基于紋理信息與神經(jīng)網(wǎng)絡(luò)遙感影像分類

(完好版)鑒于紋理信息與神經(jīng)網(wǎng)絡(luò)的遙感影像分類(完好版)鑒于紋理信息與神經(jīng)網(wǎng)絡(luò)的遙感影像分類(完好版)鑒于紋理信息與神經(jīng)網(wǎng)絡(luò)的遙感影像分類鑒于紋理信息提取與神經(jīng)網(wǎng)絡(luò)分類方法的遙感影像分類1實(shí)驗(yàn)?zāi)康哪夸?...................................................................................................................................32實(shí)驗(yàn)原理....................................................................................................................................3基本看法..................................................................................................................................3原理闡述...................................................................................................................................4技術(shù)路線...................................................................................................................................73、實(shí)驗(yàn)設(shè)備與數(shù)據(jù)與研究地域.............................................................................................74、實(shí)驗(yàn)過程.................................................................................................................................8數(shù)據(jù)預(yù)辦理........................................................................................................................8數(shù)據(jù)裁剪...............................................................................................................8輻射校正（包括輻射定標(biāo)和大氣校正）...........................................................8數(shù)據(jù)交融..........................................................................................................................10訓(xùn)練樣區(qū)的選擇..............................................................................................................11打開GoogleEarth影像作為訓(xùn)練樣區(qū)選擇的參照........................................11建立興趣區(qū).........................................................................................................12訓(xùn)練樣區(qū)的選擇.................................................