大二下大禮包遙感原理

遙感原理與應(yīng)用實(shí)習(xí)報(bào)Landsat影像Envi分類試小組成員曾凡孫熙姜卓周溢申雅朱婧鄧昳劉寶實(shí)行監(jiān)督分 分類精度統(tǒng)計(jì)分 其他成 四、實(shí)習(xí)過程問題及其解 數(shù)據(jù)選 非監(jiān)督分 監(jiān)督分 一、前本次實(shí)習(xí)為大學(xué)遙感信息2016-2017學(xué)《遙感原深入了解遙感原理與應(yīng)用課程所學(xué)知識(shí)內(nèi)容自主學(xué)習(xí)掌握ENVI等相關(guān)遙感軟件的操作二、實(shí)習(xí)準(zhǔn)備及分實(shí)習(xí)工具及數(shù)：本次實(shí)習(xí)利用工具為ExelisVisualInformationSolution公司的虛擬地球儀軟件谷歌地球（Earth。：數(shù)據(jù)來源為地理空間數(shù)據(jù)云（http 的已完成影像預(yù)處理工序的LandsatTM影像數(shù)據(jù)。實(shí)組分前期數(shù)據(jù)與軟件安裝：孫熙博、周溢波中期Means&ISODA：：：PPT制作：劉寶寶、朱婧怡、姜卓君、申雅文、孫熙博、曾鑫展示：曾凡鑫、鄧昳涵、姜卓三、實(shí)習(xí)過數(shù)據(jù)預(yù)處線性拉線性拉伸的原眾所周知，在ENVI中若圖像顯示的灰度集中，則地物差異不明顯，而設(shè)置為線性拉伸則可以提高的效果，地物差異更加明顯，會(huì)減小分類效率，本小組選擇Linear2%，即2%裁剪拉伸，既能使圖對(duì)圖像DN值分布在2%98%之間的做線性拉伸，即拉伸時(shí)去除小于2%大于98%的值，這樣絕大多數(shù)的異常值會(huì)在拉伸時(shí)舍掉，顯示線性拉伸的過在ENVI中可以在頂部狀態(tài)欄選擇Linear2%的線性拉伸，然而此線性拉伸的方法是在ENVIClassic中打開圖像，并在Enhance中選擇[Image]Linear2%，即可完成對(duì)每個(gè)波段的2%的線性拉伸。線性拉伸的結(jié)進(jìn)行2%的線性拉伸后，地物差異更加明顯，邊界也更加明顯，如下圖，將左圖以2%~98%進(jìn)行拉伸，得到右圖 影像2%線性拉伸后進(jìn)行同樣處理的結(jié)果。圖在長江上游存在綠色的部分，而在右圖中已全部。PCA變PCA變換的原PCA即主成分分析技術(shù)又稱主分量分旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)。PCA變換是一個(gè)線性變換，把數(shù)PCA變換的過ENVI中對(duì)多波段影響進(jìn)行PCA變換十分簡單，在Toolbox中選擇ForwardPCARotationNewStatistics后選擇要進(jìn)行主分量變換的PCA變化的結(jié)PCA變換使原影像經(jīng)過線性變換后差異更大的分量顯示在變換左圖為TM影像的1、2、3、4、5、7波段，右圖為原影像PCA變換后的影像 同樣經(jīng)過PCA變換后的影響更便于計(jì)算機(jī)識(shí)別出地物之間的差異，能夠提高分類效果。下圖中，左圖為原影響進(jìn)行K均值分成4類的結(jié)果，右圖為原影像經(jīng)過PCA變換后經(jīng)過同樣處理得到的圖像。圖在長江上游存在綠色的部分，而在右圖中已全部。重采最鄰近法：將最鄰近的像元值賦予新像元雙線性內(nèi)插法：使用鄰近4個(gè)點(diǎn)的像元值,按照其據(jù)內(nèi)插點(diǎn)的距三次卷積內(nèi)插法使用內(nèi)插點(diǎn)周圍的16個(gè)像元值,用三次卷積函結(jié)果圖結(jié)果圖4實(shí)踐結(jié)果如圖所示（分類采用K-均值方法直接結(jié)果分類結(jié)果間接結(jié)果錯(cuò)誤造成的。比如，代表長江的綠域中的紅色斑點(diǎn)。