遥感影像分类方法的研究

1、遥感影像分类方法的研究 郑州大学毕业设计论文题 目 遥感影像的分类方法研究 指导教师 职称 讲师 学生姓名 学号 专 业 地理信息系统 院系 水利与环境学院 完成时间 201 年5月27日 201 年 5 月 27 日目 录摘要iabstractii1 绪论111 研究背景112 遥感影像分类研究现状113 提高分类精度的新方法和新技术214 本文主要研究内容315 本文研究技术路线32 遥感影像计算机分类方法421 遥感影像计算机分类的基本原理422 传统的非监督分类方法4221 k均值分类5222 isodata分类方法523 传统的监督分类方法5231 遥感影像计算机分类流程5232 最

2、大似然分类6233 最小距离分类6234 马氏距离分类724 新型的监督分类方法7241 支持向量机7242 决策树分类方法825 遥感影像分类精度评价9251 评价的标准9252 混淆矩阵9253 kappa 系数93 特征的提取和选择1131 研究区概况1132样本的确定原则1133波段的分析和选择114 新型分类方法技术支持1441 支持向量机14411 核函数选取14412 其他参数设置1542 决策树分类的技术支持15421不同地物光谱响应特征分析统计15422 ndvi植被指数分析统计17423 高程值分析统计18424 坡度值分析统计19425 主成分变换分析统计205 遥感影像

3、分类的实现和精度评价2251传统的监督分类的实现22511 训练样本的提纯22512 最大似然分类22513 马氏距离分类23514 最小距离分类24515 传统的监督分类精度分析与评价2552 新型的监督分类方法的实现26521 支持向量机分类26522 决策树分类27523 新型分类方法与传统方法的比较分析296 结论与展望3061结论3062展望30致谢32参考文献33摘要传统的遥感影像分类方法有监督分类和非监督分类本文主要研究监督分类传统的分类方法一般是基于概率统计主要有最大似然分类马氏距离分类最小距离分类人们不断的尝试和研究新的方法以便改善分类精度近年来研究较多的是决策树支持向量机等

4、 本文首先对五种分类方法进行简单概述然后选取训练样本最后进行分类重点介绍了以ndvi值高程值坡度值和主成分变换为分类条件的决策树分类过程最后输出分类图通过误差矩阵和kappa系数对不同分类方法的结果进行精度评价最后通过数据比较和图表分析可以看出这五种分类方法中分类精度由高到低依次是支持向量机最大似然法决策树马氏距离和最小距离新型方法优势明显决策树的精度有待提高关键词遥感影像分类支持向量机决策树精度分析abstractthe traditional classification method are supervised classification and the supervised cla

5、ssification this paper research the supervised classification mainly the traditional remote sensing image classification method is based on the probability and statistics mainly has the imum likelihood mahalanobis distance minimum distance people keep try and study the new method to improve the accu

6、racy of classification in recent years the most study are decision tree and support vector machine etcthis paper first gives a brief overview on the five types of classification method then determines and chooses the training sample finally classify the image this paper focuses on the decision tree

7、classification process mainly which on base of ndvi value elevation values slope values and the transformation of principal components finally the accuracy of the results of different classifications is evaluated through the error matrix and kappa coefficientthrough the comparison of data and analys

8、is of chart we can see the results of this five classification methods and the order of the classification accuracy from high to low is support vector machines the imum likelihood method the decision tree mahalanobis distance and minimum distance decision tree method needs to be improved the accurac

9、ykey wordsremote sensing image classificationsupport vector machine decision tree classification accuracy1 绪论遥感remote sensing简称rs即遥远的感知是20世纪60年代兴起的一种探测技术根据不同对波谱产生不同应的原理应用各种传感仪器对远距离目标所辐射和反射的电磁波信息进行收集处理并最成像从而对地面各种物进行探测和识别的一种综合技术形成了一个全球进行探测和监测的多层次多视角多领域的观测体系成为获取地球资源与环境信息的重要手段bp模型实现了tm影像的分类实验李厚强应用bp网络和自

