摄影测量课程设计.doc

遥感原理与应用遥感原理与应用 课程实习- 50 -目录目录2实验一 高光谱数据分析- 3 -一、实验目的- 3 -二、实验数据- 3 -三、实验过程- 3 -1. 浏览波谱库- 3 -2.波普分析- 3 -3.定义感应区- 3 -鉴别矿物质- 3 -4.二维散点图- 3 -四、实验体会- 3 -实验二 影像镶嵌- 3 -一、实验目的- 3 -二、实验数据- 3 -三、实验过程- 3 -（1）基于像元的镶嵌- 3 -（2）基于地理坐标的镶嵌- 3 -四、实验体会- 3 -实验三 影像配准- 3 -一、实验目的- 3 -二、实验数据- 3 -三、实验过程- 3 -四、实验体会- 3 -实验四 非监督分类- 3 -一、实验目的- 3 -二、实验数据- 3 -三、实验过程- 3 -IsoDAta:- 3 -K-means- 3 -分类后处理- 3 -类别定义:- 3 -类别合并：- 3 -四、实验体会- 3 -实验五 监督分类- 3 -一、实验目的- 3 -二、实验数据- 3 -三、实验过程- 3 -训练样本的选择和优化- 3 -1.1训练样本的提取（ROI区的选择）- 3 -1.2 训练样本的优化和提纯ROI- 3 -2 分类方式- 3 -2.1 最大似然法- 3 -2.2 Parallelepiped (平行六面体)- 3 -2.3 Minimum Distance (最小距离)- 3 -2.4 Mahalanobis Distance (马氏距离)- 3 -2.5 Endmember Collection对话框- 3 -2.6 Binary Encoding (二进制编码)- 3 -2.7 Spectral Angle Mapper (波谱角度映射表)- 3 -3 分类后处理- 3 -3.1 分类统计- 3 -3.2 Confusion Matrix (混淆矩阵)- 3 -3.2.1 Ground Truth Image (地表真实图像)：- 3 -3.2.2 Ground Truth ROIs (地表真实感兴趣区)：- 3 -四、实验体会- 3 -课程设计总结- 3 -实验一 高光谱数据分析一、实验目的高光谱分辨率遥感，是用很窄的连续光谱通道对地物持续遥感成像的技术。在课间光道短波红外波段，具有波普段多的特点，而且各光谱通道间经常连续。高光谱图像数据处理和分析是识别地物特征的一种方式，它在较短的波长间隔内具有可区分的吸收和反射特性。反射波谱并不受地区大气条件的影响。反射波谱不受地区照明和传感器方向的影响，所以经常作为鉴别物质或混合物质的信号。 本实验旨在掌握如何分析波谱图，如何定义感兴趣，鉴别矿物的方法和步骤以及二维离散图的分析使用。二、实验数据yaoyifeicup95_ yaoyifeicup95_at.hdr yaoyifeijpl1.sli yaoyifeijpl1.hdr yaoyifeiusgs_min.sli yaoyifeiusgs_min.hdr 三、实验过程1. 浏览波谱库选择 File Open Image File，打开yaoyifeicup95_影像。选择Spectral Tools Spectral Libraries Spectral Library Viewer。出现 Spectral Library Input File对话框， 在 Spectral Library Input File 对话框，选择 FileOpenSpectral Library。出现文件选择对话框时，选择一个波谱库文件名，在Spectral Library Input File对话框中选择利用。Band183 193 207波谱图打开一个波谱库后，可以使用 Spectral Library Viewer 对话框来绘制波谱曲线。要在 Spectral Library Plots 窗口中显示一个波谱，在 Spectral Library Viewer 对话框中点击一个单一的波谱名。将出现一个显示有该波谱图的窗口。每一个新波谱将以不同颜色显示在同一个图表窗口中。要显示波谱名称和颜色，在图表窗口中，点击鼠标右键，从快捷菜单中选择Plot Key。设置坐标轴右键选择Plot Key显示波谱名称和颜色在输入需要的(x,y)后点击Plot Key、Stack Plots后得到反射率波谱曲线波普的比较2.波普分析选择Spectral Tools Spectral Analyst出现Spectrum Analyst Input Spectral Library对话框，选择用于比较的波谱库，点击 “OK”出现Edit Identify Methods Weighting对话框。