這說明重樣的預(yù)處理過程有助于提高分類精度非監(jiān)督分波段選根據(jù)波段特點(diǎn)，選取1、2、3、4、5、76個(gè)波段進(jìn)行分類。特征維數(shù)為6，分類效果更好（如圖1波段選?。‥NVI截屏同時(shí)，為提高分類速度，將整幅圖像進(jìn)行了裁剪，選用大小2000*2000的遙感影像（如圖22目視判現(xiàn)有資根據(jù)Earth上對(duì)應(yīng)位置的地物種類數(shù)，大致判斷地物類圖3Earth地圖（部分區(qū)域假彩根據(jù)不同波段合成假彩像可突出不同地（如表便于32（植被顯示紅色3（53（類似于自然色和453（區(qū)分河渠與道路合成的四張假彩色圖像（如圖4表1不同波段假彩像類型及特R、G、類特3、2、真假彩4、3、標(biāo)準(zhǔn)假彩7、4、模擬真彩7、5、非標(biāo)準(zhǔn)假彩畫面偏藍(lán)色，用于特殊的地質(zhì)構(gòu)造5、4、非標(biāo)準(zhǔn)假彩4、5、非標(biāo)準(zhǔn)假彩（2）（3）地物的清晰顯示不夠，但對(duì)海岸及其灘涂的比較（4）（5）的區(qū)分容易。居民地的邊界雖不十分清晰，但內(nèi)（6）但是植物類型的細(xì)分會(huì)有。3、4、假彩像 圖4假彩(其中(a)-(d)4、3、27、4、35、4、34、5、3波段波段運(yùn)波段運(yùn)算實(shí)質(zhì)是對(duì)每個(gè)像素點(diǎn)對(duì)應(yīng)的像素值進(jìn)行數(shù)算表達(dá)采用ENVI中的BandMath工具對(duì)TM波段進(jìn)行不同運(yùn)算，從而提取出特殊地物（如圖5。具體運(yùn)算如下：城市與鄉(xiāng)鎮(zhèn)TM1+TM7+TM3+TM5+TM6+TM2-TM4鄉(xiāng)鎮(zhèn)與村落TM1+TM2+TM3+TM6+TM7-TM4-TM5河流TM5+TM6+TM7-TM1-TM2-TM4道路TM6由于灰度圖不易于區(qū)分地物將運(yùn)算結(jié)果波段與2個(gè)原TM波段合成，形成突出提取地物的假彩像（如圖 5 6非監(jiān)督分類算根據(jù)目視判讀，將分類數(shù)定為4-6類，包含水域、植被、工用地、城市房屋等，在進(jìn)行非監(jiān)督分類時(shí)，分別將圖像分為（10/15類，2-3倍于目標(biāo)分類數(shù)）與少類（4-6類，與目標(biāo)分類數(shù)相， 7K-Means(其中(a)5類，(b)15類 (其中(a)6類，(b)10類類別合 9(其中(a)7中(b)4類專題圖，(b)K4類專題圖分類后處除或重新分類，目前常用的方法有Majority/Minority分析、聚類處（clump）和過濾處理（Sieve10中可以看出經(jīng)過后處理的長江流域分類效果有明顯改善，最小像素的設(shè)置會(huì)影響圖像中視覺效果(10(e))。 10Clump分析，(f)Sieve分類分分類算法比；②從算法角度看，ISODATA算法與K-均值算法相似，聚類中心都分類效果評(píng)非監(jiān)督分類方法有很多優(yōu)點(diǎn)②人為誤差減少，需輸入的初始參數(shù)較少①對(duì)其結(jié)果需進(jìn)行大量分析及后處理，才能得到可靠分類結(jié)果②存在同物異譜及異物同譜現(xiàn)象使集群組與類別的匹配難度③不同圖像間的光譜集群組無法保持其連續(xù)性，難以對(duì)比 11(其中(a)分類清晰，效果明顯；(b)類別較多，比較，邊界不清晰監(jiān)督分類：最大似然基礎(chǔ)數(shù)據(jù)處波段合成顯Landsat4-5TM影像共含七個(gè)波段。使用ENVIClassic進(jìn)行多次不同波段組合嘗試并查詢資料光譜選用了信息量最為豐富的54、3波段組合配以紅、綠、藍(lán)三種顏色生成假彩色合成圖像，這個(gè)組合分類。