10、适应网络相结合的方法对spot卫星影像进行分类提高了精度杜惠茜等采用一种线性搜索的共轭梯度法动态调节bp网络的学习效率提高了训练的速率3决策树分类算法具有灵活直观清晰健壮运算效率高等特点在遥感分类问题上表现出巨大的优势已经开始应用于各种遥感影像信息提取和土地利用土地覆盖分类中张爽将决策树分类法应用到景观分类中并讨论了样本点对分类精度的影像温兴平等利用决策树对广州市中部七区的etm影像进行信息提取通过影像的波段组合数据获得了更高的分类精度41995年vapnik完整地提出了svm分类在理论方面已出现多种经典svm方法的变形y-svm最小二乘svm模糊svm等在遥感影像的应用上张燕宁等对二值化后的

11、可见光遥感影像采用支持向量机的方法进行分类识别获得了比欧式距离法和神经网络分类方法更好的性能zhu guobin和dan gblumberg等利用基于svm的算法对aster传感器获得的数据进行了分类处理结果表明基于svm的方法在收敛性训练速度分类精度等方面具有较高的性能5遥感影像分类技术一直朝着更快速更精确的方向发展不同方法都有自己的最佳适用对象同时人工智能理论和技术的日益发展也为遥感影像分类提供了更多新方法和新思路14 本文主要研究内容本次研究使用北京密云地区1999年7月多光谱tm影像作为主要数据源 所得影像已经过辐射校正几何校正和一些增强处理可以直接使用 通过监督分类的三种传统方法和近

12、年来研究较多的支持向量机 support vector machine简称svm 和决策树 decision tree简称dt 对密云水库地区的主要地物进行分类分类完成后对五种分类结果进行精度评价和综合比较分析15 本文研究技术路线1通过在envi44的基本操作首先完成三种传统监督分类方法的影像输出并通过envi中transfrom模块完成ndvi图输出和通过topographic模块完成坡度图的输出为后面决策树分类做好准备2利用不同地物在不同波段的亮度特征以及不同地物在高程坡向ndvi值上的分布规律确定决策树分类的条件构建决策树分类模型通过运行实现图形输出3学习支持向量机的基础知识掌握各个参

13、数的含义通过合理设置参数输出精度较高的影像4由于envi中精度评价不很完善本文在erdas中进行精度分析对五种分类方法的输出影像进行精度评价输出相关数据通过纵向和横向比较得出结论2 遥感影像计算机分类方法遥感影像的计算机分类以遥感数字影像为研究对象在计算机系统支持下综合运用地学分析遥感影像处理地理信息系统模式识别与人工智能技术实现地学专题信息的智能化获取221 遥感影像计算机分类的基本原理遥感影像分类的理论依据是遥感影像中的同类地物在相同的条件下 地形光照以及植被覆盖等 应具有相同或相似的光谱信息特征和空间信息特征从而表现出同类地物的某种内在的相似性遥感影像上地物的光谱特征通常是通过地物在多光

14、谱影像上的亮度来体现的不同的地物在同一波段上的亮度值不同同时不同的地物在各个波段影像上亮度的呈现规律也不相同然而就某些特定的地物而言多波段影像的亮度值并不能很好地表达类别特征这就需要对遥感影像进行运算处理 如比值处理差值处理主成分变换k-t变换等 以寻求能有效描述地物类别特征的特征变量然后利用这些特征变量进行分类2遥感影像分类 classification 就是将影像的每一个像元或区域按照亮度接近程度划分为若干个类别多光谱影像可以通过构成高维特征空间按照地物类别积聚的规律把多光谱空间划分为若干子空间把影像的每一个像元都分配到一个子空间中去以达到分类的目的遥感影像分类其核心就是确定不同特征点分布

15、集群之间的分类界即确定各个特征点分布与隶属的判别函数和相应的判别准则其关键问题就是对各集群的分布规律进行统计描述根据是否采用训练区分类方法可分为监督分类supervised classification和非监督分类unsupervised classification22 传统的非监督分类方法 非监督分类的前提是假定在相同的地表结构特征植被覆盖光照等条件下同类地物具有相同的或者相近的光谱特征从而将其归为同一类不要求分类人员具有目视解译的先验知识仅凭遥感影像地物的光谱特征的分布规律随其自然地进行盲目的分类一般只是提供少数阈值对分类过程加以部分控制其类别的属性并不能由该分类方法确定需要通过事后对各