在“Weight”文本框，为每种类似方法键入需要的权重系数，权重系数赋为0.33，。在Edit Identify Methods Weighting对话框，点击OK。直接从一个Z-剖面窗口中键入波谱：选择ToolsZ-profile。然后选择ToolsPixel Locator，选择像元的位置；在图像内或缩放窗口里点击，抽取需要的Z-剖面信息将出现在Spectral Analyst 窗口中。Local 502 589在Spectral Analyst窗口中，点击Apply，加载进一个波谱。3.定义感应区在主图像窗口中，选择Overlay Region of Interest在主影像定义感兴趣区点击States计算感兴趣区的统计信息鉴别矿物质设计选择合适的彩色合成来鉴别矿物质：在可用波段列表对话框中，选择 RGB 单选按钮，并顺次点击 Band183、Band193和 Band 207,点击Load RGB，将彩色合成影像加载到当前影像显示窗口中。在主影像窗口中，点击ToolsProfilesZ-Profile (Spectrum)。注意到在Z剖面廓线 （Z-Profile）窗口中，被用来合成彩色影像的三波段的位置上，分别用红、绿、蓝三条垂直线标出。 通过使用鼠标左键，点击并拖动波谱剖面廓线窗口中的颜色条，将其拖动到所需的波段位置上4.二维散点图（1）为散点图选择波段在主图像窗口，选择 Tools2-D Scatter Plots。当出现 Scatter Plot BandChoice 对话框时，通过在标签为Choose Band X和Choose Band Y的栏中点击所需要的波段，来选择散点图的 X 和 Y 轴。点击OK，从所选择的两个波段中提取二维散点图。分别选择两个波段 193 2072-D散点图要显示散点图的密度分布，选择 OptionDensity Slice要把一个Z剖面窗口（波谱图）和散点图相关联：选择 OptionsZ Profile。当出现 Input File Associated with 2-D Scatter Plot 对话框时，选择相应的输入文件。在散点图内部点击鼠标右键，显示离指针最近的像元的波谱。从散点图中抽取 ROIs：在散点图上，用鼠标左键点击包围所需要区域的多边形的顶点。使用鼠标右键，闭合多边形并完成选择。当该区域被闭合时，散点图中所选择的 DN 值范围内的像元用彩色突出显示在主图像窗口中。删除某一类：删除后把散点图中的类追溯到影像上将感兴趣区转换为分类影像，选择Creat Class Image from ROIs从影像上绘制感兴趣区不同波段的散点图比较：Band193与196Band 193与207四、实验体会通过本次试验段学习，基本上掌握了高光谱分析地物的步骤与方法（大多数高光谱图像的处理和分析是针对影像数据去除大气影响，用以得到物质的反射率，然后通过与实验室里得到的纯物质的反射波谱进行比较来鉴别物质或混合物质），理解了高光谱分析作为鉴别物质或混合物质的信号的原因（反射波谱不受地区照明和传感器方向的影响）。但是本此实验内容感觉很杂，很多，很乱，不易掌握，但总体上基本掌握了分析高光谱数据的各个环节的操作步骤及原理。实验二 影像镶嵌一、实验目的影像拼接是将多幅影像拼接成一幅图像，当接边线选择好并完成了拼接后，还要对接边线两侧作进一步的局部平滑处理。本次实验包括基于想远点镶嵌和基于地理要素的镶嵌，掌握镶嵌的原理，方法，过程以及羽化融合边缘的操作。二、实验数据基于像元的镶嵌：yaoyifeidv06_2.img、yaoyifeidv06_3.img基于地理坐标的镶嵌：yaoyifeilch_01w.img 、yaoyifeilch_02w.img三、实验过程（1）基于像元的镶嵌进行基于像元的镶嵌：选择 Map Mosaicking Pixel Based 。将出现 Pixel Based Mosaic 窗口。用 Import 下拉菜单选择用于镶嵌的输入波段，选择 Import Import Files。当出现 Mosaic Input File 对话框时，选择文件。（2）基于地理坐标的镶嵌选 择 MapMosaickingGeoreferenced ，将出现Map Based Mosaic 对话框，允许设定输出的镶嵌参数以及选择要镶嵌的图像。点击图像名，选择Options Edit Entry。出现MosaicEntry Input Parameters 对话框，在这里可以输入一个要忽略的背景数据值，编辑偏移值和羽化选项为20，颜色平衡选择Adjust。