析 37分類結(jié)果面積統(tǒng)計(jì) 38分類結(jié)果 41 HYPERLINK l bookmark248 o Current Document 分類結(jié)果評(píng)價(jià)與分析 41 HYPERLINK l bookmark250 o Current Document 未加入房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析 41加入IDW插值房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析 42加

6、入直接?xùn)鸥窕课菝芏葓D層的分類結(jié)果評(píng)價(jià)與分析 43加入重分類后IDW插值房屋密度圖層的分類結(jié)果評(píng)價(jià)與分析 44 HYPERLINK l bookmark268 o Current Document 從總精度與Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià) 45 HYPERLINK l bookmark292 o Current Document 分類結(jié)果總體評(píng)價(jià) 46與其他訓(xùn)練樣區(qū)的分類精度和Kappa系數(shù)的計(jì)算 48 HYPERLINK l bookmark308 o Current Document 決策樹分類 49決策樹分類原理 49數(shù)據(jù)預(yù)處理 49指數(shù)的計(jì)算 51執(zhí)行決策樹 54不同參數(shù)設(shè)置的對(duì)比

7、575實(shí)驗(yàn)體會(huì) 60實(shí)驗(yàn)中存在的問(wèn)題 60軟件平臺(tái)使用 63實(shí)驗(yàn)總結(jié) 631實(shí)驗(yàn)?zāi)康恼莆誂rcGIS10和ENVI4.7對(duì)遙感圖像處理的基本操作與原理熟悉幾何精校正的方法，掌握 ENVI軟件對(duì)遙感影像進(jìn)行幾何精校正掌握全色波段與多光譜波段的融合方法和原理，學(xué)會(huì)對(duì)融合效果進(jìn)行定性定量分析熟悉掌握ArcGIS的柵格化方法和IDW插值方法熟悉監(jiān)督分類的方法和基本原理，掌握ENVI軟件中進(jìn)行監(jiān)督分類了解監(jiān)督分類后評(píng)價(jià)過(guò)程，對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和分析掌握Erdas的空間建模方法以及原理了解RuleGen算法，掌握決策樹分類方法2實(shí)驗(yàn)數(shù)據(jù)帶屬性數(shù)據(jù)的shapefile : Census.shp 帶有陸地

8、面積字段的矢量圖層: GoogleEarth_ 原始拼接：GE1005211134.jpg 研究區(qū)域的多光譜波段數(shù)據(jù)：Stack_b1-6162-7.img 研究區(qū)域的全色波段數(shù)據(jù)：b8.img監(jiān)督分類參照影像：Google Earth3實(shí)驗(yàn)內(nèi)容對(duì)人口矢量數(shù)據(jù)（shapefile ）進(jìn)行投影轉(zhuǎn)換： WGS_1984_UTM_Zone_16N對(duì)遙感影像進(jìn)行幾何精校正（以經(jīng)過(guò)投影變換的人口矢量數(shù)據(jù)為基準(zhǔn)）：（1）對(duì)多光譜波段（30 m空間分辨率）進(jìn)行幾何精校正（小于 0.25個(gè)像元）；（2）對(duì)Pan波段（15 m空間分辨率）進(jìn)行幾何精校正（小于 0.25個(gè)像元）；將Pan波段和多光譜波段進(jìn)行融合（

9、自選至少一種融合算法），并對(duì)融合效果進(jìn)行定性和定量評(píng)價(jià)；生成住房密度柵格影像：（1）直接?xùn)鸥窕?；IDW 插值；將住房密度柵格影像作為額外的通道(或波段)與ETM侈光譜波段進(jìn)行疊加；進(jìn)行監(jiān)督分類和分類后處理( Post-Classification , Expert Rules )利用ERDA函件的空間建模(Spatial Modeler )進(jìn)行水體信息(MNDW旨數(shù))和植 被信息(NDVI指數(shù))的提?。焕谩白詣?dòng)閾值決策樹分類算法”進(jìn) Marion County的土地利用/覆蓋分類信息提取(使用的數(shù)據(jù)：原始各波段 +MNDWI+NDVI+ISODATA,或其他有益的波段組合) 探討“自動(dòng)閾值決

10、策樹分類算法”中的各個(gè)參數(shù)意義及如何設(shè)置更合理對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)與分析對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)和分析；4實(shí)驗(yàn)步驟對(duì)人口矢量數(shù)據(jù)(shapefile )進(jìn)行投影轉(zhuǎn)換Census.shp文件投影坐標(biāo)的檢查根據(jù)實(shí)驗(yàn)要求，人口矢量數(shù)據(jù)(shapefile )進(jìn)行投影坐標(biāo)應(yīng)為： WGS_1984_UTM_Zone_16N在ArcGIS軟件的圖層右擊 Properties ,在Layer Properties 的Source下查看投影信息，如圖1。得到Census.shp的投影坐標(biāo)為：GCS_North_American_1983 ,與實(shí)驗(yàn)要求不符合，需進(jìn)行投影轉(zhuǎn)換。Layer PropertieiI 餐圖