16、类的光谱响应曲线进行分析以及与实地调查相比较后确定的非监督分类主要采用聚类分析的方法聚类是把一组像元按照相似性归属为若干类别非监督分类算法的核心问题是初始类别参数的选定以及它的迭代调整问题6由于在一幅复杂的影像中训练区有时不能包括所有的地物光谱样式这样就造成一部分像元找不到归属因此在实际工作中用非监督分类方法来研究数据特征及其自然点群的分布情况用来指导监督分类中类别和训练区的选取是很有实际价值的221 k均值分类k均值方法假定被用来表示样本空间的聚类中心的个数是预先知道的它使聚类域中所有样本到聚类中心的距离平方和最小这是在误差平方和准则的基础上得来的k均值方法中的聚类中心数k初始聚类中心的选择

17、样本输入的次序以及样本的几何特性等均影响k均值算法的进行过程isodata分类方法isodata即迭代式自组织数据算法iterative self-organizing data analysis techniques algorithm的缩写简称迭代法这是一种最常用的非监督分类算法其实质是给出一个不怎么确定的初始分类然后用某种原则反复修改和调整分类以逐步逼近一个正确的分类isodata算法的优点在于不需要对所有要分类的区域有广泛的了解认识人为引入误差小但是在实际应用中存在精度低无法控制等缺陷radiometric correction 和几何校正 geometry correction 对于

18、提高遥感影像分类的精度至关重要2训练样本特征提取和选择特征提取和选择是对分类精度和可靠性影响最大的因素之一根据应用目的及影像数据的特征确定分类类别然后根据分类类别选取样本样本的选取可以采用目视判读法遥感影像与土地利用现状图相结合判读法实地调查法等从待处理数据中抽取出具普遍性代表性的数据作为训练样本3影像分类运算遥感影像分类运算就是根据影像特点和分类目的设计选择恰当的分类器及其判别准则分类阶段是计算机处理的核心阶段4分类后处理分类后处理是在分类以后对分类结果类别分布的一致性进行检查和调整主要是分类统计和分类精度的评价错分的比例越小分类效果越好5结果输出主要包括分类结果图的输出评价表格的输出统计结

19、果的输出等232 最大似然分类最大似然分类法 imum likelihood classifier 是最常用的一种监督分类方法它通过求出每个像元对于各类别的归属概率然后把该像元分到归属概率最大的类别中去该方法假定训练区地物的光谱特征和自然界大部分随机现象一样近似服从正态分布利用训练区可求出均值方差以及协方差等特征参数从而可求出总体的先验概率密度函数最大似然法被认为是分类精度最高的分类方法其分类错误概率最小是风险最小的判决分析方法但是当训练数据较少总体分布不符合正态分布时均值和协方差参数估计的偏差会严重影响分类精度其分类可靠性将下降此时不宜采用最大似然分类法8233 最小距离分类最小距离法 mi

20、nimum distance 以特征空间中的距离作为像元分类的依据通过求出训练样本中各类别在各波段的均值然后根据各像元与训练样本在各波段的均值之间光谱距离的大小按照最小化原则来决定其类别它包括最小距离判别法和最近邻域分类法1最小距离判别法这种方法要求对遥感影像中每一个类别选一个具有代表意义的统计特征量 均值 首先计算待分像元与已知类别之间的距离然后将其归属于距离最小的一类2最近邻域分类法在多波段遥感影像分类中每一类别具有多个统计特征量最近邻域分类法首先计算待分像元到每一类中每一个统计特征量间的距离这样该像元到每一类都有几个距离值取其中最小的一个距离作为该像元到该类别的距离最后比较这个待分像元到

21、所有类别间的距离将其归属于距离最小的一类最小距离法原理简单分类精度不高但计算速度快234 马氏距离分类马氏距离 mahalanobis distance 较适用于多波段遥感影像分类距离 与最小距离相似但是它在分类中既考虑光谱向量的离散度也考虑向量分布的协相关性是一种更广义的距离定义在分类中马氏距离法是以多维光谱特征空间中的马氏距离作为像素分类的依据24 新型的监督分类方法由于地物波谱辐射和地物类型分布方式的复杂性以及干扰因素的多样性使得传统遥感影像分类方法不甚理想为此人们不断的研究和尝试新的方法以图改善目前人们研究最多的非传统分类法方法主要有决策树分类法支持向量机 svm 等241 支持向量机