在Entry 参数对话框中，单击 Select CutlineAnnotation 选择已有的切割线文件,能看见中间有一条明显的相交线创建羽化的镶嵌图像：在Map Based Mosaic对话框中选择 FileApply，在Mosaic Parameters对话框中可以指定输出图像的像元尺寸及重采样方法，以及背景亮度值，并单击OK。创建羽化的镶嵌图像：点击图像名，选择Options Edit Entry。出现MosaicEntry Input Parameters 对话框，在这里可以输入一个要忽略的背景数据值，编辑偏移值和羽化选项为20，颜色平衡选择Adjust。在Map Based Mosaic对话框中选择 FileApply，在Mosaic Parameters对话框中可以指定输出图像的像元尺寸及重采样方法，以及背景亮度值，并单击OK。四、实验体会通过影像镶嵌实验了解影像镶嵌的具体方法，掌握镶嵌的原理，方法，过程以及羽化融合边缘的操作。非监督分类尽可能选取改性区域，提高精度。实验三 影像配准一、 实验目的理解几何校正的原因，几何校正的原理，掌握用ENVI对影像进行几何校正的方法；了解整个实验的过程以及实验过程中要注意的事项。由各种内外因素造成的遥感图像几何位置上的变化称为几何畸变，消除或者减弱其影响的过程即几何校正的过程。我们试验中主要是通过若干控制点,建立不同图像间（基准影像和待纠正影像）的多项式空间变换和像元插值运算,实现遥感图像与实际地理图件间的配准 ,达到消减以及消除遥感图像的几何畸变。二、实验数据Landsat TM and SPOT data yaoyifeibldr_tm.img 和yaoyifeibldr_sp.img三、实验过程图像对图像的校正打开基图像yaoyifeibldr_sp.img和待纠正的图像yaoyifeibldr_tm.img，并在两个窗口显示它们。在 ENVI 主菜单中选择 MapRegistrationSelectGCPs:Image to Image。出现Image to Image Registration对话框时，在Base Image下面点击选择基图像的显示（Display #2，SPOT图像）。在Warp Image下方点击选择被纠正的图像的显示(Display #1，TM图像)。单击 OK，出现 Ground Control Points Selection 对话框。在该对话框里添加地面控制点（GCP）。选择地面控制点，通过在缩放窗口定位十字准线，在基图像和纠正图像中选择像元，其相应坐标显示在上述对话框的 X和Y文本框中，在基础和纠正图像中，选择GCP的位置。一旦两幅图像都选择了需要的像元，在 Ground Control Points Selection 对话框中点击Add Point，控制点将被添加，点击Show List按钮，所添加的GCP的各信息已经列在GCP列表里。当已经选择了四个或更多个 GCPs，可以使用预测功能，optionapply predict,以便更快地选择控制点，对选择的纠正预测的 X、Y 坐标将显示在第三组圆括号中，X、Y的误差被列表显示在第四组圆括号中，RMS误差列表显示在最后一组圆括号中。所有像元的综合RMS误差也显示在Ground Control Points Selection对话框里。将GCPs存储到一个ASCII输出文件中：选择FileSave GCPs to ASCII。用Choose按钮选择一个输出文件，点击OK保存文件。纠正图像:在Ground Control Points Selection对话框中选择OptionsWarp file，选择需要纠正的文件，点击OK，出现Registration Parameters对话框，纠正方法选择Polynomail，重采样方法采用Bilinear采样：四、实验体会对几何校正的评价主要从两方面入手，一方面是从几何校正的机理参数上加以考虑，分析和检查控制点的选择、分布、数量以及RMS值是否符合几何校正理论需要的条件，从定量上把握几何校正的运算精度。一方面是看几何校正的实际效果，从视觉上，查看不同图件上特征线的配准是否达到了预计的吻合程度。在校正时：几何校正的精度直接取决于地面控制点选取的精度、分布和数量。因此，地面控制点的选择必须满足一定的条件，地面控制点应当均匀地分布在图像内；地面控制点应当在图像上有明显的、精确的定位识别标志，如公路、铁路交叉点、河流叉口、农田界线等，以保证空间配准的精度；地面控制点要有一定的数量保证。寻找控制点，很多同学都利用自动捕捉的功能，结果大部分同学都不去认真分析，而是一味地使用系统提示的控制点，结果导致RMS很小，但是矫正后的影像扭曲很大，根本就没有分析原理，只是赶进度，结果造成精度很低，所以做任何事都得有个原因，考虑要全面，具体，从而减少不必要的错误。