11、1將投影坐標(biāo)轉(zhuǎn)換為 WGS_1984_UTM_Zone_16N在Arcgis軟件的工具箱中的Define Projection 工具，設(shè)置輸入數(shù)據(jù)為：Census.shp ,坐標(biāo)系統(tǒng)為GCS_WGS_198麻工具箱中的工具，設(shè)置輸入數(shù)據(jù)：Census.shp ,導(dǎo)入遙感影像的投影坐標(biāo)系，即GCS_WGS_1984如圖2）。圖2對(duì)遙感影像進(jìn)行幾何精校正（以經(jīng)過(guò)投影變換的人口矢量數(shù)據(jù)為基準(zhǔn)）Census.shp 在 ENVI 軟件的加載在ENVI軟件中，F(xiàn)ile - Open Vector File ,選擇 Census.shp ,設(shè)置好參數(shù)，生成evf文件（如圖3）。圖30K :對(duì)遙感影像進(jìn)行幾

12、何精校正（以矢量數(shù)據(jù)為基準(zhǔn)）在ENVI分別打開遙感影像img和矢量文件vef,選擇Map - Registration - Select GCPs :image to map,以矢量數(shù)據(jù)為基準(zhǔn)，設(shè)置好投影，如圖 4。RegistTiartJDnRjgorDUE OrthorEdilicErbonOrrfiorectificafrienMtwickirgSelect GO% Image ：d nugeSelect Image m MapGEareiEnerKt fram Input Geomdry4 fWarp from GCP Image to linageWarp From GCPs； Im

13、age to MapAutcmaLc fieg?trjtion: Image tD bn呼在ENVI中，在zoom窗口下采集控制點(diǎn)，這次實(shí)驗(yàn)采集的控制點(diǎn)數(shù)為13個(gè),控制點(diǎn)的主要定位在道路與道路之間的交叉點(diǎn),如圖5,其控制點(diǎn)的 RMS Error為0.246390,如圖6,如圖7為20個(gè)控制點(diǎn)的采集情況。圖5r Im啊母 to Map GCP U5t1三5File Optioris如Inap r ii4c x工附解甘Yl七dim 尸飛加打丫 Error XErrcr 丫酈I 1#14-5BZ066. 04S12652,依麗.各L379.5TT40.Z5671379. 331ED 0137-0.

14、23日4. 2391*58365. 104409712. 3E 1416. W1479.001416. 98Sf 147S. 110D. 1130. USS1*34-551698. 5731526. 7E 1395. 23L8&4.4I1395 DTT2t J8B4 13E-D 2tB0P 26640,3300570131.304.4003. St 1009.071S21.931009.20211522. ISieO 132*T0.23160. 2669*5+曲L,E4制旺30. 514g 5M03 3rm】麗口 TTOsQ 40T30.0602QTIBQ566633.604.3936T& 2

15、692.932013.078ft3.0&7720I2.7&710-15774). 30290.341S*7+50654315543-94329. 5 1556 79l甌兆1556 &S1H9D S9S2-D 1519Q 3】健Q. 3457559711.77W0HI5J5.7EG61.9S1765.97662.01261163. 120,OS2fi0. 154120.16BS5T1675.494432566, IQW. S3l迎571060 56S336Z 516= Q 0553P 05350, OTTO#10*57&4J60.11435055. 2JC1220. ?!1220. 503i 1

16、66. 6ME CL 空軸0. 0150. 26*15值通554388401292.21139.031?92 21103B 975C0 0719-0. 05500. 0905#12+S&SBi工的401256.769.0717M. 527&8.T9201759.前氓-0. 2T8fl0. 13050.33E5* LI* 1口紅UQ. | 西加七.K&de Lisi選擇校正參數(shù)輸出結(jié)果，在Ground Control Points Selection窗口選擇 Option - WarpFile，如圖8;數(shù)學(xué)模型為Polynomial ,設(shè)定參數(shù)為2,從采樣方法為最臨近法，如圖 9。File Op

17、tions | HelpWarp Displayed B渺tLWarp File,Warp Delayed Band (as Image to Map.岫Reverse脈訓(xùn)抑p 7i.二kt Degree (RSI Only)=Auto Predict/ R#gistrjti&n Param*t看如圖10、11為幾何校正前后，矢量圖層與遙感影像吻合度的對(duì)比，可以明顯看出，經(jīng)過(guò)幾何校正后的遙感影像與矢量圖層吻合程度有明顯的改善，有部分水體邊界不吻合， 這主要是由于水體會(huì)隨時(shí)間而改變；而街區(qū)與道路吻合程度良好。圖10圖1113如圖12為對(duì)多光譜波段（30 m空間分辨率）進(jìn)行幾何精校正后的遙感影像；

