envi遙感圖像監(jiān)督分類與非監(jiān)督分類

實(shí)用文案實(shí)用文案標(biāo)準(zhǔn)文檔標(biāo)準(zhǔn)文檔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(shí)別其他未知類別

像元的過(guò)程。它就是在分類之前通過(guò)目視判讀和野外調(diào)查， 對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性有了先驗(yàn)知識(shí)，對(duì)每一種類別選取一定數(shù)量的訓(xùn)練樣本，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣區(qū)的統(tǒng)計(jì)或其他信息，同時(shí)用這些種子類別對(duì)判決函數(shù)進(jìn)行訓(xùn)練，使其符合于對(duì)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(duì)其他待分?jǐn)?shù)據(jù)進(jìn)行分類。使每個(gè)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(duì)整個(gè)圖像的分類。遙感影像的監(jiān)督分類一般包括以下6個(gè)步驟，如下圖所示：類別定義/特征判別.樣本選擇.最小距離分類器選擇神經(jīng)網(wǎng)絡(luò)支持向址機(jī)最小距離分類器選擇神經(jīng)網(wǎng)絡(luò)支持向址機(jī)其他.於像分類'其他.分類右處理.結(jié)果驗(yàn)旺圖1丄監(jiān)看分妾西賽詳細(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)自身的特征和分類區(qū)收集的信息確定分類系統(tǒng)；對(duì)影像進(jìn)行特征判斷，評(píng)價(jià)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(gè)過(guò)程主要是一個(gè)目視查看的過(guò)程，為后面樣本的選擇打下基礎(chǔ)。啟動(dòng)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(guò)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。1)在RegionofInterest(ROI)Tool 面板上，設(shè)置以下參數(shù)：ROIName:林地ROIColor:S2.1RegionMInterest(ROI)TooI面板上設(shè)置樣本參數(shù)2)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(gè)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(gè)多邊形樣本的選擇；3)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(gè)圖像上；4)這樣就為林地選好了訓(xùn)練樣本。注：1、如果要對(duì)某個(gè)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(gè)樣本ROI里面可以包含n個(gè)多邊形或者其他形狀的記錄（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)。（2）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；（3） 如下圖為選好好的樣本?！觥鯦JJJ-JJJ-JJJJJ-J匸7mh■円I ▲,■J^44；F ■CJHrihnIAlli■IMHDWrilSLMIJJJJ-JJJ-JJJJJ-J匸7mh■円I ▲,■J^44；F ■CJHrihnIAlli■IMHDWrilSLMIJhWj|lf■屛科J 4a?—」teihLilMMllM*IrM^11a■IihwCvtif|iZ■■l|Hmihfel?-Han忡I.bilf-iA■IF|MaMi?A歸Vi'Ibu-htH'm-HarrbJSti*rpn-wrl>:IrU aBTsrrTr--□ bMf■U.mbiiLTS?亠】UFaWlrftMi?■Bl'l-V■*fte-W.r!l'i"Wll|iWPfWG|?"Ib!1tjlKlinn|J?rri.；&■■■?*■!■*r*|a■-圏2.對(duì)I隔樣本的選擇（4）計(jì)算樣本的可分離性。在RegionofInterest（ROI）Tool面板上，選擇Option>ComputeROISeparability，在ChooseROIs面板，將幾類樣本都打勾，點(diǎn)擊OK;（5） 表示各個(gè)樣本類型之間的可分離性，用Jeffries-Matusita,TransformedDivergenee 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(shuō)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。FileFile匚4茸農(nóng)訊?，丄山日ROINaa#(J?f[ri?s^M&tu?itarTra.nsfQr*sdDiv#rgwics)?S(J50^571W2C241)(1 柑1Z192S19&&&)孕9弓Ed?丄。1.9??367&)W5?6542OaOOOOOD)91&2I6240199530391)也也也也IthJJJJJTm單糠沙真95.05I09C71.99720241)u9935123?19^9M9e<)576616637200000000)??9fc7328200000009)W6S222i.OOOCCODO)也也怛￡^4JJJJwvw妝其也也ft也也也JJJJJJT(1&75US12(19V3U237(1B701?646(1.54053175(15>0HO3119241^66^)1沖刑柘酮:'1928?S024)1.97t7CG2j)l.W?$639)坪迪林地(1W6C7161W?5675)褂地(19766ifi6372.00000000)燮地/■駅(1.Q7010&4&192&U024J沙地.(l.Bl$H2G4丄沁225帕)武他(1賂勺勺初"200000009)(1貯9冊(cè)E542.00000000)(19?fc732A2.00000000)R本(1940E3172197t70€22)(1Sn<3；&*130Z0150&)f2oftoocoao2ooGccoa^)?阻a也也jJ1J(1?阻a也也jJ1J(1:(1^162^240 1眄舁0陽(yáng)】)3OOOCCOU5):(1?^enO3LI沖彗施羽】弓站冊(cè)200000009)OaOOAOOO2.OO0OCOOO)reitSeparation(leasttonmt).rt地ond第爐rft水-】訂列翎“理地andfcZl也-1819^3284盛迪丿鯉*andIRU也-197010￡4&書世wd草撻”杠木-1?0351237仲地and墓您-1^162^240岐鍛/曜栄血占炒胞-191053172ttigand料地-1§SG￡d9G?!R地andt?3&-1?7t6?