实验四 非监督分类一、实验目的学会使用计算机自动进行分类，了解非监督分类的基本方法和步骤，掌握ISODATA和K-means的过程和方法，并对分类后进行处理，并且评价精度，分析成果。二、实验数据使用数据：Landsat TM data:yaoyifeican_tmr.img三、实验过程IsoDAta:ENVI: ClassificationunsupervisedIsoData IsoData Parameters对话框：参数设置说明在ISODATA Parameters 对话框中，输入Number of Classes（分类数），Min（最少分类数）8、Max（最大分类数）15，Maximum Iteration（最大迭代数）10，Chang Threshold（像元变化的阀值）5.00，Minimum Pixel in Class（每类中的最小像元数）1，Maximum Class Stdv （最大标准差）3.00，Minimum Class Distance （最小类间距）4.00，Maximum Merge Pairs（最大合并数）2等8个基本参数。K-meansENVI: Classificationunsupervised K-Means K-Means Parameters参数设置说明分类后处理类别定义:在Display 中显示原始影Display-Overlay-Classification，选择ISODATA 分类结果，在Interactive Class Tool 面板中，可以选择各个分类结果的显示。Interactive Class Tool 面板中，选择Option-Edit class colors/names。通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。类别合并：选择主菜单ClassificationPost ClassificationCombine Classes。把同一类的类别合并成一类。在点Ok后，需要选择输出文件和Remove Empty Class 选择YES，可以得到结果。四、实验体会通过本次的实验，加深了对两种非监督分类的理解，非监督分类是在没有先验类别作为样本的条件下，即事先不知道类别特征，计算机的算法主要根据像元间相似度， 大小进行归类合并的方法。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读和实地调查确定的。非监督的分类，必须凭借经验进行分类，如林地和草地的划分，水体和阴影、其它未定义的区别，并且在选取样本时尽量选取纯度较好的，才能使最终的精度较大。实验五 监督分类一、实验目的学会使用提取训练样本，了解监督分类的基本方法和步骤，掌握各种监督分类的过程和方法，尤其是最大似然法，并对分类后进行处理，并且评价精度，分析成果。并且对监督分类和非监督分类进行比较。二、实验数据使用数据：Landsat TM data :yaoyifeican_tmr.img三、实验过程监督分类：按照分类以前自定义的样本进行分类。训练样本的选择和优化1.1训练样本的提取（ROI区的选择）ENVI: Image：OverlayRegion of Interest调出感兴趣区工具窗口进行样本选择（注意：必须事先打开一幅图像），可以进行样本编辑（名称，颜色，填充方式等），样本选择越精确，分类结果越好,再选择ROI Tool。提取训练样本的具体操作如下：（1）确定ROI的提取类型（ROI ToolL: ROI_Type Polygon, Polyline, Point, Rectangel, Ellipse）和待操作窗口（主图像窗口、滚动窗口或缩放窗口）。（2）在图像窗口上画出感兴趣区，单击鼠标右键确定选择形状（此时可以拖动感兴趣区域，用Ctrl鼠标左键可以删除），再次单击右键确定此训练区（此时若要删除训练区，需要点击ROI Tool窗口中的Delete控键，此操作将删除所有该类型的感兴趣区域）。ROI Tool 窗口中将会显示选择区域的颜色和相关信息，其中，感兴趣区域名称（ROI Name）和色彩可以修改。可就某一类训练区选择多个感兴趣区域。（3）该类训练区的选择完成后，点击ROI Tool窗口的New Region控键，再进行另一类训练样本的选择，其颜色将自动改变。按以上操作完成所有训练区的选择。1.2 训练样本的优化和提纯ROI在ROIs面板中，选择OptionCompute ROI Separability,计算样本的可分离性。