envi遙感圖像監(jiān)督分類與非監(jiān)督分類

1、envi遙感圖像監(jiān)督分類監(jiān)督分類，又稱訓(xùn)練分類法，用被確認(rèn)類別的樣本像元去識別其他未知類別像元的過程。它就是在分類之前通過目視判讀和野外調(diào)查，對遙感圖像上某些樣區(qū)中影像地物的類別屬性有了先驗知識，對每一種類別選取一定數(shù)量的訓(xùn)練樣本，計算機(jī)計算每種訓(xùn)練樣區(qū)的統(tǒng)計或其他信息，同時用這些種子類別對判決函數(shù)進(jìn)行訓(xùn)練，使其符合于對各種子類別分類的要求，隨后用訓(xùn)練好的判決函數(shù)去對其他待分?jǐn)?shù)據(jù)進(jìn)行分類。使每個像元和訓(xùn)練樣本作比較，按不同的規(guī)則將其劃分到和其最相似的樣本類，以此完成對整個圖像的分類。遙感影像的監(jiān)督分類一般包括以下6個步驟，如下圖所示：詳細(xì)操作步驟第一步：類別定義/特征判別根據(jù)分類目的、影像數(shù)據(jù)

2、自身的特征和分類區(qū)收集的信息確定分類系統(tǒng)；對影像進(jìn)行特征判斷，評價圖像質(zhì)量，決定是否需要進(jìn)行影像增強(qiáng)等預(yù)處理。這個過程主要是一個目視查看的過程，為后面樣本的選擇打下基礎(chǔ)。啟動ENVI5.1，打開待分類數(shù)據(jù)：can_tmr.img。以R:TMBand5,G:TMBand4,B：TMBand3波段組合顯示。通過目視可分辨六類地物：林地、草地/灌木、耕地、裸地、沙地、其他六類。第二步：樣本選擇在圖層管理器LayerManager中，can_tmr.img圖層上右鍵，選擇NewRegionOfInterest，打開RegionofInterest(ROI)Tool面板，下面學(xué)習(xí)利用選擇樣本。在Regi

3、onofInterest(ROI)Tool面板上，設(shè)置以下參數(shù)：ROIName：林地ROIColor：go默認(rèn)ROIs繪制類型為多邊形，在影像上辨別林地區(qū)域并單擊鼠標(biāo)左鍵開始繪制多邊形樣本，一個多邊形繪制結(jié)束后，雙擊鼠標(biāo)左鍵或者點(diǎn)擊鼠標(biāo)右鍵，選擇CompleteandAcceptPolygon，完成一個多邊形樣本的選擇；同樣方法，在圖像別的區(qū)域繪制其他樣本，樣本盡量均勻分布在整個圖像上；這樣就為林地選好了訓(xùn)練樣本。注：1、如果要對某個樣本進(jìn)行編輯，可將鼠標(biāo)移到樣本上點(diǎn)擊右鍵，選擇Editrecord是修改樣本，點(diǎn)擊Deleterecord是刪除樣本。2、一個樣本ROI里面可以包含n個多邊形或者

4、其他形狀的記錄(record)。3、如果不小心關(guān)閉了RegionofInterest(ROI)Tool面板，可在圖層管理器LayerManager上的某一類樣本(感興趣區(qū))雙擊鼠標(biāo)。在圖像上右鍵選擇NewROI，或者在RegionofInterest(ROI)Tool面板上,選擇工具。重復(fù)林地樣本選擇的方法，分別為草地/灌木、耕地、裸地、沙地、其他5類選擇樣本；如下圖為選好好的樣本。計算樣本的可分離性。在RegionofInterest(ROI)Tool面板上，選擇OptionComputeROISeparability，在ChooseROIs面板，將幾類樣本都打勾，點(diǎn)擊OK；表示各個樣本類型