&37e^xfflX?nd其恤-1998U03LIf地and跟地-1勺射圖空樣本可分醫(yī)性計(jì)算隈義注：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Options>Merge(Union/lntersection)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File>Open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(guò)，F(xiàn)ile>Export>ExporttoClassic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(jì)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)絡(luò)的，基于模式識(shí)別，包括支持向量機(jī)、模糊分類等，針對(duì)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(jiǎn)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(gè)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(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū)域， 就被劃分其對(duì)應(yīng)的類別中。?最小距離(MinimumDistanee)利用訓(xùn)練樣本數(shù)據(jù)計(jì)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(jì)算輸入圖像中每個(gè)像元到各類中心的距離，至拠一類中心的距離最小，該像元就歸入到哪一類。?馬氏距離(MahalanobisDistanee)計(jì)算輸入圖像到各訓(xùn)練樣本的協(xié)方差距離(一種有效的計(jì)算兩個(gè)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(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)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(jì)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(shí)現(xiàn)人腦的識(shí)別、記憶、思考過(guò)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(jì)學(xué)習(xí)理論(StatisticalLearningTheory 或SLT)基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。SVM可以自動(dòng)尋找那些對(duì)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(guò)計(jì)算波譜間的相似度，之后對(duì)波譜之間相似度進(jìn)行角度的對(duì)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(jì)分析的分類方法參數(shù)設(shè)置比較簡(jiǎn)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/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(jì)、小斑塊處理、柵矢轉(zhuǎn)換等，這部分專門有節(jié)課講解。在此不做敘述。第六步：精度驗(yàn)證對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。有兩種方式用于精度驗(yàn)證：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(shí)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(yàn)證樣本區(qū)）。兩種方式的選擇都可以通過(guò)主菜單->Classification->PostClassification->ConfusionMatrix 或者ROCCurves來(lái)選擇。真實(shí)的感興趣區(qū)驗(yàn)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(shí)地調(diào)查獲取，原則是獲取的類別參考源的真實(shí)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(shí)參考源。（1）在DataManager中，分類樣本上右鍵選擇Close，將分類樣本從軟件中移除（2） 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(yàn)證樣本。注：可直接File>open，打開cantm-驗(yàn)證樣本.roi。圖2.7選擇驗(yàn)證樣本(3 )在Toolbox中，選擇/Classification/PostClassification/ConfusionMatrixUsingGroundTruthROIs ，選擇分類結(jié)果，軟件會(huì)根據(jù)分類代碼自動(dòng)匹配，如不正確可以手動(dòng)更改。點(diǎn)擊 OK后選擇報(bào)表的表示方法(像素和百分比)，點(diǎn)擊OK，就可以得到精度報(bào)表。圖2.8驗(yàn)證操作面板CWJ4Itecui-iurjt■! 碎1■6UkappaCoshl^|4pnt*0栄Yyall.L-IHlTJt”=|丄...T■Ml??鋼川rf,f栄Yyall.L-IHlTJt”=|丄...T■Ml??鋼川rf,f■IjF-OTMTiKIlEiIrsxelaIFIBfll<&2.VC.-OA-*”□.itsflUfiilfri?blieil評(píng)渕WJ&-■ia■灌Ufiilfri?blieil評(píng)渕WJ&-■ia■灌*m：t空唯Tel?lUr<njadhKtt：Ir:xqUibi01]f"￡hh+1*s_T-fi-_?o_os?nW}也。252fliG.■>1o232nzn-nh1]f"￡hh+1*s_T-fi-_?o_os?nW}也。252fliG.■>1o232nzn-nhounY2Au-CD1G0mo--4Rmm*1Ja誥器4OM4OM助DD0000D舊CUnOneL?-[ku1i?]Flft.■心■和CUnOneL?-[ku1i?]Flft.■心■和LTJ1n4?.1^??■!D?h?spinD4&?A-OQn.Q伽eIt11w好113J4G應(yīng)[亡5jOT5.7MK鉉IIMEH2■Ji博ntEK-HV^T17QJLS3應(yīng)[亡5jOT5.7MK鉉IIMEH2■Ji博ntEK-HV^T17QJLS3家d-LrJfl踴Fbpb-DEJn&avlonCqms^fi；nn