22、支持向量机 support vector machine简称svm 是通过引入结构风险最小化原理 srm 最优化理论和核函数而发展起来的一种新的模式识别方法5根据vapnik和chervonenkis的统计学习理论如果数据服从某个 固定但未知的 分布要使机器的实际输出与理想输出之间的偏差尽可能小则机器应当遵循结构风险最小化原理 srm 而不是经验风险最小化原理通俗地说就是应当使错误概率的上界最小化svm算法具有参数设定简单和能够得到全局最优的结果支持向量机不仅结构简单而且各种技术性能尤其是泛化 generalization 能力明显提高这己被大量实验证实9svm的基本思想是寻找一个分类超平面使

23、得训练样本中的两类样本能被分开并且距离该平面尽可能地远 如图2-1 10它的目标就是要根据结构风险最小化原理构一个目标函数将两类模式尽可能地区分开来通常分为线性可分线性不可分两类情况来讨论对线性不可分问题可以通过非线性变换转化为某个高维空间中的线性可分问题在变换空间求最优分类面5图2-1 最优超平面242 决策树分类方法决策树 decision tree简称dt 是遥感影像分类中的一种分层处理结构具有灵活直观运算效率高等特点在遥感影像分类方面有着巨大的优势决策树分类方法的原理是按照一定的规则把遥感数据集逐级往下细分以定义决策树的各个分支7其中每一个分叉点代表一个决策判断条件每个分叉点下有两个叶

24、节点分别代表满足和不满足条件的类别这种方法的优点在于不需要依赖任何先验的统计假设条件而且可以更方便地综合利用多种数据以避免因使用一种数据造成的误差因此在遥感影像分类数据挖掘和专题信息提取中应用广泛11由于决策树分类中的运算基本上都是比较大小运算因此计算量很小在模式含混比较小各类别之间混迭不大时是一种效率很高的分类方法1225 遥感影像分类精度评价251 评价的标准 只有评价了分类的精度后分类过程才算完成envi中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可以把分类结果的精度显示在一个混淆矩阵里面混淆矩阵的每一列代表了一个地表真实分类每一列中的数值等于地表真实像元在分类

25、中对应于相应类别的数量像元数和百分比两种overall accuracy 生产者精度 producers accuracy 用户精度 users accuracy 总体分类精度等于被正确分类的像元总和除以总像元数地表真实影像或地表真实感兴趣区限定了像元的真实分类被正确分类的像元沿着混淆矩阵的对角线分布它显示出被分类到正确地表真实分类中的像元数像元总数等于所有地表真实分类中的像元总和用户精度是指正确分到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kappa 系数kappa 分析技术是一种多变量统计分析技术它在统计意义上反映的分类结果在多大程度上优于随

26、机分类结果并可以用于比较两个分类器的误差矩阵是否具有显著差别其产生的评价指标被称为khat统计khat统计是一种测定两幅图之间吻合度或精度的指标14kappa系数kappa 2-1r为混淆矩阵中的总列数即总的类别数为混淆矩阵中第i行第i列上像元的数目和分别是第i行和第i列上总像元数量n是总的用于精度评价的像元数量在erdas中进行遥感分类影像的精度评价时生产者精度使用者精度总体精度和kappa系数通过如下操作直接获取首先在视图上打开原始影像然后启动精度评估对话框接着打开分类专题影像通过点击将原始影像视图与精度评估视图相连接让系统产生适量的随机点输入参考点的实际类别值运行后输出评价报告里面包含各

27、类地物的生产者精度用户精度kappa系数和总体精度3 特征的提取和选择31 研究区概况此次的研究对象是北京密云县密云县地处华北平原北端为华北平原与燕山山脉的交接处全县面积22265平方公里现有人口近45万大部分从事农业主要居住在燕落盆地周边的冲积平原地区全县土地基本上属于山区半山区农业用地很少有八山一水一分田的说法林木众多森林覆盖率超过7032样本的确定原则监督分类中训练样本选择的好坏很大程度上影响到分类的效果训练样本指的是遥感影像上可以确认其类别属性被用来统计类别参数的区域因为监督分类关于类别的数字特性都是从训练样本获得的所以训练样本的选择一定要注意其准确性代表性和统计性不但是要确保选择的样

