envi7-监督与非监督分类.ppt

遥感图像处理-11 北京大学深圳研究生院 3.影像信息基本提取方法 3.1 影像信息提取技术概述 3.2 影像增强处理 3.3 监督分类 3.4 非监督分类 3.1 影像信息提取技术概述 v遥感影像通过亮度值或像元值的高低差异（反 映地物的光谱信息）及空间变化（反映地物的 空间信息）来表示不同地物的差异，这是区分 不同影像地物的物理基础。 v遥感影像分类就是利用计算机通过对遥感影像 中各类地物的光谱信息和空间信息进行分析， 选择特征，将图像中每个像元按照某种规则或 算法划分为不同的类别，然后获得遥感影像中 与实际地物的对应信息，从而实现遥感影像的 分类。 3.1 影像信息提取技术概述遥感分类技术的发展 v可分为四个阶段 人工解译 基于光谱 计算机自 动分类 基于专家 知识的决 策树分类 面向对象 特征自动 提取 四种方法并存 3.2图像增强处理 v图像变换 主成分（PCA） 独立主成分 最小噪声分离(MNF) 颜色空间变换（HSV,HLS） 穗帽变换 波段运算 v图像拉伸 去相关、饱和度、彩色 直方图（匹配、拉伸） v滤波 卷积 形态学、纹理、自适应、自定义 频率域 局部增强 智能数字化工具 v智能数字化工具 提高数字化的效率 增强ENVI矢量的功能 计算提取的线状地物的长度 过头去除以及两线相交 ENVI中基于光谱分类方法 v非监督分类 ISODATA K-Means v监督分类 基于传统统计分析分类器 平行六面体 最小距离 马氏距离 最大似然 基于人工智能分类器 神经网络 基于模式识别分类器 支持向量机 模糊分类 类别定义/特征判别 影像分类 分类器选择 样本选择 分类后处理 结果验证 平行六面体平行六面体 最小距离最小距离 马氏距离马氏距离 最大似然最大似然 波谱角波谱角 二进制编码二进制编码 光谱信息散度光谱信息散度 神经网络神经网络 支持向量机分类支持向量机分类 模糊分类模糊分类 3.3 监督分类 3.2 监督分类练习 v数据源 以Landsat TM为数据源（“6-监督与非监督分类”文件夹 内）。 v处理过程 选择样本,后选择一种分类器进行分类。 分类后处理 类后处理 Majority/Minority 分析 Clump Sieve 精度分析 生成随机样本 混淆矩阵 v结果 分类结果 3.2 监督分类练习 v第一步：类别定义/特征判别 v 根据分类目的、影像数据自身的特征和分类区收集的信息 确定分类系统；对影像进行特征判断，评价图像质量，决 定是否需要进行影像增强等预处理。这个过程主要是一个 目视查看的过程，为后面样本的选择打下基础。 v 本例类别分为：林地、草地/灌木、耕地、裸地、沙地、 其他六类。 v第二步：样本选择 v 打开分类图像，在Display-Overlay-Region of Interest，默认ROIs为多边形，按照默认设置在影像上定 义训练样本。如下图所示，设置好颜色和类别名称（支持 中文名称）。 3.2 监督分类练习 3.2 监督分类练习 1. 在ROIs面板中，选择Option-Compute ROI Separability,计算样本的可分离性。 如下图所示，表示各个样本类型之间的可分 离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在 02.0之间，大于1.9说明样本之间可分离性 好，属于合格样本；小于1.8，需要重新选 择样本；小于1，考虑将两类样本合成一类 样本。 3.2 监督分类练习 3.2 监督分类练习 v第三步：分类器选择 v 根据分类的复杂度、精度需求等确定哪一种分类器。目前 ENVI的监督分类可分为基于传统统计分析学的，包括平行 六面体、最小距离、马氏距离、最大似然，基于神经网络 的，基于模式识别，包括支持向量机、模糊分类等，针对 高光谱有波谱角（SAM），光谱信息散度，二进制编码。 下面是几种分类器的简单描述。 3.2 监督分类练习 v平行六面体 v 根据训练样本的亮度值形成一个n维的平行六面体数 据空间，其他像元的光谱值如果落在平行六面体任何一个 训练样本所对应的区域，就被划分其对应的类别中。 v最小距离 v 利用训练样本数据计算出每一类的均值向量和标准差 向量，然后以均值向量作为该类在特征空间中的中心位置 ，计算输入图像中每个像元到各类中心的距离，到哪一类 中心的距离最小，该像元就归入到哪一类。 v马氏距离 v 计算输入图像到各训练样本的协方差距离（一种有效 的计算两个未知样本集的相似度的方法），最终技术协方 差距离最小的，即为此类别。 