面向对象分类
本次实验以提取道路为例。
1.加载实验道路数据img_gt.tif(真值影像)和img.tiff(原图),如下图。
2.K均值分类
由于img_gt真值提供的是二值图,需要转化为分类结果才可以利用ENVI计算混淆矩阵进行精度评价。
/Classification/Unsupervised Classification/K-Means Classification
分类的类别为2类,其他参数默认,保存路径输出。下面右图为分类后的结果图。
3. 面向对象分类
下面对原始影像进行面向对象的分类。
Toolboxs/Feature Extraction/Example Based Feature Extraction Workflow
分割和合并的参数如下,可以自己preview调试至最佳。
然后在图像上手动添加样本,样本数量太少会影响分类结果。并且及时保存,以免envi闪退。
选择分类特征——(光谱特征,纹理特征,空间特征_length)
4.图像后处理
分类完之后输出的图像有一些未分类的区域,需要先进行后处理操作。
4.1. 类别合并,,将未分类的类别分类给背景,输出。
/Classification/Post Classification/Combine Classes
将未分类的地物归类为背景background,如下图,输出。对比发现,图像效果会好很多。
5.精度评定
Toolboxs/Classification/Post Classification/Confusion Matrix Using Ground Truth Image
导入K均值分类后的真值数据进行精度评定。依次选择经过后处理的分类结果和真值影像,为了计算混淆矩阵需要把真值中的
类别和分类结果中的类别一一对应
总体精度比较高,kappa系数比较低。