28、本与实际地物的一致还要考虑到地物本身的复杂性选择足够多的像元保证样本的选择符合统计学规律15本次研究中每一类地物都进行了多次选取和匹配选取之后通过计算感兴趣区可分离性对训练样本进行评估并对训练样本进行提纯tm影像有7个波段不同的波段反映了地物不同侧面的信息分别适用于不同地物的分类和解译波段选择就是在较多的波段中选出其中的几个波段来处理或分类为了使遥感影像能够提供更多的类别处理前对最佳波段进行组合选择能够使得合成影像信息量大冗余度小相关性小各个波段的波长范围和特点如表3-1所示表3-1 tm影像的波段特点和适用范围波段序号波长范围 um 波段特点tm1045-052对水体穿透力强对叶绿素与叶色素

29、浓度反映敏感能够判别水深水中叶绿素分布能够反射浅水水下特征可用于沿岸水和进行近海水域制图等但因由于蓝光在大气中散射强烈其亮度值受大气状况影响显著tm2052-060对健康茂盛植物绿光反射敏感用于探测健康植物绿色反射率但不能本质地反映可见光区植物反射波谱特性的叶绿素情况tm3063-069为叶绿素的主要吸收波段反映不同植物的叶绿素吸收大小用于区分植物生活力状况种类与植物覆盖度广泛用于地貌土壤植被等方面在遥感信息上能使不同类型的植被在色彩上出现差异有利于植被类型的识别其信息量大为可见光最佳波段tm4076-090为近红外区它获取植物强烈反射近红外的信息对绿色植物类别差异最敏感是反映植被信息的重要波

30、段tm5155-175受两个吸收带控制反映植物和土壤水分含量敏感信息量大提供的光谱信息最为丰富植被水体土壤3大类地物在这个波段上的反差都十分明显极易识别tm6104-125属热红外区由于空间分辨率低在植被调查和监测中应用很少tm7208-235波段位于水的强吸收带1927um之间可以用来区分岩石类型区分人造地物类型统计特征从不同角度反映了研究的遥感影像所包含的信息特点统计特征值主要有亮度均值中值标准差以及各波段之间的相关矩阵等通过影像统计特征值分析将为影像的波段组合选择和各种分析处理提供基础依据表3-2 各波段亮度值统计信息表波段最小值最大值均值标准差tm 1762419976830tm 25

31、122078271047tm 33725574472000tm 41420596823036tm 5125588343556tm 7125560602928从表3-2可以看出各波段亮度值分布范围大小依次为tm7tm5 tm3 tm4 tm2 tm1tm5信息量最大 tm4和tm7其次tm1信息量最小同时结合别人的研究数据表明tm1tm2和tm3波段相关系数较高说明这三个波段所包含的信息量具有很大的重复性不宜同时使用tm4与其它波段的相关系数相对要小些表明该波段信息独立性较大同时该波段又是植被反射急剧变化的高峰区所以研究中将tm4作为重要波段tm5和tm7之间相关尤其显著两者在光谱信息上具有很强

32、的一致性故这两个波段不建议组合在一起结合上述分析本次研究中采取了543波段的组合接近自然色容易判别其中水体特征最为明显密云水库在影像上集中呈现黑色由于研究区多为山地植被覆盖率高林地表现为明显的绿色居民区集中呈块状分布容易识别耕地多呈现格网状草地则分布在较平缓地带未利用地则一般分布在水库周围和森林之间4 新型分类方法技术支持41 支持向量机411 核函数选取核函数是在支持向量机的研究中提出并逐步得到发展的一种构造非线性变换的方法由于核函数的好坏直接影响着支持向量机的性能所以成为支持向量机研究中需要解决的核心问题之一5支持向量机通过引入核函数有效的解决了模式分类中的线性不可分问题然而并不是所有的核

