监督分类方法

督查分类方法督查分类方法30/30督查分类方法优选文档鉴于光谱的影像的分类可分为督查与非督查分类，这类分类方法适合于中低分辨率的数据，依据其原理有鉴于传统统计解析的、鉴于神经网络的、鉴于模式识其他等。本专题以ENVI的督查与非督查分类的实质操作为例，介绍这两种分类方法的流程和有关知识。有以下内容组成：督查分类非督查分类分类后办理督查分类督查分类：又称训练分类法，用被确认类其他样本像元去鉴别其他未知种类像元的过程。它就是在分类以前经过目视判读和野外检查，对遥感图像上某些样区中影像地物的种类属性有了先验知识，对每一各种类采用必定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子种类对裁决函数进行训练，使其符合于对各样子种类分类的要求，随后用训练好的裁决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同样的规则将其区分到和其最相像的样本类，以此达成对整个图像的分类。遥感影像的督查分类一般包括以下6个步骤，如图1所示：图1督查分类步骤.优选文档1、种类定义/特色鉴别依据分类目的、影像数据自己的特色和分类区收集的信息确定分类系统；对影像进行特色判断，议论图像质量，决定能否需要进行影像增强等预办理。这个过程主假如一个目视查察的过程，为后边样本的选择打下基础。本例是以ENVI自带Landsattm5数据Can_tmr.img为数据源，种类分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。2、样本选择为了成立分类函数，需要对每一种类采用必定数量的样本，在ENVI中是经过感兴趣区（ROIs）来确定，也能够将矢量文件转变成ROIs文件来获得，或许利用终端像元收集器（EndmemberCollection）获得。本例中使用ROIs方法，翻开分类图像，在Display->Overlay->RegionofInterest，默认ROIs为多边形，依据默认设置在影像上定义训练样本。如图2所示，设置好颜色和类又名称（支持中文名称）。在ROIs面板中，选择Option->ComputeROISeparability,计算样本的可分别性。如图3所示，表示各个样本种类之间的可分别性，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说明样本之间可分别性好，属于合格样本；小于1.8，需要从头选择样本；小于1，考虑将两类样本合成一类样本。图2训练样本的选择.优选文档图3样本可分别性计算报表在计算样本可分别性时候，可能会出现以下错误信息（SingularValueencountered），经常出现在影像波段特别多的情况。出现这个情况主假如这一类样本的样本点数量太少，解决方法是多项选择择样本点。.优选文档图4样本可分别性计算报错在选择样本的时候，能够使用一些增强的手段协助样本的选择，如主成分解析、波段合成等。3、分类器选择依据分类的复杂度、精度需求等确定哪一种分类器。当前督查分类可分为鉴于传统统计解析学的，包括平行六面体、最小距离、马氏距离、最大似然，鉴于神经网络的，鉴于模式鉴别，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绘。表几种督查分类器说明分类器平行六面体Parallelpiped）最小距离（MinimumDistance）马氏距离（MahalanobisDistance）最大似然LikelihoodClassification）神经网络NeuralNetClassification）

说明依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，其他像元的光谱值假如落在平行六面体任何一个训练样本所对应的地区，就被区分其对应的种类中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是依据所选类的均值求出。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，此后以均值向量作为该类在特色空间中的中心地点，计算输入图像中每个像元到各样中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相像度的方法），最后统计马氏距离最小的，即为此种类。假定每一个波段的每一类统计都呈正态散布，计算给定像元属于某一训练样本的似然度，像元最后被合并到似然度最大的一类中间。指用计算机模拟人脑的结构，用很多小的办理单元模拟生物的神经元，用算法实现人脑的鉴别、记忆、思虑过程应用于图像分类。.支持向量机SupportVectorMachineClassification）波谱角（SpectralAngleMapper）