................................................13訓(xùn)練樣區(qū)的議論.................................................................................................14鑒于光譜信息的神經(jīng)網(wǎng)絡(luò)分類......................................................................................14分類后辦理......................................................................................................................18分類精度解析..................................................................................................................19鑒于光譜信息和紋理信息的神經(jīng)網(wǎng)絡(luò)分類..................................................................20實(shí)驗(yàn)結(jié)果與議論..............................................................................................................25參照文件......................................................................................................................................262鑒于紋理信息提取與神經(jīng)網(wǎng)絡(luò)分類方法的遙感影像分類實(shí)驗(yàn)?zāi)康?、經(jīng)過深入研究遙感影像紋理信息的提取原理與方法，針對(duì)研究區(qū)影像特點(diǎn)，掌握紋理信息對(duì)提高影像分類精度的重要作用。2、認(rèn)識(shí)ENVI中鑒于神經(jīng)網(wǎng)絡(luò)的影像督查分類方法原理，采用紋理信息與神經(jīng)網(wǎng)絡(luò)分類相結(jié)合的方式，對(duì)研究區(qū)影像進(jìn)行分類，與無紋理信息的分類結(jié)果進(jìn)行比較與議論。3、進(jìn)一步熟悉影像神經(jīng)網(wǎng)絡(luò)分類的原理和方法、訓(xùn)練區(qū)采用、分類后辦理方法等操作，并依照研究區(qū)實(shí)質(zhì)情況進(jìn)行分類后議論。實(shí)驗(yàn)原理基本看法神經(jīng)網(wǎng)絡(luò)指用計(jì)算機(jī)模擬人腦的構(gòu)造，用好多小的辦理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的鑒別、記憶、思慮過程應(yīng)用于圖像分類。神經(jīng)網(wǎng)絡(luò)算法是用計(jì)算機(jī)模擬人類學(xué)習(xí)的過程,建立輸入和輸出數(shù)據(jù)之間聯(lián)系的方法。神經(jīng)網(wǎng)絡(luò)分類器在遙感影像分類領(lǐng)域獲取了寬泛的關(guān)注。國(guó)內(nèi)外學(xué)者發(fā)展了多種形式的神經(jīng)網(wǎng)絡(luò)模型和算法,如反向流傳網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、多層感知網(wǎng)絡(luò)、Kohonen自組織特點(diǎn)映射網(wǎng)絡(luò)、Hybrid學(xué)習(xí)向量分層網(wǎng)絡(luò)等。網(wǎng)絡(luò)的輸入和輸出節(jié)點(diǎn)之間經(jīng)過隱含層相連,節(jié)點(diǎn)之間經(jīng)過權(quán)重連接,所以這種方法可以將多種數(shù)據(jù),如紋理信息、地形信息等,方便有效地交融到遙感影像的分類過程中,增強(qiáng)了分類能力。神經(jīng)網(wǎng)絡(luò)是非線性系統(tǒng),可以在特點(diǎn)空間構(gòu)造出分類界面比較復(fù)雜的子空間,所以對(duì)非線性可分的特點(diǎn)子空間特別有效。