CPmt好倔7^2iH4M7■才LMtH1041(Finla)”>環(huán)“ProdleeC?tIPw^tatjILli109QflIt3SfllM仲右1皿?PzodXc-cCP&ul補(bǔ)ZUKig4t2^l(Kmxan541/542J5UJU2?azm=口HuUPkMit]tt7U5&“KM"辭?々』】541r"5圖2.9分類精度評(píng)價(jià)混淆矩陣F面對(duì)混淆矩陣中的幾項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行說(shuō)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(duì)角線分布，總像元數(shù)等于所有真實(shí)參考源的像元總數(shù)， 如本次精度分類精度表中的OverallAccuracy=(1849/2346)78.8150% 。

?Kappa系數(shù)它是通過(guò)把所有真實(shí)參考的像元總數(shù)（N）乘以混淆矩陣對(duì)角線（XKK）的和，再減去某一類中真實(shí)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(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果。護(hù)—E庇七出Kappa計(jì)算公式?錯(cuò)分誤差指被分為用戶感興趣的類，而實(shí)際屬于另一類的像元，它顯示在混淆矩陣?yán)锩妗１纠?，林地?19個(gè)真實(shí)參考像元，其中正確分類265，12個(gè)是其他類別錯(cuò)分為林地（混淆矩陣中林地一行其他類的總和），那么其錯(cuò)分誤差為12/419=2.9%。?漏分誤差指本身屬于地表真實(shí)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(shí)參考像元465個(gè)，其中462個(gè)正確分類，其余3個(gè)被錯(cuò)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(gè)影像的像元正確分為A類的像元數(shù)（對(duì)角線值）與A類真實(shí)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(gè)真實(shí)參考像元，其中265個(gè)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(duì)角線值）與分類器將整個(gè)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(gè)正確分類，總共劃分為林地的有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(shí)，為了更加清楚的查看地物類型，可以適當(dāng)?shù)膶?duì)圖像做一些增強(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(lái)選擇，比如支持向量機(jī)對(duì)高分辨率、四個(gè)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(guò)程。它不必對(duì)影像地物獲取先驗(yàn)知識(shí)，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(jì)特征的差別來(lái)達(dá)到分類的目的， 最后對(duì)已分出的各個(gè)類別的實(shí)際屬性進(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(gè)步驟：影像分析「J ISODATA分類器選擇.R心礎(chǔ)沖 r-―其他卍影像分類類別定義/類別合并

分類后處理」

結(jié)杲驗(yàn)證「圖16非監(jiān)督分類操作流程目前非監(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-OrgnizingDataAnalysizeTechnique )重復(fù)自組織數(shù)據(jù)分析技術(shù)，計(jì)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(jì)算均值，且根據(jù)所得的新均值，對(duì)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(duì)象的均值所獲得一個(gè)“中心對(duì)象” (引力中心)來(lái)進(jìn)行計(jì)算的，然后迭代地重新配置他們，完成分類過(guò)程。3、影像分類打開ENVI，選擇主菜單->Classification->Unsupervised->lsoData 或者K-Means。這里選擇IsoData，在選擇文件時(shí)候，可以設(shè)置空間或者光譜裁剪區(qū)。這里選擇軟件自帶的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(xiàng)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(gè)分類結(jié)果的顯示。

ActI**Cl■的r%rrIhi■申|.工環(huán)ActI**Cl■的r%rrIhi■申|.工環(huán)Itdi。務(wù)二k曰七口肛匚名口/今FP/iitH圖19影像與分類結(jié)果的疊加InteractiveClassTool面板中，選擇Option->Editclasscolors/names通過(guò)目視或者其他方式識(shí)別分類結(jié)果，填寫相應(yīng)的類型名稱和顏色嘗口軌曲ColuiBypEditinfi耐t|OKCamtlIktvi[|圖20類別定義如圖21所示為最終的結(jié)果。

曾fnieraciiveClassToolsee"FileEdiIGpti*oxu-KelpActiveCl噸■炭分類AI-On■廠g■^5—廠On■—Dk■廠Obi~On硬On■應(yīng)熔皿木”廠g?；農(nóng)On|檬速rOn■[imarOnrOn.|0ST-廠On廠OkJ il圖21類別定義結(jié)果在類別定義時(shí)候，可以利用Mode:PolygonAddtoClass、Edit->ModePolygonDeletefromClass或者Setdeleteclassvalue 把很明顯的錯(cuò)誤分類結(jié)果并入或者刪除。（2）類別合并選擇主菜單->Classification->PostClassification->CombineClasses <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。彎Cnahtnf：ClnxsfixS*14ctIr.put匚木/?S*14ctIr.put匚木/?地輸?shù)氐氐?/p>

n草禪將JS?14ctOutputCltlEOutputClttc耳出丿灌木AddCo^b4iktti4Ei->->->->->->->->->->254^3韭地琨地IT浮律n詁QKCutc?l.~*