表示各个样本类型之间的可分离性，用Jeffries-Matusita, TransformedDivergence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。 上述步骤中选择的某类训练样本，可能混入了其他类型的样本，为了提高图像分类精度，需要对训练样本进行提纯。N维可视化分析器（N Dimensional Visualizer）即是对选择的训练区像元进行提纯。当某些像元始终聚集在一起运动时，这些就是所需的最纯像元；若在运动时，像元分成了两个部分，则说明选择了两类地物的训练区，需把此训练区像元分开处理。ROI Tool: FileExport ROIs to n-D Visualizer n-D Control; n-D Visualizer让训练区像元在n维空间内自由转动（可以控制转动速度Speed），当转到最能区分各类型训练区像元的位置时，停止转动，进行样本提纯操作。即：（1）在n-D Visualizer窗口中用鼠标选择某类训练区的纯像元并点击鼠标右键确定（可进行多次选择），再次单击右键Export Class，提纯后的训练区将出现在ROI Tool窗口中。（2）进行下一个类型训练区的提纯时，首先要在n-D Visualizer窗口中单击右键New Class，下面的操作如前。如此，完成所有训练区的提纯。（3）训练区的保存：ROI Tool: FileSave ROIs2 分类方式分类方式包括平行六面体法、最短距离法、马氏距离法、最大似然法、波谱角分类以及二进制编码法等，选择合适的分类方式。2.1 最大似然法ENVI: Classification supervised Maximum likelihood Classification Input File 选择分类的图像 Maximum likelihood Parameters 选择训练样本，设置说明最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值，所有像元都将参与分类。每一个像元被归到可能性最大的那一类里。在Maximum Likelihood Parameters 对话框中设置一般分类参数，在 “Set Probability Threshold” 文本框里，键入一个阈值（01）。选项参数被用来控制像元准确分类的可能性。如果像元的可能性低于所有类的阈值，则它被归为“无类别”，在此，我们一般选择默认值。2.2 Parallelepiped (平行六面体)平行六面体用一条简单的判定规则对多波谱数据进行分类。判定边界在图像数据空间中，形成了一个N维平行六面体。各平行六面体的中心为各训练区的均值向量。平行六面体的各维大小由每一种类别的平均值的在相应波段的标准差的阈值确定。如果像元值位于N个被分类波段的低阈值与高阈值之间，则它归属于这一类。如果像元值落在多个类里，那么ENVI将这一像元归到最后一个匹配的类里。没有落在平行六面体的任何一类里的区域被称为无类别的。1、在主菜单中选择选择 ClassificationSupervisedParallelepiped，选择yaoyifeican_tmr.img作为分类文件。出现 Parallelepiped Parameters对话框这一对话框包含了一个额外的参数标准差数，用于定义各平行多面体的各维尺寸。在Max stdev from Mean文本框里，键入一个数值。 标准差的默认值3被自动输入到这一文本框里。2、点击 Set All Items按钮，选择所有训练区，键入输出文件名，接收默认参数，点击OK。下图为分类结果图像：2.3 Minimum Distance (最小距离)最短距离技术用到每一个训练区的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为无类别）。1、选择 Classification SupervisedMinimum Distance，出现Classification Input File 对话框，选择yaoyifeican_tmr.img 作为分类文件。出现Minimum Distance Parameters 对话框： 该对话框中，在Max Stdev FromMean和 Max Distance Error:文本框里，分别随意地键入要用到的标准差值和允许的最大距离误差。如果这些参数都已输入，分类就用两者中的较小的一个判定哪些像元将参与分类。如果没有输入任何一个参数，则所有像元都将参与分类。2、点击Set All Items按钮，选择所有训练区，键入输出文件名，接收默认参数，点击 OK。