但是,神經(jīng)網(wǎng)絡(luò)也存在必然的缺點(diǎn),如初始權(quán)重選擇的困難、收斂速度慢、對(duì)輸入數(shù)據(jù)的預(yù)辦理要求高等,對(duì)遙感影像分類結(jié)果有重要影響。當(dāng)前,應(yīng)用和研究最多的是利用反向流傳算法(BP算法)訓(xùn)練權(quán)值的多層前饋神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程由正向流傳和反向流傳組成,在正向流傳過程中,輸入信息從輸入層經(jīng)隱含層逐層辦理,并傳向輸出層,若在輸出層得不到希望的輸出,則輸入反向流傳,將誤差信號(hào)沿原路返回,經(jīng)過更正各層神經(jīng)元間的權(quán)值,達(dá)到誤差最小。一般說來,隱含層3數(shù)量和隱含層結(jié)點(diǎn)數(shù)難以確定,增加隱含層數(shù)量和結(jié)點(diǎn)數(shù),可以提高精度,且有效地減少局部極小的概率,但是需要更長(zhǎng)的學(xué)習(xí)時(shí)間。神經(jīng)網(wǎng)絡(luò)由于擁有較強(qiáng)的非線性逼近能力及自適應(yīng)、自學(xué)習(xí)能力,所以可以辦理難以用數(shù)學(xué)模型描述的系統(tǒng)。對(duì)于一個(gè)特定的問題,平時(shí)很難判斷哪一種網(wǎng)絡(luò)是最有效的,由于對(duì)于網(wǎng)絡(luò)種類的選擇取決于好多要素,包括問題的復(fù)雜程度以及所研究問題的性質(zhì)、訓(xùn)練樣本的多少、網(wǎng)絡(luò)的構(gòu)造、權(quán)值和偏置值的數(shù)量、誤差目標(biāo)、參數(shù)取值等。實(shí)質(zhì)應(yīng)用中,一般要依照詳盡問題,對(duì)幾種網(wǎng)絡(luò)進(jìn)行比較,選擇較為合適的算法。原理闡述人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANNs），有時(shí)也稱為計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)ComputationalNeuralNetworks，CNNs），試圖模擬生物神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，用以解決一系列信息辦理、解析和建模的難題。人工神經(jīng)網(wǎng)絡(luò)的主要種類即所謂的前饋網(wǎng)絡(luò)。一個(gè)典型的前饋神經(jīng)網(wǎng)絡(luò)由3個(gè)或更多的相互連接的節(jié)點(diǎn)組成——一個(gè)輸入層、一個(gè)或多個(gè)隱蔽的中間層（平時(shí)只有1個(gè)）和一個(gè)輸出層。箭頭指示信息流方向，從輸入到輸出傳遞信息。輸入層和隱蔽層之間的連接可以用權(quán)矩陣W來描述，行/列項(xiàng)值Wij是正或負(fù)的實(shí)數(shù)權(quán)重，或若是不存在聯(lián)系時(shí)為零。同樣，隱蔽層和輸出層的聯(lián)系也可以被視為一個(gè)權(quán)矩陣Z，同樣由一組權(quán)值Zjk組成。每種情況下，正權(quán)值意味著對(duì)源節(jié)點(diǎn)或輸入節(jié)點(diǎn)相關(guān)的增強(qiáng)作用，而負(fù)權(quán)值則對(duì)應(yīng)于控制作用。1121232345輸入隱蔽輸出一般來說，隱蔽層和輸出層的所有節(jié)點(diǎn)也同樣被連接到一個(gè)偏置節(jié)點(diǎn)上。比方：在多層次感知器中，分別有一個(gè)偏置節(jié)點(diǎn)與每個(gè)前饋層連接，n個(gè)輸入節(jié)點(diǎn)，一個(gè)帶有m個(gè)隱蔽節(jié)點(diǎn)的隱層，和p個(gè)輸出節(jié)點(diǎn)，權(quán)重矩陣W和Z的維數(shù)分別為(n1)m和(m1)(p)。4輸入數(shù)據(jù)依照其Wij權(quán)重矩陣的值來加權(quán)并在隱蔽層中進(jìn)行組合（主若是求和）。此后這種加權(quán)求和由已知的一種激活函數(shù)g來更正。可以采用不同樣的激活函數(shù)，但是空間解析中最常用的是logistic或sigmoid函數(shù)。