3.2 监督分类练习 v最大似然 v 假设每一个波段的每一类统计都呈正态分布，计算给 定像元属于某一训练样本的似然度，像元最终被归并到似 然度最大的一类当中。 v神经网络 v 指用计算机模拟人脑的结构，用许多小的处理单元模 拟生物的神经元，用算法实现人脑的识别、记忆、思考过 程。 3.2 监督分类练习 v支持向量机 v支持向量机分类（Support Vector Machine或SVM） 是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找 那些对分类有较大区分能力的支持向量，由此构造出分类 器，可以将类与类之间的间隔最大化，因而有较好的推广 性和较高的分类准确率。 v波谱角 v 它是在N维空间将像元与参照波谱进行匹配，通过计 算波谱间的相似度，之后对波谱之间相似度进行角度的对 比，较小的角度表示更大的相似度。 3.2 监督分类练习 v第四步：影像分类 v 基于传统统计分析的分类方法参数设置比较 简单，这里选择支持向量机分类方法。主菜单 下选择Classification Supervised Support Vector Machine。按照默认设置参数 输出分类结果，如下图所示。 3.2 监督分类练习 3.2 监督分类练习 3.2 监督分类练习 v第五步：分类后处理 v分类后处理包括的很多的过程，都是些可选项 ，包括更改类别颜色、分类统计分析、小斑点 处理（类后处理）、栅矢转换等操作。 v更改类别颜色 v可以在Interactive Class Tool面板中，选择 Option-Edit class colors/names更改，也 可以在Display-Color Mapping-Class Color Mapping。如下图所示，直接可以在对 应的类别中修改颜色。 3.2 监督分类练习 3.2 监督分类练习 v 也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单- Classification-Post Classification-Assign Class Colors， 结果如下图所示。 3.2 监督分类练习 v 分类统计分析 v 主菜单-Classification-Post Classification-Class Statistics。如下 图所示，包括基本统计：类别的像元数、最 大最小值、平均值等，直方图，协方差等信 息。 3.2 监督分类练习 3.2 监督分类练习 v 小斑点处理（类后处理） v运用遥感影像分类结果中，不可避免地会产生一些面积 很小的图斑。无论从专题制图的角度，还是从实际应用 的角度，都有必要对这些小图斑进行剔除和重新分类， 目前常用的方法有Majority/Minority分析、聚类（ clump）和过滤（Sieve）。这些工具都可以在主菜单- Classification-Post Classification中找到。 Majority/Minority分析和聚类（clump）是将周围的“ 小斑点”合并到大类当中，过滤（Sieve）是将不符合 的“小斑点”直接剔除。 v如下图为Majority分析的结果。 3.2 监督分类练习 3.2 监督分类练习 v栅矢转换 v打开主菜单- Classification-Post Classification- Classification to Vector，可以将分类后得 到的结果转化为矢量格式 ，或者主菜单-Vector- Raster to Vector，在选 择输出参数时候，可以选 择特定的类别，也可以把 类别单独输出为矢量文件 或者一个矢量文件。 3.2 监督分类练习 v 第六步：结果验证 v对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于 精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵 ，ROC曲线可以用图形的方式表达分类精度，比较形象。 v真实参考源可以使用两种方式：一是标准的分类图，二是选择的感 兴趣区（验证样本区）。两种方式的选择都可以通过主菜单- Classification-Post Classification-Confusion Matrix或者 ROC Curves来选择。 v真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可 以是野外实地调查获取，原则是获取的类别参考源的真实性。由于 没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分 辨率影像，在上面进行目视解译得到真实参考源。