18、如圖 為對(duì)Pan波段（15 m空間分辨率）進(jìn)行幾何精校正后的遙感影像。圖12圖13用矢量圖層對(duì)遙感影像進(jìn)行裁剪在ENVI中打開Census.shp文件，將該圖層轉(zhuǎn)換成ROI,如圖14。*1 IectfK4.% J= 回PMa* 前 O0ww H 而Open VkDck FH*, fCraate New Layer.力*1 kJ牲r4 to Te口值整.RffsbEr? Lasers From Templffir.Export A。證泮r 2 ROtf.EjqKrt A6rt Ldr CD 珈）蘆網(wǎng).Calculate Bufer Zone,Cwd圖14通過(guò)ROI進(jìn)行裁剪遙感影像，選才B Bas

19、ic Tools -Subset Data via ROIs ;選擇轉(zhuǎn)換好的ROI進(jìn)行裁剪，如圖15。圖1510同樣，對(duì)pan波段的遙感影像進(jìn)行裁剪，得到遙感影像如圖16。圖164.3 將Pan波段和多光譜波段進(jìn)行融合，并對(duì)融合效果進(jìn)行定性和定量評(píng)價(jià)兩種融合方法的原理Gram-Schmidt可以對(duì)具有高分辨率的高光譜數(shù)據(jù)進(jìn)行銳化。從低分辨率的波譜波段中模擬出一個(gè)全色波段。對(duì)該全色波段和波譜波段進(jìn)行Gram-Schmidt變換，其中模擬的全色波段被作為第一個(gè)波段。用Gram-Schmidt變換后的第一個(gè)波段替換高空間分辨率的全色波段。應(yīng)用Gram-Schmidt反變換構(gòu)成pan銳化后的波譜波段。

20、Gram-Schmidt Spectral Sharpening方法進(jìn)行圖像增強(qiáng)能夠比較好的保留原多光譜圖像的光譜信息，使遙感影像的融合保留多光譜影像的增強(qiáng)效果。用PC可以對(duì)具有高空間分辨率的光譜圖像進(jìn)行銳化。先對(duì)多光譜數(shù)據(jù)進(jìn)行主成分變換。用高分辨率波段替換第一主成分波段，在此之前，高分辨率波段已被縮放匹配到第一主成分波段，從而避免波譜信息失真。進(jìn)行主成分逆變換。函數(shù)自動(dòng)地用最近鄰、 雙線性或三次卷積技術(shù)將多光譜數(shù)據(jù)重 采樣到高分辨率像元尺寸。進(jìn)行 Gram-Schmidt Spectral Sharpening 融合在 ENVI 軟件中，選擇 Transform - Image Sharpe

21、ning - Gram-Schmidt SpectralSharpening ,在 Select Low Spatial Resolution Multi Band Input File 中選擇 Stack_b1-6162-7_CJ.img 多光譜波段，Spatial Subset 為 Full Scene , Spectral Sunset 為8個(gè)波段，如圖17。11圖17在 Select High Spatial Resolution Pan Input File 段，如圖18。窗口中選擇 b8_CJ.img全色波Q1 Sdect High Spatigl RewluiiiDn Pamj.

22、 t5u.icl input Bu-ii：Z g) 5Uck_bl-6I.E?-7_CJ:期工刖隼+ffM-p 口用MT 口初IKrsi jfQ.iy*r口AOIKniztffwpiliiTtr口KOIEiEiztffrpCLiytr、口hOIKi-siitfftrpili-ytr口KOIAn in：力樹pLkytr:口MIKifiit4tMeCL中襯,口101Kaljlt4tHiId44r；+ 曜 Hifii 3日固WJJ JU I J；ai3 X FkTP 1133 EBl Sail e 僧自心布CBmd1 :LT l02L032_CK2CffiMB06 JLG. TU) 3E5k_H6L

23、fl2T. 陰除T】 tnd Inf ctbjiI L-anm i ： =TDins 2225 x 22 I I LEQSLe Byti 1.903,350 IrLiii fil Typt Ekfl StuxdrdTunlaa Image Sharpening - PC Spectral Sharpening在 Select Low Spatial Resolution Multi Band Input File 中選擇 Stack_b1-6162-7_CJ.img 多光譜波段，Spatial Subset 為 Full Scene , Spectral Sunset 為 8 個(gè)波段，如圖 2

24、0。圖20在 Select High Spatial Resolution Pan Input File窗口中選擇 b8_CJ.img全色波段，如圖21。Select SpatialInput Fi eStLtrt Input Bud壓5第+ 印d * 國(guó) W,CJBOI Rai;三下作IBW據(jù)畀段 2225 x 220fl n 1 解布工電 I班3】35c bflts.Fil* Typt5t 100 ;說(shuō)明了融合后影像的亮度信息提高了。但PC和GS兩者的Value通過(guò)圖上很難分辨出區(qū)別。iao50號(hào)M_ 200320SampleHorizorrtol Profile250圖 26 X Pro

25、fileMrii3 PpR加國(guó)h 口HnlpVertical ProfileG Fl Vertical Prodi1#2 件也H IWik25C28D Q Q D- 5 fl 5II53 Vertal ProflfeFd/ EdH PptK?rvw Pforl %nftKri Hplp#3 Vertical PraflleView Stitisties Fik$um BdfbdtGrrwjte Rsndmra Sjmpe3u a EgMiMu潛Ep D*Ka Lajrer StackingCctft Da |BSQ Blk 日曬Slrrtch DataEuikiki如而.tahs&csChan