這種過程可以由以下節(jié)點(diǎn)層來闡述：g若是我們把輸入集表示成一個(gè)數(shù)據(jù)矩陣X，把輸出集表示成輸出矩陣Y，一個(gè)人工神經(jīng)網(wǎng)絡(luò)就是一個(gè)由X到Y(jié)的照射f：XY。典型的，這種照射是一種非線性加權(quán)和——事實(shí)上非線性是ANN應(yīng)用于大多數(shù)問題的一個(gè)實(shí)質(zhì)特點(diǎn)。輸入數(shù)據(jù)被{xi}被進(jìn)行兩次更正，第一次是加權(quán)求和，第二次是利用激活函數(shù)。對(duì)下一層應(yīng)用同樣的過程，將隱蔽層輸出值hj進(jìn)行求和，并依照和輸入層近似進(jìn)行可選的更正，從而在輸出層產(chǎn)生最后結(jié)果yk：h*j(xiwyj)和hjg1(h*j)iyk*hizyj，最后ykg2(yk*)j故ykg2g1(xiwyj)zjkji若是有一個(gè)或多個(gè)控制數(shù)據(jù)集，即給定一個(gè)輸入集i，并且知道目標(biāo)輸出集也許輸出矢量t，則可以用該信息來“訓(xùn)練”網(wǎng)絡(luò)。該學(xué)習(xí)過程稱為“督查”，由于它表示我們擁有解的先驗(yàn)知識(shí)，并且在督查訓(xùn)練過程。這里的控制數(shù)據(jù)可被分為兩大組：用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的“訓(xùn)練數(shù)據(jù)”（先前采用的訓(xùn)練樣區(qū)ROI）和先前未用于神經(jīng)網(wǎng)絡(luò)的用于評(píng)估網(wǎng)絡(luò)性能的“測(cè)試數(shù)據(jù)”（測(cè)試用到的樣區(qū)ROI）。督查學(xué)習(xí)被寬泛應(yīng)用于模式鑒別/分類和復(fù)雜函數(shù)逼近（非線性回歸）領(lǐng)域中。比方：假設(shè)兩個(gè)加權(quán)矩陣的初始值均被隨機(jī)地設(shè)為[0,1]中的一致值。當(dāng)值經(jīng)過網(wǎng)絡(luò)流傳到輸出層時(shí)，輸入數(shù)據(jù)集或矢量（或訓(xùn)練數(shù)據(jù)）i將被變換，給出一個(gè)輸出值的會(huì)集或矢量O時(shí)，將會(huì)與已知的正確值不般配，即產(chǎn)生誤差。5ek(tkok)理想狀態(tài)下，我們想經(jīng)過選擇合適的權(quán)重集來最小化這些誤差，為了實(shí)現(xiàn)這一目標(biāo)，我們平時(shí)采用最小化所有輸出節(jié)點(diǎn)的平方差總和（或均方根誤差RMS），它是一種可以反響出最小二乘回歸的方法。經(jīng)過誤差平方和表達(dá)式的微分來達(dá)到最小化的目的，使它等于零，并用該結(jié)果來確定對(duì)初始權(quán)重要求的調(diào)整。平時(shí)計(jì)算出誤差平方和均值的平方根（RMSE）:RMSE1Nok)2(tkNk1該式供應(yīng)了一種解的“代價(jià)”的標(biāo)準(zhǔn)化方法，目的是最小化該代價(jià)函數(shù)，最好是經(jīng)過之前所說的調(diào)整權(quán)重來使它的值降為零。調(diào)整權(quán)重矩陣中的值的過程平時(shí)在被稱為陪同梯度下降的反向流傳過程實(shí)現(xiàn)的。反向傳播部分指一步一步的在網(wǎng)絡(luò)上應(yīng)用一個(gè)后向?qū)W習(xí)規(guī)則——所以第一步是改變Z矩陣中的值，爾后改變W矩陣中的值。Zt1Zt(Z)t爾后Wt1Wt(W)t矩陣中值的正負(fù)增量是鑒于它們對(duì)輸出結(jié)果中的正、負(fù)誤差相關(guān)的貢獻(xiàn)。由于激活函數(shù)的引入，使得誤差信號(hào)不是鑒于輸出值和希望輸出值之間的差異，而是鑒于隱蔽層值和反向流傳隱蔽值間的差異，所以，調(diào)整起來更加的復(fù)雜。這些反向流傳過程相當(dāng)于一個(gè)用來找出均方根局部最小值的梯度下降方法（比方：在ENVI進(jìn)行神經(jīng)網(wǎng)絡(luò)分類時(shí)，可以看到plot圖中理想狀態(tài)RMS值應(yīng)逐漸降低，而非顛簸曲折）。完成調(diào)整各層的權(quán)重此后，前向流傳過程再次進(jìn)行計(jì)算代價(jià)函數(shù)，現(xiàn)在的代價(jià)函數(shù)應(yīng)該小于或等于從前的代價(jià)函數(shù)。該過程連續(xù)進(jìn)行，直到代價(jià)函數(shù)停止降低或已經(jīng)達(dá)到預(yù)設(shè)的最大迭代次數(shù)。