33、函数都能使线性不可分的样本变得线性可分给定训练样本后选择什么样的核函数将直接影响所构造的支持向量机的性能核函数对支持向量机的性能有重要的影响所以支持向量机理论研究主要以核函数方面的研究为主包括模型选择以及核函数的构造其中模型选择又包括核函数类型的选择核函数的选择以及支持向量机中的参数的确定这方面研究的核心是对支持向量机性能的有效评估常用核函数有多项式核函数高斯 gaussian 核函数和sigmoid核函数等核函数的选取包括核函数形式的确定和参数的确定两个方面多项式形式的内积函数 d 12 4-1 所得到的是d阶多项式分类器基于径向基函数 rbf 内积函数形式k xy exp - 4-2 所得

34、分类器与传统rbf方法的重要区别是这里每个基函数中心对应一个支持向量它们及输出权值都是由算法自动确定的采用sigmoid函数作为内积函数k xy tanb 4-3 其中rbdc都是核函数参数核函数的选取是一个较为困难的问题至今尚没有一定的理论方面的指导只能凭经验进行选择核函数的作用相当于使样本投影到一个很高维的空间中然后再构造最优分类面因此核函数的选取直接影响到分类器的泛化能力5412 其他参数设置 kernel type下拉列表里选项有 linearpolynomialradial basis function以及 sigmoid 如果选择polynomial设置一个核心多项式的次数degr

35、ee of kernel polynomial用于svm最小值是1最大值是6 如果选择polynomial sigmoid使用向量机规则需要为kernel指定 the bias 默认值是1 gamma in kernel function参数这个值是一个大于零的浮点型数据默认值是输入影像波段数的倒数penalty这个值是一个大于零的浮点型数据这个参数控制了样本错误与分类刚性延伸之间的平衡 默认值是100classification probability threshold 为分类设置概率域值如果一个像素计算得到所有的规则概率小于该值该像素将不被分类范围是01默认是0ndvi植被指数可以有效区

36、分植被覆盖信息被认为有助于增强遥感影像的解译能力另外利用gis分析得出的地学辅助信息知识-高程 dem 和坡度 slope 用于区分受地形影响较大的林地和草地以及居民地和未利用地通过统计分析主成分变换之后的前三个变量用pc1 65和pc3 3作为区分耕地和居民地的条件421不同地物光谱响应特征分析统计不同地物光谱响应特征即不同地物在各个波段的亮度值统计对该试验区按照水体草地林地农业用地居民地和未利用地进行采样每类选取一定数量的样本按照最大值最小值和平均值加以统计首先在原始影像的roi tool 工具中标出标记出某种确定地物的多处区域然后选择一个类型点击按钮如图4-1整理得到统计结果如表4-1

37、图4-1草地在各波段的亮度值统计表4-1地物光谱亮度统计值地物类型统计值tm1tm2tm3tm4tm5tm7水体最小值91634528158最大值1149896483530平均值1007256332016标准差292328586417279621532082林地最小值765541 573020最大值1179310218012696平均值9067571158947标准差597357918745221991366411324居民地最小值937362655836最大值141124151130151137平均值117961049610084标准差594661529819102111271111948草

38、地最小值8868551077031最大值1169296164131100平均值9777701359355标准差39574704741210118949510261耕地最小值998072908794最大值132122152138176157平均值11297114111140117标准差36814526889066471026512836未利用地最小值886757999556最大值131119143141172167平均值104879411513098标准差641882531408578181384418806从表4-1可以看出同类地物不同波段间亮度值的大小关系水体tm1 tm2 tm3 tm4

39、tm5 tm7林地tm4 tm1 tm5 tm2 tm3 tm7耕地tm5 tm7 tm3 tm1 tm4 tm2居民地tm1 tm3 tm5 tm2 tm4 tm7未利用地tm5 tm4 tm1 tm7 tm3 tm2草地tm4 tm1 tm5 tm2 tm3 tm7不同地物在各个波段上的大小关系 1 tm1上居民地 耕地 未利用地 水体 草地 林地草地与水体用地易混淆 2 tm2上耕地 居民地 未利用地 草地 水体 林地耕地与居民地易混淆 3 tm3上耕地 居民地 未利用地 草地 林地 水体水体与林地易混淆 4 tm4上草地 未利用地 林地 耕地 居民地 水体林地与未利用地易混淆 5 tm