5、之間的可分離性，用Jeffries-Matusita,TransformedDivergence參數(shù)表示，這兩個參數(shù)的值在02.0之間，大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要編輯樣本或者重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本。注：1、在圖層管理器LayerManager中，可以選擇需要修改的訓(xùn)練樣本。2、在RegionofInterest(ROI)Tool面板上，選擇OptionsMerge(Union/Intersection)ROIs，在MergeROIs面板中，選擇需要合并的類別，勾選DeleteInputROIs。圖2.4MergeROIs面板在圖層

6、管理器中，選擇Regionofinterest，點(diǎn)擊右鍵，saveas,保存為.xml格式的樣本文件。注：1、早期版本的感興趣文件格式為.roi，新版本的為.xml，新版本完全兼容.roi文件，在RegionofInterest(ROI)Tool面板上，選擇FileOpen打開.xml或.roi文件。2、新版本的.xml樣本文件(感興趣區(qū)文件)可以通過，F(xiàn)ileExportExporttoClassic菜單保存為.roi文件。第三步：分類器選擇根據(jù)分類的復(fù)雜度、精度需求等確定哪一種分類器。目前ENVI的監(jiān)督分類可分為基于傳統(tǒng)統(tǒng)計分析學(xué)的，包括平行六面體、最小距離、馬氏距離、最大似然，基于神經(jīng)網(wǎng)

7、絡(luò)的，基于模式識別，包括支持向量機(jī)、模糊分類等，針對高光譜有波譜角(SAM),光譜信息散度，二進(jìn)制編碼。下面是幾種分類器的簡單描述。平行六面體(Parallelepiped)根據(jù)訓(xùn)練樣本的亮度值形成一個n維的平行六面體數(shù)據(jù)空間，其他像元的光譜值如果落在平行六面體任何一個訓(xùn)練樣本所對應(yīng)的區(qū)域，就被劃分其對應(yīng)的類別中。最小距離(MinimumDistance)利用訓(xùn)練樣本數(shù)據(jù)計算出每一類的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入圖像中每個像元到各類中心的距離，到哪一類中心的距離最小，該像元就歸入到哪一類。馬氏距離(MahalanobisDistance)計算輸入

8、圖像到各訓(xùn)練樣本的協(xié)方差距離(一種有效的計算兩個未知樣本集的相似度的方法)，最終技術(shù)協(xié)方差距離最小的，即為此類別。最大似然(MaximumLikelihood)假設(shè)每一個波段的每一類統(tǒng)計都呈正態(tài)分布，計算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。神經(jīng)網(wǎng)絡(luò)(NeuralNet)指用計算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實現(xiàn)人腦的識別、記憶、思考過程。支持向量機(jī)(SupportVectorMachine)支持向量機(jī)分類(SupportVectorMachine或SVM)是一種建立在統(tǒng)計學(xué)習(xí)理論(StatisticalLearningTheor

9、y或SLT)基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。SVM可以自動尋找那些對分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率。波譜角(SpectralAngleMapper)它是在N維空間將像元與參照波譜進(jìn)行匹配，通過計算波譜間的相似度，之后對波譜之間相似度進(jìn)行角度的對比，較小的角度表示更大的相似度。影像分類基于傳統(tǒng)統(tǒng)計分析的分類方法參數(shù)設(shè)置比較簡單，在Toolbox/Classification/SupervisedClassification能找到相應(yīng)的分類方法。這里選擇支持向量機(jī)分類方法。在toolbox中選擇/Classification

10、/SupervisedClassification/SupportVectorMachineClassification,選擇待分類影像，點(diǎn)擊OK,按照默認(rèn)設(shè)置參數(shù)輸出分類結(jié)果。圖2.5支持向量機(jī)分類器參數(shù)設(shè)置圖2.6支持向量機(jī)分類結(jié)果第五步：分類后處理包括更改類別顏色、分類后統(tǒng)計、小斑塊處理、柵矢轉(zhuǎn)換等,這部分專門有一節(jié)課講解。在此不做敘述。第六步：精度驗證對分類結(jié)果進(jìn)行評價,確定分類的精度和可靠性。有兩種方式用于精度驗證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達(dá)分類精度,比較抽象。真實參考源可以使用兩種方式：一是標(biāo)準(zhǔn)的分類圖，二是選擇的感興趣區(qū)(驗