26、g：e Detection TmlD/ “小28。圖 27 Y Profile在 ENVI 4.7 軟件中，選擇 Basic Tools -Stayistics -Compute Statistics15圖28如表1為原始影像、PC融合后影像和GS融合后影像的部分統(tǒng)計(jì)參數(shù)。晶:穌康信強(qiáng)白感比米圖29蹣雁融理馳晡均值方差band281,3476921.59512原始影像band379.2623232.45205band498.1691620. 65547band281,3970921.85553PC融合ban.d379.6408333, 08145band4IT20121.71396band28

27、1.3107819.67364暨融合bandST9. 2934927.6280920. 623%band498.182OE表1從圖29、30,兩張折線圖上我們可以直觀的了解原始影像、PC融合后影像和 GS融合后影像在亮度信息上的關(guān)系。在均值上，PC融合影像和GS融合影像均有所增加，但是從幅度上來(lái)看，PC融合影像的均值增加的幅度較大，較GS融合影像更有利于目視判讀。在方差上，與原始影像相比較 PC融合影像的方差有所增加，而GS融合影像的方差大幅下降，不利于目 視判讀。因此，在亮度指標(biāo)上最好的為PC融合，其次為 GS融合。融合效果進(jìn)行定量評(píng)價(jià) (Matlab編程計(jì)算)此次實(shí)驗(yàn)從融合影像的亮度信息，

28、清晰程度，光譜保持程度，信息豐富程度等多角度進(jìn)行評(píng)價(jià)分析，相比傳統(tǒng)的單一定量評(píng)價(jià)全面，能夠減少評(píng)價(jià)的隨機(jī)性， 使得定量評(píng)價(jià)更加科學(xué)全面。主要通過(guò) 4方面進(jìn)行統(tǒng)計(jì)分析：亮度信息，針對(duì)融合后影像亮度信息進(jìn)行評(píng)價(jià)， 主要包括均值和標(biāo)準(zhǔn)差等指標(biāo)。清晰度，評(píng)價(jià)融合影像的清晰程度，主要包括平均梯度和 空間頻率等指標(biāo)。光譜信息，評(píng)價(jià)融合后影像的光譜變形情況 ，包括扭曲程度，相關(guān)系數(shù)等 指標(biāo)。信息量，評(píng)價(jià)融合后信息量的保持或增加程度，主要包括信息嫡,交叉嫡和互信息等指標(biāo)。以下公式中，影像函數(shù)為 Z(X, Y),影像的行數(shù)和列數(shù)分別為 M和N,影像的大小則 為 MX N。164.3.6.1 亮度信息均值(z)影

29、像均值是像素的灰度平均值 ，對(duì)人眼反映為平均亮度。如果均值適中，則影像效果良好 其定義為：M N、 z(Xi, yj) i 1 j 1 Z M N標(biāo)準(zhǔn)差(b)標(biāo)準(zhǔn)差反映了影像灰度相對(duì)于灰度平均值的離散情況，在某種程度上，標(biāo)準(zhǔn)差也可用來(lái)評(píng)價(jià)影像反差的大小。若標(biāo)準(zhǔn)差大，則影像灰度級(jí)分布分散，影像的反差大，可以看出更多的信息，其公式為： TOC o 1-5 h z HYPERLINK l bookmark71 o Current Document M N2工工(Z(Xi - yj ) -之)二i ,M N方差(D)方差反映了灰度相對(duì)于灰度均值的離散情況，方差越大，則灰度級(jí)分布越分散。此時(shí), 圖像中所

30、有灰度級(jí)出現(xiàn)的概率越趨于相等，從而包含的信息量趨于越大。方差計(jì)算公式為:n2D = Pi(DNi -DN) i 14.3.6.2 清晰度平均才度(G)平均梯度可敏感地反映影像對(duì)微小細(xì)節(jié)反差表達(dá)的能力，可用來(lái)評(píng)價(jià)影像的清晰程度, 還可同時(shí)反映出影像中微小細(xì)節(jié)反差和紋理變化特征，其計(jì)算公式為：jZ(xi,yj) 2 JZ(x,yj) 21(M -1)(N -1)(-)(-)二 Xi二 yi2空間頻率(SF)空間頻率反映了一幅影像空間的總體活躍程度，空間頻率越大，說(shuō)明融合效果越好。 它包括空間行頻率 RF和空間列頻率 CF組成，其公式為：17RF11M N i4% Z(x,yj).Z(x,yj,)2