直接利用ROI工 具，在TM图上均匀的选择6类真实参考源，如下图所示。 3.2 监督分类练习 3.2 监督分类练习 v选择主菜单 Classification-Post Classification- Confusion Matrix- Using Ground Truth ROIs。将分类结果和ROI 输入，软件会根据分类 代码自动匹配，如不正 确可以手动更改（下图 ）。点击ok后选择报表 的表示方法（像素和百 分比），就可以得到精 度报表（分类精度评价 混淆矩阵图）。 3.2 监督分类练习 分 类 精 度 评 价 混 淆 矩 阵 图 3.2 监督分类练习 v 这里说明一下混淆矩阵中的几项评价指标， 如下： v 总体分类精度 v 等于被正确分类的像元总和除以总像元数。 被正确分类的像元数目沿着混淆矩阵的对角 线分布，总像元数等于所有真实参考源的像 元总数，如本次精度分类精度表中的 Overall Accuracy = (1849/2346) 78.8150%。 3.2 监督分类练习 v Kappa系数 v 它是通过把所有真实参考的像元总数（N） 乘以混淆矩阵对角线（XKK）的和，再减去 某一类中真实参考像元数与该类中被分类像 元总数之积之后，再除以像元总数的平方减 去某一类中真实参考像元总数与该类中被分 类像元总数之积对所有类别求和的结果。 v Kappa计算公式 3.2 监督分类练习 v 错分误差 v指被分为用户感兴趣的类，而实际属于另一类的像元， 它显示在混淆矩阵里面。本例中，林地有419个真实参 考像元，其中正确分类265，12个是其他类别错分为林 地（混淆矩阵中林地一行其他类的总和），那么其错分 误差为12/419=2.9%。 v 漏分误差 v指本身属于地表真实分类，当没有被分类器分到相应类 别中的像元数。如在本例中的耕地类，有真实参考像元 465个，其中462个正确分类，其余3个被错分为其余类 （混淆矩阵中耕地类中一列里其他类的总和），漏分误 差为3/465=0.6% 3.2 监督分类练习 v 制图精度 v是指分类器将整个影像的像元正确分为A类的像元数（ 对角线值）与A类真实参考总数（混淆矩阵中A类列的总 和）的比率。如本例中林地有419个真实参考像元，其 中265个正确分类，因此林地的制图精度是 265/419=63.25%。 v 用户精度 v是指正确分到A类的像元总数（对角线值）与分类器将 整个影像的像元分为A类的像元总数（混淆矩阵中A类行 的总和）比率。如本例中林地有265个正确分类，总共 划分为林地的有277，所以林地的用户精度是 265/277=95.67%。 3.4 非监督分类 v 非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定 义其自然相似光谱集群的过程。 分类器选择 影像分类 类别定义/类别合并 分类后处理 结果验证 影像分析 ISODATA K-means 其他 3.4 非监督分类练习 v数据源 以Landsat TM为数据源（“6-监督与非监督分类”文件夹 内） v处理过程 分类器选择ISODATA或者K-mean对TM进行分类。 分类后处理 类别定义 类后处理 Majority/Minority 分析、Clump、Sieve 重新组合类别 精度分析 生成随机样本 混淆矩阵 v结果 分类结果 3.4 非监督分类练习 v第一步：影像分析 v大体上判断主要地物的类别数量。一般监督分 类设置分类数目比最终分类数量要多2-3倍为 宜，这样有助于提高分类精度。 v本案例的类别分为：林地、草地/灌木、耕地 、裸地、沙地、其他六类。确定在非监督分类 中的类别数为15。 3.4 非监督分类练习 v第二步：分类器选择 v 目前非监督分类器比较常用的是ISODATA、K-Mean和链状 方法。ENVI包括了ISODATA和K-Mean方法。 v ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中 均匀分布的类均值，然后用最小距离技术将剩余像元进行 迭代聚合，每次迭代都重新计算均值，且根据所得的新均 值，对像元进行再分类。 v K-Means使用了聚类分析方法，随机地查找聚类簇的聚类 相似度相近，即中心位置，是利用各聚类中对象的均值所 获得一个“中心对象”（引力中心）来进行计算的，然后 迭代地重新配置他们，完成分类过程。 3.4 非监督分类练习 v第三步：影像分类 v 打开ENVI，选择主菜单-Classification-Unsupervised -IsoData或者K-Means。这里选择IsoData，在选择文件 时候，可以设置空间或者光谱裁剪区