11、證樣本區(qū))。兩種方式的選擇都可以通過主菜單-Classification-PostClassification-ConfusionMatrix或者ROCCurves來選擇。真實的感興趣區(qū)驗證樣本的選擇可以是在高分辨率影像上選擇，也可以是野外實地調(diào)查獲取，原則是獲取的類別參考源的真實性。由于沒有更高分辨率的數(shù)據(jù)源，本例中就把原分類的TM影像當(dāng)作是高分辨率影像，在上面進(jìn)行目視解譯得到真實參考源。在DataManager中，分類樣本上右鍵選擇Close,將分類樣本從軟件中移除直接利用ROI工具，跟分類樣本選擇的方法一樣，即重復(fù)第二步，在TM圖上選擇6類驗證樣本。注：可直接Fileopen,打開can

12、_tm-驗證樣本.roi。圖2.7選擇驗證樣本在Toolbox中，選擇/Classification/PostClassification/ConfusionMatrixUsingGroundTruthROIs，選擇分類結(jié)果，軟件會根據(jù)分類代碼自動匹配,如不正確可以手動更改。點(diǎn)擊OK后選擇報表的表示方法(像素和百分比)，點(diǎn)擊OK，就可以得到精度報表。圖2.8驗證操作面板圖2.9分類精度評價混淆矩陣下面對混淆矩陣中的幾項評價指標(biāo)進(jìn)行說明：總體分類精度等于被正確分類的像元總和除以總像元數(shù)。被正確分類的像元數(shù)目沿著混淆矩陣的對角線分布，總像元數(shù)等于所有真實參考源的像元總數(shù)，如本次精度分類精度表中的O

13、verallAccuracy=(1849/2346)78.8150%。Kappa系數(shù)它是通過把所有真實參考的像元總數(shù)(N)乘以混淆矩陣對角線(XKK)的和，再減去某一類中真實參考像元數(shù)與該類中被分類像元總數(shù)之積之后，再除以像元總數(shù)的平方減去某一類中真實參考像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果。NJkk-左上尹斗kKappa計算公式錯分誤差指被分為用戶感興趣的類，而實際屬于另一類的像元，它顯示在混淆矩陣?yán)锩?。本例中，林地?19個真實參考像元，其中正確分類265，12個是其他類別錯分為林地（混淆矩陣中林地一行其他類的總和），那么其錯分誤差為12/419=2.9%。漏分誤差指本身

14、屬于地表真實分類，當(dāng)沒有被分類器分到相應(yīng)類別中的像元數(shù)。如在本例中的耕地類，有真實參考像元465個，其中462個正確分類，其余3個被錯分為其余類（混淆矩陣中耕地類中一列里其他類的總和），漏分誤差為3/465=0.6%制圖精度是指分類器將整個影像的像元正確分為A類的像元數(shù)（對角線值）與A類真實參考總數(shù)（混淆矩陣中A類列的總和）的比率。如本例中林地有419個真實參考像元，其中265個正確分類，因此林地的制圖精度是265/419=63.25%。用戶精度是指正確分到A類的像元總數(shù)（對角線值）與分類器將整個影像的像元分為A類的像元總數(shù)（混淆矩陣中A類行的總和）比率。如本例中林地有265個正確分類，總共劃

15、分為林地的有277，所以林地的用戶精度是265/277=95.67%。注：監(jiān)督分類中的樣本選擇和分類器的選擇比較關(guān)鍵。在樣本選擇時，為了更加清楚的查看地物類型，可以適當(dāng)?shù)膶D像做一些增強(qiáng)處理，如主成分分析、最小噪聲變換、波段組合等操作，便于樣本的選擇；分類器的選擇需要根據(jù)數(shù)據(jù)源和影像的質(zhì)量來選擇,比如支持向量機(jī)對高分辨率、四個波段的影像效果比較好。非監(jiān)督分類非監(jiān)督分類：也稱為聚類分析或點(diǎn)群分類。在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。它不必對影像地物獲取先驗知識，僅依靠影像上不同類地物光譜（或紋理）?信息進(jìn)行特征提取，再統(tǒng)計特征的差別來達(dá)到分類的目的，最后對已分出的各個類別的實際屬性