31、j 41 M NCF=：M N：yj)-Z(Qyj)2總體的空間頻率值取 RF和CF的均方根，即:222SF = . RF2 CF2光譜信息扭曲程度(D)扭曲程度D是指融合影像F像素灰度平均值與源影像 A像素灰度平均值之差，也可以說(shuō)是融合影像與源影像的差值影像的灰度平均值，它的表達(dá)式為：M |F(x,yi) - A(Xi, yi)j 1它反映融合影像和源多光譜影像在光譜信息上的差異大小和光譜特性變化的平均程度。相關(guān)系數(shù)(p)融合影像與源影像的相關(guān)系數(shù)能反映兩幅影像光譜特征的相似程度，其定義如下:M N|F(Xi, yj) - f A(Xi, yj) - a:二 y jj回N.必 |F(Xi,y

32、j)-f A(x, yj) -a其中，f和a分別為融合影像與源影像的均值。通過(guò)比較融合前后的影像相關(guān)系數(shù)可以看出多光譜影像的光譜信息的改變程度o信息量信息I嫡(E)影像的信息嫡值是衡量影像信息豐富程度的一個(gè)重要指標(biāo)。對(duì)于一幅單獨(dú)的影像，其灰度分布為p=p0,R,，R,pL_J,Pi為灰度值等于i的像素?cái)?shù)與影像總像素?cái)?shù)之比。根據(jù)Shannon信息論白定理，一幅影像的信息嫡為：L 4E 二 pi log 2 pii =0融合影像的嫡越大，融合影像所含的信息越豐富，融合質(zhì)量越好。交叉嫡(C)18交叉嫡可以用來(lái)測(cè)定兩幅影像灰度分布的信息差異。設(shè)源影像和融合影像的灰度分布分別為：p=p(), Pi,，P

33、i，Pl/d q =q0,q1,，qi,，q(_,則交叉嫡定義為C = Pi log 艮 i=0qi交叉嫡是評(píng)價(jià)兩幅影像差別的重要指標(biāo)，它直接反映了兩幅影像對(duì)應(yīng)像素的差異。 對(duì)融合影像前的源影像和融合結(jié)果影像求交叉嫡 ,即可得到融合影像與源影像的差異。差異越小， 則該融合方法從源影像提取的信息量越多?；バ畔?MI)互信息是信息論中的一個(gè)重要概念，它可作為兩個(gè)變量之間相關(guān)性的量度，或一個(gè)變量包含另一個(gè)變量的信息量的量度。F與A, B的互信息分別表示為 MI FA和MI FB :LMI FA =、k=0L10g27L JMI fb : 1 k =0L 1pFB (k, I)PFB(k,i)log2

34、 -口pF(k)pB(i)式中：PA, Pb和PF分別是a, B和C的概率密度；pFA(k,i)和PFB(k,i)分別代表兩組影像的聯(lián)合概率密度?；バ畔⒌闹翟酱?，表示融合影像從源影像中獲取的信息越豐富，融合效果越好。通過(guò)定量評(píng)價(jià)分析對(duì) 2種融合方法進(jìn)行評(píng)價(jià)。評(píng)價(jià)內(nèi)容包括亮度信息、清晰度、光譜信息和信息量等4個(gè)方面。試驗(yàn)證明這些評(píng)價(jià)參數(shù)能夠很好地反映遙感影像融合效果。融合結(jié)果參數(shù)評(píng)價(jià)指標(biāo)見表所示。亮度信息清晰度均值力左標(biāo)準(zhǔn)差平均梯度空間頻率b873.0791488.295122.09743.46829.0288Stack90.48971488.73338.58417.645620.0627PC9

35、0.67711464.02738.26266.107315.398GS90.53151474.09938.39406.134415.4558光譜信息信息量扭曲程度相關(guān)系數(shù)信息嫡交叉嫡互信息b85.5133Stack6.8639PC0.18750.87336.87130.23680.0409GS0.04190.88586.90860.77940.0405191）亮度信息由表第一列亮度信息可以看出2種融合方法的均值有所降低，方差和標(biāo)準(zhǔn)差有所增加；2）清晰度由表第二列可以看出,3種融合方法的平均梯度和空間頻率都小于原始的多光譜影像，說(shuō)明融合后的結(jié)果影像減少了細(xì)節(jié)紋理信息，使影像的清晰度降低了。3）光

36、譜信息依據(jù)表中的第三列可以看出 GS融合扭曲程度最小，而相關(guān)系數(shù)最大，因此GSI蟲合的光譜 信息保持得最好。4）信息量通過(guò)信息嫡可以看出 GS融合所得的結(jié)果信息量最大；從交叉嫡看到，GS融合和PC融合的結(jié)果交叉嫡依次減小，說(shuō)明融合后的結(jié)果影像與源影像對(duì)應(yīng)像素差異也依次減小，即GS融合保留原始圖像信息量最多 ，PC融合保留最少；從互信息也可以得到同樣規(guī)律。而通過(guò)定 性評(píng)價(jià)分析不能得出圖像攜帶的信息量，它僅僅是通過(guò)比較分析圖像的亮度信息進(jìn)行比較評(píng)價(jià)的。4.3.7遙感影像融合定量分析代碼Dfusion=imread(C:UsersAdministratorDesktopRS1GS.tif);Dlow