40、5上耕地 未利用地 居民地 草地 林地 水体草地与林地易混淆 6 tm7上耕地 未利用地 居民地 草地 林地 水体通过比较可以看出水体和其它地物明显的不同特征经过分析可以在后面的决策树分类中将tm4tm5tm7 100 atm7 30作为区分水体和非水体的条件是则为水体否则为非水体使用tm5tm7 180作为区分居民地和耕地的一个条件422 ndvi植被指数分析统计ndvi植被指数是利用植被在近红外波段强烈反射而在红光波段强烈吸收的特点建立的被定义为近红外波段 tm4 与可见光红光波段 tm3 数值之差和这两个波段数值之和的比值通常认为有助于增强遥感影像的解译能力从而广泛应用于土地利用研究其数

41、值介于1 和1之间数值越大表明植被覆被程度越高使用envi求得该原始影像的ndvi值影像在available bands list 中选择ndvi层打开影像图同样使用roi tool 工具中选择一个类型点击按钮得到统计结果表4-2各地物ndvi植被指数值统计类别统计最小值最大值均值均方差水体-0379845 -0120000-02510780036227林地-00461540578475 03306530133098 耕地-0107438 0300971 -0013102 0046397居民地-0181287 0216931 -0039479 0062062未利用地-0067164 03173

42、65 01059490071629草地0091787046341503189950064561生成统计图如图4-2图4-2各地物ndvi统计图通过表格和图示可以清楚地看出林地草地即植被的ndvi指数值中除了均方差外都大于02耕地未利用地和居民地即非植被的则都在02下可以在决策树分析中利用ndvi 02将植被和非植被进行区分是则为植被包括林地和草地否则为非植被包括耕地居民地和未利用地423 高程值分析统计各地物高程值统计操作过程和ndvi植被指数值统计相同只是打开的图层变为dem高程图过程同上高程值统计如表4-3表4-3各地物高程值统计类别统计最小值最大值均值均方差水体1431481431237

43、820669135林地881180607693174308074821耕地581758271847222641590居民地6522210294124745152988未利用地96602297057692154436694草地6118314334353730798829生成统计图如图4-3图4-3各地物高程值统计通过表格和图示可以看出土地覆被类型和高程有明显的关系居民地水体耕地草地几乎全部分布在高程200m以下林地和未利用地的高程则明显偏高其中林地的平均高程最高决策树分类中可以将dem小于150m作为林地和草地将dem小于220m作为未利用地和耕地居民地的一个区分条件424 坡度值分析统计坡度图

44、的获取需要在envi软件中对原始影像进行一系列操作首先点击topographic菜单然后点击topographic modeling选择原始的影响打开topo model parameters对话框选择slope设置输出路径文件名点击ok完成图形输出统计过程和前面的过程相似其统计结果如表4-4 表4-4各地物坡度值统计类别统计最小值最大值均值均方差水体0000000422819000285730149329林地010913542669884196145088702879耕地0000000978109310417350860394居民地00000001984946113729012320606未

45、利用地14115123266787095658837007807草地00000001608061814910001412631生成统计图如图4-4图4-4各地物坡度值统计坡度数据可以用于区别某些土地利用类型通过表格数据可以看出居民地耕地和水体主要分布在坡度小于5的区域而未利用地和林地的坡度则较高决策树分类中将slop 5作为草地和林地未利用地和耕地居民地的一个条件和高程值相结合将两类地物区分开来425 主成分变换分析统计利用主成分变换将原来多波段中的有用信息集中到尽可能少的新组分中实现信息的有效压缩并减少新组分之间信息的重叠经主成分变换后得到一组新的变量前几个分量包含了原始影像的绝大部分信息t

46、m影像六个波段数据经过主成分变换后前3个分量的统计特性如表4-5表4-5 各类型地物的主成分变换均值统计量类别pc1pc2pc3森林-799161131922122-0197519水域-102852375-230446210003271居民地31333682-31985930-12059859草地1630016931863047-16458259耕地83134385-338478573697669未利用地61763970-98528426944546生成统计图4-5图4-5主成分变换均值统计图从图4-5中可以直观看出可以用pc1 65来区分耕地和居民地5 遥感影像分类的实现和精度评价51传统的

47、监督分类的实现511 训练样本的提纯为了提高影像分类精度需要对训练样本进行提纯envi中通过n维可视化分析器n- dimensional visualizer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区域点击roi tools 的菜单file下面的export rois to n-d visualizer 选项设置原始影像数据在出现 n-d controln-d visualizer窗口中如图5-0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

