- 前言:各位小伙伴们,大家好,相信大家都为教材上的实验头疼过吧,米兔哦,所以俺写这篇的目的是为了记录实验步骤,希望可以和大家一起进步!有不正确的地方可以支出,同时还望家人们多多包涵。
(这个只是实验的前半部分,如果有需要在更后续内容)
1、实验目的 (1)掌握遥感图像监督分类方法。
(2)掌握遥感图像非监督分类方法。
2、实验设备及数据 ENVI 5.2、ArcGIS 10.2。
实验数据:<Miyun_2006>:2006年北京市密云区Landsat 7 ETM+多光谱影像数据。 【Landuse_04】文件夹:2004年北京市密云区土地利用类型数据。
【My_shp】文件夹:北京市密云区边界矢量数据。
3、实验内容 将北京市密云区的土地利用类型分为6类:耕地、林地、裸地、建设用地、水域及水利设施用地和其他用地。
根据实验数据,完成下列分析:
(1)运用监督分类的方法对区域6类地物进行遥感识别。
(2)运用非监督分类的方法对区域6类地物进行遥感识别。
4、实验原理:
基于统计分析对遥感图像分类是目前应用较多,算法较为成熟的分类方法。统计模式识别主要是将一种模式正确地分成几种现有的模式类。统计模式识别的关键是提取待识别模式的一组统计特征值,然后按照一定准则进行决策,从而对遥感图像予以识别。
监督分类和非监督分类两者的根本区别在于是否利用训练样地来获取先验的类别知识。非监督分类不需要更多的先验知识,根据地物的光谱特征进行分类;监督分类根据分类区地物影像特征的先验知识建立训练样地进行分类。
本实验,在标准假彩色影像(4、3、2波段合成)。监督分类算法包括最小距离法、马氏距离法、最大似然法等。非监督分类算法主要包括迭代自组织数据分析技术(ISODATA)和K均值算法(K-Means)等。对分类之后的结果进行精度评价,可以采用混淆矩阵(误差矩阵)、总体分类精度和Kappa系数等方法。 无论是监督分类还是非监督分类,分类后的结果都会产生一些面积很小的图斑,为了提高分类的精确度,有必要对这些小图斑进行剔除。主要的处理方法包括类别合并、聚块、筛除和主/次要分析。
5、实验过程
1. 定义训练样本
(1)在ArcMap中加载数据<2004 xianzhuang>,右击图层
点击【Properties】→【Symbology】→【Categories】→【Unique Values】,在【Value Field】下拉框中选择【Type】,点击【Add All Values】,点击【确定】
如图所示6种地物类型在地图中显示。
(2)打开ENVI软件,在ENVI主菜单点击【File】→【Open Image File】,选择图像<Miyun_2006>,以波段4、3、2合成RGB显示在Display中。接下来在建立ROI的时候根据ArcMap中的土地类型进行对照。 @注意:在运用遥感影像进行地物分类时,ROI的选取是根据影像的特征(色调、纹理、图案等)和野外调查,建立解译标志进行的。本实验为了降低难度,参考已有的土地类型,配合影像特征进行ROI选取。
(3)在ENVI主菜单点击【Basic Tools】→【Region of Interest】→【ROI Tool】,在【Window】选项中点选【Zoom】,在Zoom窗口绘制ROI。
(4)在【ROI Tool】对话框中,点击【ROI_Type】,有Polygon、Rectangle、Ellipse等多种类型。水体及水利设施用地的绘制,选择Rectangle类型 。
在Zoom窗口进行绘制,绘制好图形后点击右键确认。将绘制好的ROI更名为“水体及水利设施用地”,颜色改为Blue,
(5)绘制好第一个ROI后,点击【ROI Tool】对话框的【New Region】按钮,继续绘制其他类地物的ROI。下图所示为所有地物的ROI绘制完成后的ROI Tool。
(6)在【ROI Tool】对话框中点击【File】→【Save ROIs】,在弹出的对话框中选择【Select All Items】,将ROI命名为<Miyun.roi>,保存ROI文件
2. 选择监督分类算法 (1)在ENVI主菜单,点击【Classification】→【Supervised】→【Mahalanobis Distance】
选择图像数据<Miyun_2006>,点击【OK】打开【Mahalanobis Distance Parameters】对话框,参数意义如下:
Set Max Distance Error:设置最大距离误差。
以DN值方式输入一个值,距离大于该值的像元不被分入该类;
如果不满足所有类别的最大距离误差,像元被归为未分类。
有三种类型,这里选择【None】。Preview:单击【Preview】可以在右边窗口中预览分类结果,单击【Change View】可以 改变预览区域。
(2)设置【Output Rule Images】为Yes,设置存储路径,单击【OK】执行分类。
3. 评价分类结果 (1)打开ENVI主菜单,点击【Classification】→【Post Classification】→【Confusion Matrix】→ 【Using Ground Truth ROIs】。
在弹出的【Classification Input File】对话框中选择上一步分类得到的图像,点击【OK】 在接下来的【Match Classes Parameters】对话框中,在【Select Ground Truth ROI】中选择要匹配的地物名称,在【Select Classification Image】中选择相同的地物名称,单击【Add Combination】,将感兴趣区与分类结果相匹配,单击【OK】
得到分类精度评价表
(2)在ENVI主菜单,点击【File】→【Open Image File】,选择监督分类的结果图像,显示在Display中。
4. 分类后处理 (1)主/次要分析。在主菜单中点击【Classification】→【Post Classification】→【Majority/ Minority Analysis】.在弹出对话框中选择上一步的分类结果,点击【OK】。
可以看到,总体精度约为94.3%。Kappa值约为0.9045