37、=imread(C:UsersAdministratorDesktopRS1Stack_b1-6162-7_CJ.tif);Dhigh=imread(C:UsersAdministratorDesktopRS1b8_CJ.tif);rh,ch=size(Dhigh);均值%扭曲程度%標(biāo)準(zhǔn)差方差%求差方差信息嫡%相關(guān)系數(shù)Dlowh=imresize(Dlow,rh,ch,bicubic);mean=mean2(Dlow);%meanf=mean2(Dfusion);DIF=abs(meanf-mean);Std=std2(Dfusion);Std2=std2(Dlowh);Ds=StdA2;%D

38、l=Std2A2;D3=abs(Ds-Dl);p=imhist(Dfusion(:),8)/numel(Dfusion(:);r=entropy(Dfusion(:);%c=corr2(Dfusion(:),Dlowh(:);h1=diff（Dfusion）;%求影像差分，反映圖像清晰度h=mean2(h1);g1=diff(Dlow);g=mean2(g1);G=h-g;%求融合后影像與原影像差分差值20s=size(size(Dlow); if s(2)=3;% 判斷是灰度圖還是 RGB f1=rgb2gray(Dlow);f2=rgb2gray(Dfusion); elsef1=Dlow

39、;f2=Dfusion; end G1=double(f1); G2=double(f2); m1,n1=size(G1); m2,n2=size(G2); m2=m1; n2=n1;X1=zeros(1,256); X2=zeros(1,256); result=0;%計(jì)兩圖各灰度級(jí)像素for i=1:m1for j=1:n1X1(G1(i,j)+1)=X1(G1(i,j)+1)+1;X2(G2(i,j)+1)=X2(G2(i,j)+1)+1; end end for k=1:256P1(k)=X1(k)/(m1*n1); P2(k)=X2(k)/(m1*n1); if(P1(k)=0)&(

40、P2(k)=0) result=P1(k)*10g2(P1(k)/P2(k)+result;end end f=results=size(size(Dlow);%if s(2)=3;% 判斷是灰度圖還是 RGB a=rgb2gray(Dlow);b=rgb2gray(Dfusion); end a=double(Dlow); b=double(Dfusion); Ma,Na = size(a); Mb,Nb = size(b); M=min(Ma,Mb);交叉嫡互信息21N=min(Na,Nb); % 初始化直方圖數(shù)組hab = zeros(256,256);ha = zeros(1,256)

41、;hb = zeros(1,256); % 歸一化if max(max(a)=min(min(a)a = (a-min(min(a)/(max(max(a)-min(min(a);elsea = zeros(M,N);endif max(max(b)-min(min(b)b = (b-min(min(b)/(max(max(b)-min(min(b);elseb = zeros(M,N);enda = double(int16(a*255)+1;b = double(int16(b*255)+1;嗾計(jì)直方圖for i=1:Mfor j=1:Nindexx = a(i,j);indexy = b

42、(i,j);hab(indexx,indexy) = hab(indexx,indexy)+1;%聯(lián)合直方圖ha(indexx) = ha(indexx)+1;%a圖直方圖hb(indexy) = hb(indexy)+1;%b圖直方圖endend%十算聯(lián)合信息嫡hsum = sum(sum(hab);index = find(hab=0);p = hab/hsum;Hab = sum(sum(-p(index).*10g(p(index);刈算 a 圖信息嫡 hsum = sum(sum(ha);index = find(ha=0); p = ha/hsum;Ha = sum(sum(-p(

43、index).*log(p(index);%十算b圖信息嫡hsum = sum(sum(hb);index = find(hb=0);p = hb/hsum;Hb = sum(sum(-p(index).*log(p(index);%十算a和b的互信息mi = Ha+Hb-Hab22%十算a和b的歸一化互信息 mil = hab/(Ha+Hb);img = double(img);%平均梯度% Get the size of imgr,c,b = size(img);dx = 1;dy = 1;for k = 1 : bband = img(:,:,k);dzdx,dzdy = gradien

44、t(band,dx,dy);s = sqrt(dzdx ,A 2 + dzdy .A2) ./ 2);g(k) = sum(sum(s) / (r - 1) * (c - 1);endoutval = mean2(g);m,n=size(Dfusion);腕間頻率s=size(size(Dfusion);if s(1)=3;%判斷是灰度圖還是RGBimg=rgb2gray(Dfusion);endimg =double(img);rf=0.00;cf=0.00;for i=1:mfor j=2:nrf=rf+(img(i,j)-img(i,j-1)*(img(i,j)-img(i,j-1);e

45、ndendRF=rf/(m*n);for i=2:mfor j=1:ncf=cf+(img(i,j)-img(i-1,j)*(img(i,j)-img(i-1,j);endendCF=cf/(m*n);MSF=(RF+CF) 1/2);4.4 生成住房密度柵格影像兩表的連接在ArcGIS軟件中，選擇 Open Attribute Table中查看屬性數(shù)據(jù)，其中，沒(méi)有該圖層的面積字段。因此需要進(jìn)行有陸地面積的表格進(jìn)行連接，如圖 31。23| 1QL4| 1603751Joins arid Relates卜Related Tablesn -;Jain Remov&-1 lihi Create Gr

