城市目标识别与提取

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。