在ENVI中使用NeuralNet選項(xiàng)可以應(yīng)用一個(gè)分層的正向（feed-forward）神經(jīng)元網(wǎng)絡(luò)分類。該技術(shù)在進(jìn)行督查學(xué)習(xí)時(shí)使用標(biāo)準(zhǔn)的后向流傳技術(shù)（backpropagation）。用戶可以選擇所用的隱蔽層的數(shù)量，也可以在對(duì)數(shù)和雙曲線活化（activation）函數(shù)之間選擇所需函數(shù)。由于調(diào)整節(jié)點(diǎn)中的權(quán)重可以使輸出節(jié)點(diǎn)活化與所需的輸出結(jié)果間的差異達(dá)到最小化，因6此神經(jīng)元網(wǎng)絡(luò)技術(shù)利用該方法對(duì)發(fā)生的事件進(jìn)行學(xué)習(xí)。在學(xué)習(xí)過程中，誤差在網(wǎng)絡(luò)中后向傳播，同時(shí)使用遞歸法調(diào)整權(quán)重。也可以使用神經(jīng)元網(wǎng)絡(luò)來進(jìn)行一個(gè)非線性分類。技術(shù)路線3、實(shí)驗(yàn)設(shè)備與數(shù)據(jù)與研究地域硬件：計(jì)算機(jī)軟件、數(shù)據(jù)：Landset8影像、福州市shp文件Landset8數(shù)據(jù)（成像時(shí)間：2013年8月4日2點(diǎn)34分；行列號(hào)為119，42；云量覆蓋度為1.21%）傳感器：OLI（OperationalLandImager，陸地成像儀）TIRS（ThermalInfraredSensor，熱紅外傳感器）OLI陸地成像儀序號(hào)波段（um）空間分辨率（m）1302303304305307630730815930TIRS熱紅外傳感器1010011100地成像儀（OLI）包括9個(gè)波段，空間分辨率為30米，其中包括一個(gè)15米的全色波段；熱紅外傳感器（TIRS）包括2個(gè)熱紅外波段，空間分辨率為100米。研究地域：福州市為福建省省會(huì)城市，位于福建省東部、閩江下游沿岸。介于北緯25°15′～26°39′，東經(jīng)118°08′～120°31′之間。東瀕臺(tái)灣海峽，西鄰南平市和三明市，南接莆田市，北靠寧德市。福州是屬于典型的海洋性亞熱帶季風(fēng)氣候，全年冬短夏長(zhǎng)，溫暖濕潤(rùn)，氣候合適。福州市的地貌屬于典型的河口盆地，是城市中心的發(fā)源地。實(shí)驗(yàn)中以福州市的5區(qū)（臺(tái)江區(qū)、倉(cāng)山區(qū)、鼓樓區(qū)、馬尾區(qū)和晉安區(qū)）為例，不包括瑯岐島。4、實(shí)驗(yàn)過程4.1數(shù)據(jù)預(yù)辦理數(shù)據(jù)裁剪利用shp文件對(duì)遙感影像進(jìn)行裁剪輻射校正（包括輻射定標(biāo)和大氣校正）．輻射定標(biāo)8B．大氣校正（采用ENVI中的FLAASH大氣校正模型）在以下圖的中輸入影像的中心經(jīng)緯度坐標(biāo)；輸入影像所在地域的平均高程；輸入衛(wèi)星的過境時(shí)間；在4種輸人大氣模型，這里選擇中緯度夏天；輸入氣溶膠模型，這里選擇Urban。94.2數(shù)據(jù)交融在ENVI軟件中，選擇Transform->ImageSharpening->HSV，在SelectLowSpatialResolutionMultiBandInputFile中選擇band8多光譜波段，SpatialSubset為FullScene，SpectralSunset為3個(gè)波段Resampling選擇NearestNeighbor，OutputResult選擇保存路徑104.3訓(xùn)練樣區(qū)的選擇打開GoogleEarth影像作為訓(xùn)練樣區(qū)選擇的參照使用Envi的GoogleEarthBridge將遙感影像和街區(qū)矢量圖層導(dǎo)入GoogleEarth，以便在GoogleEarth搜尋參照影像時(shí)更快定位。在ENVI軟件中，選擇Spectral->SPEARTools->GoogleEarthBridge。在GoogleEarthBridge窗口中，選擇增加的遙感影像HVS1，點(diǎn)擊NEXT進(jìn)入下一步，設(shè)置遙感影像顯示的參數(shù)，選擇6、5、4波段進(jìn)行彩色顯示，點(diǎn)擊NEXT進(jìn)入下一步，同樣增加矢量圖層，如圖44，保存路徑為。