48、型训练区像元的位置时停止转动 在n-d visualizer窗口中点右键export class提纯后的训练区将出现在roi tool窗口中roi可以更好的进行监督分类图5-1 n维可视化分析器classification在supervised 选项下选择 imum likelihood 选项在打开的窗口中输入原始影像然后选取可分类项在 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图5-2最大似然法

49、的分类结果图最大似然法的分类精度统计如表5-2所示表5-2最大似然法分类精度统计表名称参考点数正确数生产者精度用户精度kappa系数林地86758721 974009544水体363597221000010000草地17148235 933309271未利用地141410000 411803675耕地21136190 812507905居民地26176538 739107001最大似然法总体精度8400513 马氏距离分类同样的在envi的菜单中点击classification在supervised 选项下选择mahalanobis distance选项在打开的窗口中输入原始影像然后选取可分类

50、项在 distance error文本框里键入一个阈值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阈值所有像元都将参与分类所有像元都被归到最临近的roi类图5-3马氏距离法的分类结果图马氏距离法的分类精度统计如表5-3所示表5-3马氏举例法分类精度统计表名称参考点数正确数生产者精度用户精度kappa系数林地80577125 876907949水体343410000 944409331草地12541671000010000未利用地35288000 474603631耕地955556 312502801居民地3015 5000 789

51、507523马氏距离法总体精度7200514 最小距离分类同样的在envi的菜单中点击classification在supervised 选项下选择minimum distance选项在打开的窗口中输入原始影像然后选取可分类项在 stdev from mean distance error中设置标准差和距离的极限所有像元都被归为最近的一类图5-4最小距离法的分类结果图最小距离分类法的精度统计如表5-4所示表5-4最小距离法分类精度统计表名称参考点数正确数生产者精度用户精度kappa系数林地88657386984809729水体3636100001000010000草地1286667 33330

52、2908未利用地21167619 421103531耕地1485714 347802987居民地2993103 692306401最小距离法总体精度7100515 传统的监督分类精度分析与评价精度统计中系统每次随机采取了200个样本点通过比较可以看出最大似然法分类精度最高为8400马氏距离分类法其次最小距离法精度最差其中最大似然法对水体的识别率最高通过以上三种监督分类算法的分类结果我们可以看出每种方法都有一定的错分或漏分的现象造成分类精度降低这也是由多种原因造成的包括主观的样本选取和客观的大气地形分类器等各方面的影响 监督分类的优点是可以人为地控制分类类别的设定和训练样本的选择也可以进行样本的

53、检查和提纯避免分类中的产生严重错误缺点是人为主观因素太强需要事先对待分区域地物情况熟悉且不能保证训练样本的精确性对于不知道的类别的地物不能进行判断和统计52 新型的监督分类方法的实现521 支持向量机分类同样的在envi的菜单中点击classification在supervised 选项下选择support vector machine选项在打开的窗口中输入原始影像然后选取可分类项本文中核函数选择基于径向基函数 rbf 其他选项为默认状态 图5-5支持向量机分类结果图支持向量机分类法的精度统计如表5-5所示表5-5支持向量机分类法精度统计表名称参考点数正确数生产者精度用户精度kappa系数林地

54、1091049541 928608430水体242395831000010000草地1496429 642906160未利用地18211111000010000耕地151510000 600005676居民地20178500 708306759支持向量机法总体精度8500522 决策树分类通过前面的数据和理论准备包括对各地物不同波段的亮度特征统计以及ndvi高程坡度以及主成分分析等辅助数据的比较结合各种地物特征规律和个人思考总结以逐级划分的方式对6种地物进行决策树分类得出北京密云县遥感影像的决策树分类模型如图5-6图5-6 决策树模型示意图决策树的实现过程首先在envi的菜单中点击classification在supervised 选项下选择decision tree下build new decision tree出现决策树模型编辑窗口在每一个节点输入节点名默认也可和决策条件并给每个决策条件设置相应的源文件本文所用的决策条件有 node1 t4 t5 t6 lt 110 and t6 lt 30 node2-1 n1 gt 02 node3-1 d1 gt 220 and s1 gt 5node3-2