优选文档支持向量机分类（SVM）是一种成立在统计学习理论（StatisticalLearningTheory或SLT）基础上的机器学习方法。SVM能够自动找寻那些对分类有较大区分能力的支持向量，由此结构出分类器，能够将类与类之间的间隔最大化，所以有较好的推行性和较高的分类正确率。它是在N维空间将像元与参照波谱进行般配，经过计算波谱间的相像度，今后对波谱之间相像度进行角度的比较，较小的角度表示更大的相像度。4、影像分类鉴于传统统计解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>SupportVectorMachine。依据默认设置参数输出分类结果，如图5所示。.优选文档图5支持向量机分类器参数设置.优选文档图6支持向量机分类结果5、分类后办理分类后办理包括的很多的过程，都是些可选项，包括改正种类颜色、分类统计解析、小斑点办理（类后办理）、栅矢变换等操作。（1）改正种类颜色能够在InteractiveClassTool面板中，选择Option->Editclasscolors/names改正，也能够在Display->ColorMapping->ClassColorMapping。以以下列图7所示，直接能够在对应的种类中改正颜色。也能够依据一个显示的RGB影像来自动分派种类颜色，翻开主菜单->Classification->PostClassification->AssignClassColors。.优选文档图7种类颜色的改正.优选文档图8种类颜色改正后的收效.优选文档图9自动颜色改正的收效图（2）分类统计解析主菜单->Classification->PostClassification->ClassStatistics。如图10所示，包括基本统计：类其他像元数、最大最小值、平均值等，直方图，协方差等信息。.优选文档图10分类结果统计（3）小斑点办理（类后办理）运用遥感影像分类结果中，不能够防备地会产生一些面积很小的图斑。不论从专题制图的角度，仍是从实质应用的角度，都有必要对这些小图斑进行剔除和重新分类，当前常用的方法有Majority/Minority解析、聚类（clump）和过滤（Sieve）和。这些工具都能够在主菜单->Classification->PostClassification中找到。Majority/Minority解析和聚类（clump）是将周围的“小斑点”合并到大类中间，过滤（Sieve）是将不符合的“小斑点”直接剔除。以以下列图11为Majority解析的结果。.优选文档图11类后办理结果图（4）栅矢变换翻开主菜单->Classification->PostClassification->ClassificationtoVector，能够将分类后获得的结果转变成矢量格式，或许主菜单->Vector->RastertoVector，在选择输出参数时候，能够选择特定的种类，也能够把种类独自输出为矢量文件或许一个矢量文件。.优选文档图12栅矢变换面板6、结果考证对分类结果进行议论，确定分类的精度和可靠性。有两种方式用于精度考证：一是混杂矩阵，二是ROC曲线，比较常用的为混杂矩阵，ROC曲线能够用图形的方式表达分类精度，比较形象。真切参照源能够使用两种方式：一是标准的分类图，二是选择的感兴趣区（考证样本区）。两种方式的选择都能够经过主菜单->Classification->PostClassification->ConfusionMatrix或许ROCCurves来选择。真切的感兴趣区参照源的选择能够是在高分辨率影像上选择，也能够是野外实地检查获得，原则是获得的种类参照源的真切性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像看作是高分辨率影像，在上面进行目视解译获得真切参照源。直接利用ROI工具，在TM图上平均的选择6类真切参照源，如图13所示。选择主菜单->Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROIs。将分类结果和ROI输入，软件会依据地区自动般配，如不正确能够手动改正。点击ok后选择报表的表示方法（像素和百分比），就能够获得精度报表。.优选文档图13真切感兴趣区参照源采用.优选文档图14考证操作面板.优选文档图15分类精度议论混杂矩阵这里说明一下混杂矩阵中的几项议论指标，以下：.优选文档整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量沿着混杂矩阵的对角线散布，总像元数等于所有真切参照源的像元总数，如本次精度分类精度表中的OverallAccuracy=(1849/2346)78.8150%。Kappa系数它是经过把所有真切参照的像元总数（N）乘以混杂矩阵对角线（XKK）的和，再减去某一类中真切参照像元数与该类中被分类像元总数之积今后，再除以像元总数的平方减去某一类中真切参照像元总数与该类中被分类像元总数之积对所有种类求和的结果。Kappa计算公式错分误差指被分为用户感兴趣的类，而实质属于另一类的像元，它显示在混杂矩阵里面。