湖南省遥感图像处理

湖南省遥感图像处理 1 数据下载 1 1glcf网站介绍1 2数据分析1 3数据下载 1 1glcf网站介绍 全称为GlobalLandCoverFacility 即全球土地覆盖设施 关于GLCF全球土地覆盖设备 GLCF 提供了地球科学数据和制品 帮助大家更好地了解全球环境系统 GLCF开发和销售遥感卫星数据和产品说明土地覆盖从地方到全球范围 PathRowLandsat卫星采用的全球参考系为WRS worldwidereferencesystem 是国际上非常具有代表意义的全球参考系之一 WRS是依据卫星地面轨迹的重复特性 结合星下点成像特性而形成的固定地面参考网格 其WRS参考系网格与Landsat卫星数据的成像区域紧密的契合 WRS网格的二维坐标采用PATH和ROW进行标识 目前WRS有两个系统 分别为WRS1 1983年之前的参考系 Landsat1 3号卫星采用此参考系 和WRS2 1983年之后的参考系 Landsat4 5 7号卫星采用此参考系 PathRow查询 1 2数据分析 PATH 世界 1 233 中国 100 145 ROW 世界 1 248 中国 20 48 长沙基本位PATH 123ROW 40下图为湖南省Path和Row编号 1 3数据下载 登录http glcf umiacs umd edu data 在此页面 大家可以看到有各种不同的影像分类 像ASTER QUICKBIRD Landsat等 在选择path和row时 如果需要确认在此查找到的Path和Row所覆盖的确切范围 可以登录 2 数据前期处理将下载下来的几张图利用evni进行拼接处理 具体可以根据实例来进行了解 3 影像分类方法 3 1影像分类概述3 2影像增强处理3 3监督分类 3 1影像分类概述 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 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 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 ENVI中基于光谱分类方法 非监督分类ISODATAK Means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 3 2监督分类 数据源以glcf网站下载数据为数据源处理过程选择样本 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ClumpSieve精度分析生成随机样本混淆矩阵结果分类结果 3 2监督分类 第一步 类别定义 特征判别根据分类目的 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 本例类别分为 林地 草地 耕地 居民地 水体 其他六类 第二步 样本选择打开分类图像 在Display Overlay RegionofInterest 默认ROIs为多边形 按照默认设置在影像上定义训练样本 3 2监督分类 在ROIs面板中 选择Option ComputeROISeparability 计算样本的可分离性 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0 2 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 第三步 分类器选择根据分类的复杂度 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 平行六面体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 最小距离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 马氏距离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 最大似然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 神经网络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 支持向量机支持向量机分类 SupportVectorMachine或SVM 是一种建立在统计学习理论 StatisticalLearningTheory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 波谱角它是在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 第四步 分类后处理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 更改类别颜色可以在InteractiveClassTool面板中 选择Option Editclasscolors names更改 也可以在Display ColorMapping ClassColorMapping 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 分类统计分析主菜单 Classification PostClassification ClassStatistics 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 栅矢转换打开主菜单 Classification PostClassification ClassificationtoVector 可以将分类后得到的结果转化为矢量格式 或者主菜单 Vector RastertoVector 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 第五步 结果验证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 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 PostClassification ConfusionMatrix或者ROCCurves来选择 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 3 2监督分类 选择主菜单 Classification PostClassification ConfusionMatrix UsingGroundTruthROIs 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 这里说明一下混淆矩阵中的几项评价指标 如下 总体分类精度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OverallAccuracy 1849 2346 78 8150 3 2监督分类 Kappa系数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 Kappa计算公式 2 2监督分类 错分误差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 漏分误差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 2 2监督分类 制图精度是指分类器将整个影像的