11建立興趣區(qū)打開興趣區(qū)模版，選擇Overlay->RegionofInterest，打開ROITool在ROITool窗口中，我們可以對(duì)ROIName和Color進(jìn)行編寫，雙擊ROIName的地域，可以對(duì)訓(xùn)練樣區(qū)進(jìn)行名字的更正，右擊Color可以選擇訓(xùn)練樣區(qū)的顏色，windows選擇Zoom窗口，即只幸虧Zoom中選擇訓(xùn)練樣區(qū)；在#1Zoom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)。在ROITool窗口中，點(diǎn)擊NewRegion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)行更正，在實(shí)驗(yàn)中，我們將分成5類，進(jìn)行督查分類，如：water,forest,city，bareland，grass。12訓(xùn)練樣區(qū)的選擇訓(xùn)練樣區(qū)的選擇依照，如圖50，（a）water，（b）forest，（c）city，（d）bareland。13訓(xùn)練樣區(qū)的議論分別性的定量解析在ROITool窗口中，選擇Options->ComputeROISeparability,計(jì)算樣本的可分別性。如圖51，表示各個(gè)樣本種類之間的可分別性，用Jeffries-Matusita,TransformedDivergence參數(shù)表示，這兩個(gè)參數(shù)的值在0~2.0之間，大于1.9說明樣本之間可分別性好；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。SignatureNameForestwaterbarelandcityForestwaterbarelandcity從分別性的數(shù)據(jù)中，我們可以獲取，water和forest這三類的分別與barealand都等于2，可知這三類的分別收效較好。剩下的分別性的數(shù)值都達(dá)到1.4，說明樣區(qū)的選擇比較吻合實(shí)質(zhì)。4.4鑒于光譜信息的神經(jīng)網(wǎng)絡(luò)分類在ENVI軟件中，選擇Classification->Supervised->NeuralNetClassification，在文件輸入對(duì)話框中選擇HSV1交融影像。14在NeuralNetParameters窗口中，設(shè)置好各個(gè)參數(shù)。Activation：選擇活化函數(shù)。對(duì)數(shù)（Logistic）和雙曲線（Hyperbolic）。（本研究選擇Logistic，由于對(duì)數(shù)函數(shù)的收效更優(yōu)）?TrainingThresholdContribution：輸入訓(xùn)練貢獻(xiàn)閾值(0-1)。該參數(shù)決定了與活化節(jié)點(diǎn)級(jí)別相關(guān)的內(nèi)部權(quán)重的貢獻(xiàn)量。它用于調(diào)治節(jié)點(diǎn)內(nèi)部權(quán)重的變化。訓(xùn)練算法交互式地調(diào)整節(jié)點(diǎn)間的權(quán)重和節(jié)點(diǎn)閾值，從而使輸出層和響應(yīng)誤差達(dá)到最小。將該參數(shù)設(shè)置為0不會(huì)調(diào)整節(jié)點(diǎn)的內(nèi)部權(quán)重。合適調(diào)整節(jié)點(diǎn)的內(nèi)部權(quán)重可以生成一幅較好的分類圖像，但是若是設(shè)置的權(quán)重太大，對(duì)分類結(jié)果也會(huì)產(chǎn)生不良影響。TrainingRate：設(shè)置權(quán)重調(diào)治速度（0~1）。參數(shù)值越大則使訓(xùn)練速度越快，但也增加搖動(dòng)也許使訓(xùn)練結(jié)果不收斂。?TrainingMomentum：輸入一個(gè)0~1的值。該值大于0時(shí)，在“TrainingRate”文本框中鍵入較大值不會(huì)引起搖動(dòng)。該值越大，訓(xùn)練的步幅越大。該參數(shù)的作用是促使權(quán)重沿當(dāng)前面向改變。?TrainingRMSExitCriteria：指定RMS誤差為何值時(shí)，訓(xùn)練應(yīng)該停止。RMS誤差值在訓(xùn)練過程中將顯示在圖表中，當(dāng)該值小于輸入值時(shí)，即使還沒有達(dá)到迭代次數(shù)，訓(xùn)練也會(huì)停止，爾后開始進(jìn)行分類。NumberofHiddenLayers：鍵入所用隱蔽層的數(shù)量。