本例中，林地有419个真切参照像元，其中正确分类265，12个是其他种类错分为林地（混杂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%。漏分误差指自己属于地表真切分类，当没有被分类器分到相应种类中的像元数。如在本例中的耕地类，有真切参照像元465个，其中462个正确分类，其他3个被错分为其他类（混杂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%制图精度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类真切参照总数（混杂矩阵中A类列的总和）的比率。如本例中林地有419个真切参照像元，其中265个正确分类，所以林地的制图精度是265/419=63.25%。用户精度.优选文档是指正确分到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（混杂矩阵中A类行的总和）比率。如本例中林地有265个正确分类，总合区分为林地的有277，所以林地的用户精度是265/277=95.67%。非督查分类非督查分类：也称为聚类解析或点群分类。在多光谱图像中找寻、定义其自然相像光谱集群的过程。它不用对影像地物获得先验知识，仅依赖影像上不同样类地物光谱(或纹理)信息进行特色提取，再统计特色的差别来达到分类的目的，最后对已分出的各个类其他实质属性进行确认。当前比较常有也较为成熟的是ISODATA、K-Mean和链状方法等。遥感影像的非督查分类一般包括以下6个步骤：图16非督查分类操作流程当前非督查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。1、影像解析.优选文档大概上判断主要地物的种类数量。一般督查分类设置分类数量比最后分类数量要多2-3倍为宜，这样有助于提高分类精度。本领例的数据源为ENVI自带的Landsattm5数据Can_tmr.img，种类分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。确定在非督查分类中的种类数为15。2、分类器选择ISODATA（IterativeSelf-OrgnizingDataAnalysizeTechnique）重复自组织数据解析技术，计算数据空间中平均散布的类均值，此后用最小距离技术将节余像元进行迭代聚合，每次迭代都从头计算均值，且依据所得的新均值，对像元进行再分类。K-Means使用了聚类解析方法，随机地查找聚类簇的聚类相像度周边，即中心地点，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，此后迭代地从头配置他们，达成分类过程。3、影像分类翻开ENVI，选择主菜单->Classification->Unsupervised->IsoData或许K-Means。这里选择IsoData，在选择文件时候，能够设置空间或许光谱裁剪区。这里选择软件自带的Can_tmr.img，按默认设置，今后跳出参数设置，如图2。这里主要设置种类数量（NumberofClasses）为5-15、迭代次数（MaximumIteration）为10。其他选项依据默认设置，输出文件。.优选文档图17ISODATA非督查分类参数设置图18ISODATA分类结果4、种类定义/种类合并（1）种类定义在display中显示原始影像，在display->overlay->classification，选择ISODATA分类结果，如图19所示，在InteractiveClassTool面板中，能够选择各个分类结果的显示。.优选文档图19影像与分类结果的叠加InteractiveClassTool面板中，选择Option->Editclasscolors/names。经过目视或许其他方式鉴别分类结果，填写相应的种类名称和颜色。.优选文档图20种类定义如图21所示为最后的结果。.优选文档图21种类定义结果在种类定义时候，能够利用Mode：PolygonAddtoClass、Edit->Mode：PolygonDeletefromClass或许Setdeleteclassvalue把很显然的错误分类结果并入或许删除。（2）种类合并选择主菜单->Classification->PostClassification->CombineClasses。把同一类的种类合并成一类，如图22所示。在点击ok后，需要选择输出文件和RemoveEmptyClass选择YES，能够获得结果。.优选文档图22类其他合并5、分类后办理参照督查分类。6、结果考证参照督查分类。ENVI5下流程化分类工具在ENVI5.0下，供给了一个流程的图像分类工具，Toolbox/Classification/ClassificationWorkflow工具，下面对10米的ALI数据