適用于城鎮(zhèn)和農(nóng)村土地利用的區(qū)分；陸地、水體邊界的確定部結(jié)構(gòu)紊亂，顏色顯示較地深。影像裁將已有的市界shp文件在ArcMap中進(jìn)行投影轉(zhuǎn)換，作為掩膜對(duì)Landsat影像在Envi中進(jìn)行裁剪，提取出行政區(qū)內(nèi)部分。目視解譯及感區(qū)勾結(jié)合目視解譯所得結(jié)果利用ENVI感區(qū)工具進(jìn)行細(xì)節(jié)勾畫，對(duì)上述五類進(jìn)行選點(diǎn)完成感區(qū)勾畫實(shí)現(xiàn)訓(xùn)練樣本工作，城耕水植此處我們發(fā)現(xiàn)，對(duì)于感區(qū)的選擇，必須做到均勻分布、像素最大似然法作為性強(qiáng)的監(jiān)督分類法感區(qū)的選擇幾乎決 勾畫完畢后對(duì)每個(gè)類別的可分離度進(jìn)行計(jì)算可分離度必須大1.8才算合格，可分離度1.9以上說明分離情況較好，可分離度近2則精度越高。下圖為可分離度計(jì)算結(jié)果實(shí)行監(jiān)督分利用3.3.2中選取的感區(qū)為訓(xùn)練樣本對(duì)影像進(jìn)行最大相似監(jiān)可以發(fā)現(xiàn)特征地物在分類后影像中顯示大體正確，分類結(jié)果較準(zhǔn)確有必要對(duì)這些小圖斑進(jìn)行剔除或重新分類，目前常用的方法有（Sieve過對(duì)比，我們采用了Majority/Minority分析剔除小圖斑，使分類后的分類精度統(tǒng)計(jì)分ENVI提度分析方法主要包括矩陣法和ROC曲。對(duì)比兩種分類精度分析方法后本實(shí)習(xí)采用以數(shù)據(jù)為載體的矩陣法。對(duì)分類結(jié)果進(jìn)行矩陣計(jì)算，結(jié)果如下。從圖中可以看出總體精度為99%以上，Kappa系數(shù)為0.98（Kappa系數(shù)的最低允許判別精度是0.7。分類精度基本達(dá)到要求，分類結(jié)果組ROI，如果再選擇一組，數(shù)據(jù)應(yīng)該會(huì)有所變化。其他成基于PCA變換的非監(jiān)督分本組成員對(duì)影像的預(yù)處理用到了PCA變換那是對(duì)TM影像6個(gè)波段進(jìn)行的，而我們考慮對(duì)一個(gè)波段進(jìn)行PCA變換能得到怎樣的結(jié)果。得出結(jié)論，對(duì)PCA變換后的主分量進(jìn)行分類，可綜合六個(gè)波段特Kmeans六波 PCA主分 單波Kmeans六波 PCA主分 其他監(jiān)督分馬氏距 神經(jīng)網(wǎng)最小距 由于對(duì)以上分類方法不是十分了解，我們只是用ENVI默認(rèn)的參監(jiān)督與非監(jiān)督分類方法比監(jiān)督分類是指先人工取出具有代表性的訓(xùn)練區(qū)作為樣通過對(duì)光譜群組的重新歸類但是監(jiān)督分類的缺點(diǎn)主要集中在人為的四、實(shí)習(xí)過程問題及其解數(shù)據(jù)選程度，最終我們選擇2%的線性拉伸成為最終的預(yù)處理結(jié)果。既能達(dá)進(jìn)行實(shí)驗(yàn)。在以后的學(xué)習(xí)中，可以作為法應(yīng)用。非監(jiān)督分在確定類別數(shù)時(shí)，經(jīng)驗(yàn)不足較大，選擇通過現(xiàn)有地盡管有較多的參考圖，但是地和農(nóng)村，房屋和道路難以區(qū)分。由于經(jīng)驗(yàn)有限，沒有區(qū)別出耕地和植被，水田和江水湖泊，于是類似的類別合并為同一類，最終分類的類別數(shù)為4-6類，一定程度上會(huì)影響分類精度。直接通過算法分為4-6類會(huì)與預(yù)期專題圖差距較所以分為預(yù)期2-3倍即10-15類后，進(jìn)行類別合并，會(huì)更加符合我們最高迭代