46、aph.Add Table to Layout二Relate.Remove Relate(s) ： l圖31在Join Data數(shù)據(jù)中選擇兩表連接的屬性分別為STFID和BLKIDFP00 ,如圖32。圖324.4.2計(jì)算房屋密度創(chuàng)建房屋密度字段 hou_den,并進(jìn)行字段計(jì)算，公式為：hou_den=HSE_UNITS*1000000/ALAND00其中，HSE_UNITS為各街區(qū)房屋單元數(shù)，ALAND00為各街陸地面積，單位平方米。乘 以1000000是為將房屋密度的單位轉(zhuǎn)換為個(gè)/平方千米，如圖33。三 Sort Ascending Sort Descending Advanced Sor

47、ting.- Summarize,Statistics.Pwwa e-b sc-pt OMRunrMdx：d_20 向_uMM_u6的00 .BiKn尹Rj 九 3g 舞炯 7 tHitatetaOCLUiXUCi：_LB4R ?_LK4fc*a .HTC匚口 工20曲_ ij9W7_ubWkK . Lftj M IW)7. U1C1N4-d ：_ LBCT ? _L4fc*a .rLHCET dJBKL UMHPAWodM .A1AMR 4b3QMaIW7_hrthiKfaOCI.AMATTF Time 罩忖6b便0 541mgi BattField Calculater.,.Calcula

48、te GeometfyMI ISIwwCMttbkMh Cvnaia pfn.hou d rrom wrs由胃比FvletadateiJiToCAO甲TkjCuIImeJ.4I 十 i-TnUcvfk 口 四 丹IToOASE丁ToOe-o-d a-ta ba s e-*i 4.-I oKMLTu Ftu , liLrrA. dTr tea R hi fa.I,Hr|.,b IFF ts-k R jv1I-F-e-atuine to R.arte-rFloat to Raster a*, Pol mt to RLiaste-r圖344.4.4 IDW 插值在ArcGIS工具箱中選擇工具 Fea

49、ture to Point ,不勾選Inside ,將選擇多邊形的中心點(diǎn)作為生成的點(diǎn)，如圖 35。圖35在ArcGIS軟件的空間分析模塊中，打開IDW插值方法的窗口，對(duì)房屋密度的點(diǎn)圖進(jìn)行IDW個(gè) Kriging:-f：. Nlatural NeighkorSplineSpline with Barriers插值，選擇字段為 hou_den,輸出柵格大小15m,如圖36。自Spatial Analyst Tools Conditional) Densityj 由Distance 由“Extrartion1300三個(gè)級(jí)別。IDW插值房屋密度圖和直接?xùn)鸥窕课菝芏葓D的重分類結(jié)果分 別如圖38、圖39

50、。ResJDW | D-4OORes_Ra0-400X3W圖38圖39將住房密度柵格影像作為額外的通道與ETM多光譜波段進(jìn)行疊加在ArcGIS 10軟件中，分別將兩種方法生成的住房密度柵格影像數(shù)據(jù)導(dǎo)出，格式為dat ,如圖40。26I I爭(zhēng) copyX Hmm息 Op*n Attribute Table.Wfii and餐 Zgnrt T Uer甲 Zoom To Raster IRfsobtonMTbk 加卜 RjngeDatoEdft FtihjnH%)gave As Layer Kk.，/ /rte Ui胖t Package.-廿 PrcjMttei.7 Enport Dsi%. Vie

51、w rem 口吊pion-Epabai HewMweEitpon： Rmter Dag - idExieffiflUhArrUTtfiO MtEf Dewet Mgn(|* HwIf Ofltwr： OOthiOulsuiRjerUgftrttaiNrqrccRQQS.K SpOLims.NdOLam k54wreSmdiFWCflrfi JKMipreHed =t 更dart QbH, tsp, ngM. baHnrr)fwerh-RM國(guó)歷閨(.ru4.go, WfLM二舐工 VK2、E:酷三不出/出富3赤l(xiāng)b#幅料極需klw 由 t5zQiidCYCL1M0：圖40在Arcgis 10 軟

52、件中，分別把 ras、Re_ras、idw和Re_idw導(dǎo)出成dat文件。在ENVI 4.7 軟件中，分別打開影像和房屋密度柵格圖，選擇 Basic Tools - Layer Stacking ,如圖 41。圖41在 Layer Stacking Parameters 窗口中，點(diǎn)擊 Import File 將 idw.dat 和 HSV文件導(dǎo)入,設(shè)置保存路徑和投影坐標(biāo)（如圖42）。圖42監(jiān)督分類（融合方法為HSV波段為5, 4, 3）打開Google Earth影像作為監(jiān)督分類的參照27使用Envi的Google Earth Bridge將遙感影像和街區(qū)矢量圖層導(dǎo)入Google Earth