下图为分类结果图像：2.4 Mahalanobis Distance (马氏距离)马氏距离分类是一个方向灵敏的距离分类器，分类时用到了统计，它与最小距离的区别就是前者为欧氏距离，后者为计算马氏距离，马氏距离是一种统计距离。它与最大似然分类有些类似， 但是假定所有类的协方差相等， 所以是一种较快的方法。所有像元都被归到最临近的 ROI类，除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别）。1、选择 ClassificationSupervisedMahalanobis Distance，出现Classification Input File对话框，选择yaoyifeican_tmr.img作为分类文件。出现Mahalanobis Distance Parameters 对话框：若需要，在Set Max Distance Error文本框里，键入允许的最大距离误差。如果输入了选择的参数，距离超过所有类的这个参数的像元将被归为无类别。如果没有输入最大距离误差值，则所有像元都将参与分类。2、点击 Set All Items按钮，选择所有训练区，键入输出文件名，接收默认参数，点击 OK。下图为分类结果图像：2.5 Endmember Collection对话框用 Endmember Collection从许多来源中选择终端单元波谱，用于分类和高级波谱分析技术。EndmemberCollection对话框中，所有的监督分类技术以及许多先进的波谱技术都可以运行。 在主菜单中选择Classification EndmemberCollection，出现 Classification Input File 对话框时，选择分类文件yaoyifeican_tmr.img，点击 OK，出现 Endmember Collection 对话框：用预定义好的感兴趣区文件来输入终端单元波谱， 选择 Importfrom ROI from Input File，注意事先加载其感兴趣区，出现 Input Regions of Interest 对话框，单击Select All Items，并按OK。2.6 Binary Encoding (二进制编码)二进制编码分类技术将数据和终端单元波谱编码为 0 和1（基于波段是低于波谱平均值，还是高于波谱平均值）。“异或”逻辑函数用于对每一种编码的参照波谱和编码的数据波谱进行比较，生成一幅分类图像。所有像元被分类到与其匹配波段最多的终端单元一类里，除非指定了一个最小匹配阈值。在Endmember Collection对话框中选择AlgorithmBinary Encoding。在Endmember Collection 对话框中点击Apply，出现Binary Encoding Parameters对话框若需要，在Minimum Encoding Threshold文本框里，输入必须匹配的波段数的最小百分比（01）。2.7 Spectral Angle Mapper (波谱角度映射表)波谱角度映射表（SAM）是一个基于物理方法的波谱分类，它是用n维角度将像元与参照波谱匹配。这一算法是通过计算波谱间的角度，判定两个波谱间的类似度。这一分类方法的缺点是对照明和反照率的影响相对不灵敏。SAM将终端单元波谱矢量和每一个像元矢量放在 n 维空间比较角度。较小的角度代表与参照波谱匹配紧密。远离指定的弧度阈值最大角度的像元被认为无法分类。在EndmemberCollection对话框中选择AlgorithmSpectral Angle Mapper。点击Apply，出现Spectral Angle Mapper Parameters对话框用Maximum Angle (radians)参数框，输入波谱矢量间的最大角度阈值。这是终端单元波谱矢量与像元矢量之间的最大可接受的“角度”。角度小于阈值的像元将参与分类。默认值是 0.1（弧度）。下图为分类结果图像：Spectral Information Divergence3 分类后处理3.1 分类统计1、选择 ClassificationPost Classification Class Statistics，在Classification Input File对话框中选择一幅分类图像，单击 OK，然后在Statistics Input File对话框中选择一个输入文件（用来计算统计值的文件），这里选择yaoyifeican_tmr.img，并用标准 ENVI文件选择程序抽取空间或波谱子集，单击OK。2、出现Class Selection对话框，在列表中点击分类名，选择你想计算统计的分类，若选择所有分类，点击Select All Items。