要進(jìn)行線性分類，鍵入值為0。沒有隱蔽層，不同樣的輸入地域必定與一個(gè)單獨(dú)的超平面線性分別。要進(jìn)行非線性分類，輸入值應(yīng)該大于或等于1，當(dāng)輸入的地域其實(shí)不是線性分別或需要兩個(gè)超平面才能區(qū)分種類時(shí)，必定擁有最少一個(gè)隱蔽層才能解決這個(gè)問題。兩個(gè)隱蔽層用于區(qū)分輸入空間，空間中的不同樣要素不周邊也不相連。?NumberofTrainingIterations：輸入用于訓(xùn)練的迭代次數(shù)。MinOutputActivationThreshold：輸入一個(gè)最小輸出活化閾值。若是被分類像元的活化值小于該閾值，在輸出的分類中，該像元將被歸入未分類（unclassified）。選擇分類結(jié)果的輸出路徑及文件名。設(shè)置OutRuleImages為Yes，選擇規(guī)則圖像輸出路徑及文件名。15單擊OK按鈕執(zhí)行分類。RMSPlot圖：從上RMSPlot圖，表示為每一次迭代顯示RMS誤差，若是訓(xùn)練正確進(jìn)行，誤差應(yīng)該逐漸減小，并達(dá)到一個(gè)牢固的較低值。從圖中我們可以獲取隨著Iteration的增加而TrainingRMS的值基本保持在0~0.05之間，保持在一個(gè)相對(duì)牢固的狀態(tài),RMS的數(shù)值也比較低，說明了分類收效較好。分類結(jié)果圖：16鑒于光譜信息的神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖提取每類的光譜信息：CityWater17ForestBareland4.5分類后辦理1）主次解析（Majority/MinorityAnalysis）使用“Majority/MinorityAnalysis”選項(xiàng)可以對(duì)分類圖像進(jìn)行主/次要解析。使用主要解析（MajorityAnalysis）可以將較大種類中的虛假像元?dú)w到該類中，ENVI贊同輸入一個(gè)變換核尺寸，并用變換核中占主要地位的像元的種類數(shù)代替中心像元的種類數(shù)。若是使用次要解析（MinorityAnalysis），ENVI將用變換核中占次要地位的像元的種類數(shù)代替中心像元的種類數(shù)。①選擇主菜單Classification/PostClassification/Majority/MinorityAnalysis(主次要解析)，當(dāng)出現(xiàn)文件選擇對(duì)話框時(shí)，選擇所需的輸入分類圖像，若需要，采用任意子集。18②選擇分類后的影像點(diǎn)擊OK。在種類列表中，點(diǎn)擊要應(yīng)用解析的種類，SelectClasses選擇SelectAllItems，AnalysisMethod選擇Majority主要，KernelSize設(shè)為3*3，CenterPixelWeight權(quán)重設(shè)為1。結(jié)果解析：該方法是把象元的類歸為周圍8個(gè)象元中最多個(gè)數(shù)的那個(gè)類。輸出結(jié)果為以下圖，發(fā)現(xiàn)小圖斑的數(shù)量明顯有減少。原始影像未辦理過的影像主要解析辦理后4.6分類精度解析把分類結(jié)果的精度顯示在一個(gè)混淆矩陣?yán)铮ㄓ糜诒容^分類結(jié)果和地表真實(shí)信息）。混淆矩陣的記錄結(jié)果都包括：整體分類精度、制圖精度和用戶精度、Kappa系數(shù)、混淆矩陣以及錯(cuò)分誤差和漏分誤差。計(jì)算混淆矩陣有使用地表真實(shí)圖像和使用地表真實(shí)感興趣區(qū)兩種方法。在Arcgis中，生成隨機(jī)點(diǎn)，爾后導(dǎo)入GoogleEarth中鑒別隨機(jī)點(diǎn)的地類，再與分類結(jié)果進(jìn)行疊加解析，經(jīng)過EXCEL計(jì)算出混淆矩陣；19整體精度=81/100=81%KAPPA系數(shù)為L(zhǎng)ULCProd.UserAccAcc.BarelandCityForestWater4.7鑒于光譜信息和紋理信息的神經(jīng)網(wǎng)絡(luò)分類1）主成分解析，在主菜單中，選擇Transfrom->PrincipalComponent->ForwardPCrotation->ComputeNewStatisticsandRotate主成分解析模塊。2)在ForwardPCParameters窗口中設(shè)置好參數(shù)；經(jīng)過對(duì)研究區(qū)影像的主成分解析,發(fā)現(xiàn)第一主成分信息量為89