16、進(jìn)行確認(rèn)。目前比較常見也較為成熟的是ISODATA、K-Mean和鏈狀方法等。遙感影像的非監(jiān)督分類一般包括以下6個步驟：圖目前非監(jiān)督分類器比較常用的是ISODATA、K-Mean和鏈狀方法。ENVI包括了ISODATA和K-Mean方法。1、影像分析大體上判斷主要地物的類別數(shù)量。一般監(jiān)督分類設(shè)置分類數(shù)目比最終分類數(shù)量要多2-3倍為宜，這樣有助于提高分類精度。本案例的數(shù)據(jù)源為ENVI自帶的Landsattm5數(shù)據(jù)Can_tmr.img，類別分為：林地、草地/灌木、耕地、裸地、沙地、其他六類。確定在非監(jiān)督分類中的類別數(shù)為15。2、分類器選擇ISODATA(IterativeSelf-Orgnizi

17、ngDataAnalysizeTechnique)重復(fù)自組織數(shù)據(jù)分析技術(shù)，計算數(shù)據(jù)空間中均勻分布的類均值，然后用最小距離技術(shù)將剩余像元進(jìn)行迭代聚合，每次迭代都重新計算均值，且根據(jù)所得的新均值，對像元進(jìn)行再分類。K-Means使用了聚類分析方法，隨機(jī)地查找聚類簇的聚類相似度相近，即中心位置,是利用各聚類中對象的均值所獲得一個“中心對象”(引力中心)來進(jìn)行計算的，然后迭代地重新配置他們，完成分類過程。3、影像分類打開ENVI,選擇主菜單-Classification-Unsupervised-IsoData或者K-Means。這里選擇IsoData，在選擇文件時候，可以設(shè)置空間或者光譜裁剪區(qū)。這里

18、選擇軟件自帶的Can_tmr.img，按默認(rèn)設(shè)置，之后跳出參數(shù)設(shè)置，如圖2。這里主要設(shè)置類別數(shù)目(NumberofClasses)為5-15、迭代次數(shù)(MaximumIteration)為10。其他選項按照默認(rèn)設(shè)置，輸出文件。?圖17ISODATA非監(jiān)督分類參數(shù)設(shè)置圖18ISODATA分類結(jié)果4、類別定義/類別合并(1)?類別定義在display中顯示原始影像，在display-overlay-classification，選擇ISODATA分類結(jié)果，如圖19所示，在InteractiveClassTool面板中，可以選擇各個分類結(jié)果的顯示。影像與分類結(jié)果的疊加InteractiveClass

19、Tool面板中，選擇Option-Editclasscolors/names。通過目視或者其他方式識別分類結(jié)果，填寫相應(yīng)的類型名稱和顏色。圖20?類別定義如圖21所示為最終的結(jié)果。圖21類別定義結(jié)果在類別定義時候，可以利用Mode：PolygonAddtoClass、Edit-Mode：PolygonDeletefromClass或者Setdeleteclassvalue把很明顯的錯誤分類結(jié)果并入或者刪除。(2)?類別合并選擇主菜單-Classification-PostClassification-CombineClasseso把同一類的類別合并成一類，如圖22所示。在點(diǎn)擊ok后,需要選擇輸出文件和RemoveEmptyClass選擇YES,可以得到結(jié)果。?圖22類別的合并5、分類后處理參照監(jiān)督分類。6、結(jié)果驗證參照監(jiān)督分類。ENVI5下流程化分類工具?在ENVI5.0下，提供了一個流程的圖像分類工具，Toolbox/Classification/ClassificationWorkflow工具，下面對10米的ALI數(shù)