53、,以便在Google Earth尋找參考影像時(shí)更快定位。在 ENVI 4.7 軟件中，選擇 Spectral - SPEAR Tools - Google Earth Bridge43。SPEAR Tools Anaimaly Delcdi&nTarget OeH沁n WizardChange DetectionGoogle Edrlh BridgeSpectral Uhrarie&*RegistrationSpKtral 勾Mrsk Iridependeril Cm時(shí)站m鬲圖43在Google Earth Bridge 窗口中，選擇添加的遙感影像大三下數(shù)據(jù)處理HSV,如圖44,點(diǎn)擊NEXT進(jìn)

54、入下一步,設(shè)置遙感影像顯示的參數(shù)，選擇3波段進(jìn)行彩色顯示，如圖 45,點(diǎn)擊NEXT進(jìn)入下一步，同樣添加矢量圖層，如圖作業(yè)5、4、46,保存路徑為大三下作業(yè) 數(shù)據(jù)處理 柵格數(shù)據(jù) Google Earth Bridge.kmlFiU1ap trwHUjer.玲 MTlwinhil FsrirnDitpciL Flitct 部m. age，StrrUk Ri#： tia E * M 強(qiáng)血?由*ktl Jtfri 5.Ctl-ir 1 5t 3 1 9Frdiri i 1|.圖45圖44圖46284.6.2 建立興趣區(qū)在ENVI 4.7軟件中，分別打開 HSV.img和重分類后的直接?xùn)鸥窕课菝芏葓D，

55、并為兩個(gè)窗口建立其同步，如圖 47。Link Di印Geographic Link.Geographic LinkZ Profile (Spectrum).ROJThLInterarfive Stretching.-Save mage圖47Select 1the Di splays far theGeographic UAkDisplay *1 皿爐 Di知1紓戔On _t打開興趣區(qū)模版，選擇 Overlay - Region of Interest,打開 ROI Tool ,如圖48。L (R:HSV Sharp R ：ROI Mask (Wap ( OvcrLy Enhance Tools

56、 Wind Annotation.Classification.Contour Lines. Density Sli” Grid Lines.Region of ntErest.H1 Vectors.*i rcm圖48在ROI Tool窗口中，我們可以對(duì) ROI Name和Color進(jìn)行編輯，雙擊 ROI Name的區(qū)域，可以對(duì)訓(xùn)練樣區(qū)進(jìn)行名字的修改，右擊Color可以選擇訓(xùn)練樣區(qū)的顏色，如圖 49, windows選才Z Zoom窗口，即只能在 Zoom中選擇訓(xùn)練樣區(qū)；在 #1 Zoom窗口中，我們鼠標(biāo)左鍵選擇訓(xùn)練樣區(qū)，右擊確定，第二次右擊即保存該訓(xùn)練樣區(qū)，如圖50。46/to J Dele

57、te Part |:上山 GrciwROIUIBlueYellowCyanMagentaMaroon圖4929圖50在ROI Tool窗口中，點(diǎn)擊 New Region建立其新的 ROI樣區(qū)，Goto可以跳轉(zhuǎn)各個(gè)訓(xùn)練 樣區(qū)，就可以對(duì)其進(jìn)行修改，在實(shí)驗(yàn)中，我們將分成11類，進(jìn)行監(jiān)督分類，如： water,ransportation, forest, commercial, grass, industrial, crop land, fallow, residential-H, residential-M, residential-L，共 11 類，如圖 51。圖514.6.3訓(xùn)練樣區(qū)的選擇訓(xùn)練樣

58、區(qū)的選擇依據(jù)，如圖 52, (a) Commercial , (b) industial , ( c) transportation ,(d) high-density residential, ( e ) medium-density residential, (f ) low-density residential30圖524.6.4訓(xùn)練樣區(qū)的評(píng)價(jià)4.6.4.1分離性的定量分析在 ROI Tool 窗口中，選擇 Options - Compute ROI Separability,計(jì)算樣本的可分離性。如圖 53,表示各個(gè)樣本類型之間的可分離性，用 Jeffries-Matusita, Tr

59、ansformedDivergence參數(shù)表示，這兩個(gè)參數(shù)的值在02.0之間，大于1.9說(shuō)明樣本之間可分離性好;小于1.8大于1.4屬于合格樣本；小于1.4需要重新選擇樣本；小于 1,考慮將兩類樣本合成一類樣本。圖5331R.OI,parabiilHy Calculationvl YvIIqhI J Ml p 3 Ml truisportVhstifcj -lEfi pointsIcLlwS 337 points 44Gli 4 JltfjHilriZ 2TBK.V二id.卓Tdi5由0.243 373 points T3.ys Erieeii 377 p4ins carap_luid Eur

60、pLol 3912 poLnts fall opt FiurrlaS 4006 points f pr#5t i酎曾ua飄我paHl3Atty BLut L825 paintsUTJitr of 11ws iselectied,電力1 All工l電粕口p皿 BDI fil*.CIau All 工te n-D Vi?Uflliier nput ROh而 | ROI.Type Option5 Hdp Saw ROIs.,.Sdlfict Iripul ROIsRfrsore ROIs.Subtet Data via ROkExport ROIs to EVF.a, Export ROIs to S