3.2 Confusion Matrix (混淆矩阵)3.2.1 Ground Truth Image (地表真实图像)：选择 ClassificationPost ClassificationConfusion MatrixUsing GroundTruth Image。在 Match Classes Parameters对话框中选择用于比较的地类对，单击OK。 选择Memory存储，点击OK。出现如下混淆矩阵：Confusion Matrix: Memory2 (640x400x1) Overall Accuracy = (256000/256000) 100.0000% Kappa Coefficient = 1.0000 分类图类别试验像元数目试验像元数沙地林地其它耕地裸地草地实际类别沙地200440000020044林地042905000342905其它0091640009164耕地000127920012792裸地00001075210107521草地000006357463574 Total2004442905916412792107521 63574 256000分类图类别试验像元百分比/%像元数TotalPercent沙地林地其它耕地裸地草地实际类别沙地100000003787.83林地0100000024816.76 其它001000002473.58耕地000100002855.00裸地0000100094642.00草地0000010021824.83Total100.00100.00100.00100.00100.00100.002322100.00 Class Commission (Percent)Omission (Percent)Commission (Pixels)Omission (Pixels) 沙地0.000.000/200440/20044林地0.000.000/429050/42905其它0.000.000/91640/9164耕地0.000.000/127920/12792裸地0.00 0.000/1075210/107521草地0.000.000/635740/63574 Class Prod.Acc (Percent) UserAcc. (Percent) Prod.Acc. (Pixels) UserAcc. (Pixels) 沙地100.00100.00 20044/2004420044/20044林地100.00100.0042905/4290542905/42905其它100.00100.009164/91649164/9164耕地100.00100.0012792/1279212792/12792裸地100.00 100.00107521/107521107521/107521草地100.00100.0063574/6357463574/635743.2.2 Ground Truth ROIs (地表真实感兴趣区)：选择ClassificationPost ClassificationConfusion MatrixUsing GroundTruth ROIs由于无地理参考进行选择 Reconcile ROIsConfusion Matrix: Memory2 (640x400x1) Overall Accuracy = (2302/2322) 99.1387% Kappa Coefficient = 0.9887 分类图类别试验像元数目试验像元数沙地林地其它耕地裸地草地实际类别沙地37800000378林地02450003248其它00247000247耕地00028500285裸地10109440946草地010005203218Total3792552482859492062322分类图类别试验像元百分比/%像元数TotalPercent沙地林地其它耕地裸地草地实际类别沙地99.740000037816.28林地096.080001.4624810.68其它0099.6000024710.64耕地000100.00028512.27裸地0.2600.40099.47094640.74草地03.92000.5398.542189.39Total100.0100.0100.0100.0100.0100.02322100.0 Class Commission (Percent)Omission (Percent)Commission (Pixels)Omission (Pixels) 沙地0.000.26 0/3781/379林地1.213.923/24810/255其它