监督分类-支持向量机分类法

最近跟着老师做课题，一个关于积雪的课题，我处理的部分是对积雪图片的二值化，从而得到控制点区域内积雪与掉落物的比例。在经过多次摸索后，决定使用监督分类中的SVM(支持向量机分类法)分类，效果很不错。在之后的数据就使用这个算法。
监督分类(Supervised Classification)又称训练场地法，它基于训练样本以概率统计理论为基础，即在具有遥感影像样本区分类类别属性的先验知识基础上，采集训练区的样本创建训练分类器，进而对整幅影像进行类型划分，将每个像元归并到对应的类别中。
监督分类一般分为三个步骤:1.创建训练样本;2.执行监督分类;3.分类后评价及分类后处理。
5.3.1 创建训练样本：
(1) 打开要处理的影像。【overly】-【region of interest(ROI)】。打开【ROI Tool】对话框在【windows】选项中点选【zoom】，在zoom窗口绘制ROI。要分几个类就添加几个Region。【ROI_Type】可以选择绘制的形状。

(2) 在创建了样本后，需要对样本的精度进行评估。
【option】-【Compute ROI Separability】，在弹出的对话框中选择波段合成的图像，点击【OK】，在【ROI Separability Calculation】对话框中选择【Select all iterms】，点击OK，就可以得到训练样本分离精度。
Jeffries-Matusia (Jefries-Matusita距离)和Transformed Divergence (转换分离度)这两个参数表示样木之间的可分离性,(值在0-2.0,大于1.9说明样木之间可分离性好:大于1.4年小于1.8属于合格样本:小于1.4需要求新选择样本:小于1.考虑将两类样本合成一类样本。
5.3.2 基于光谱信息与纹理信息的支持向量机分类

1. 在主图像窗口加载原图像，点击【Overlay】→【Region of Interest】,在弹出的【ROI Tool】对话框中点击【File】 →【Restore ROIs】,加载训练样本到图像中。
2. 在ENVI主菜单点击Classification→【Supervised】→【Support Vector Machine】.在弹出的【Cassification Input File】对话框中，选择融合图像，单击【OK】打开【Support Vector Machine Clsifiaton Panters】
3. SVM参数意义:
   i. KemelType (核函数类型)下拉列表里选项有Linear. Polynomial. Radial Basis Function及Sigmoid.选择Polynomial 核函数，需要设置一个核心多项式(Degree of Kermel Polynomial)的次数用于SVM,最小值是1，最大值是6.
   ii. 选择Polynomial或者Sigmoid核函数，需要使用向量机规则为Kernel指定"the Bias",默认值为1.
   iii. 选择Polynomial, Radial Basis Function、 Sigmoid核函数，需要设置Gamma in KermelFunction参数。这个值是一个大于零的浮点型数据。默认值是输入图像波段数的倒数。
4. Radial Basis Function 核函数是识别效果最好，性能也最稳定的核函数，而且样本的大小对它分类性能的影响不大，是比较理想的分类核函数。因此，本实验选择使用RadialBasis Function核函数作为SVM模型的核函数。相关参数设置如下:
   Penalty Parameter: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 100.

Pyramid Levels:设置分级处理等级，用于SVM训练和分类处理过程。如果这个值为0,将以原始分辨率处理，最大值随着图像的大小而改变。

Pyramid Rcasicatioin Threshold (0-1);当Pyamid Levels值大于0的时候需要设置这个重分类阈值。

asifction Pobiiy Theshod为分类设置概率城值，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0-1，默认是0。

5. 点击【Select all iterms】选中所有地物；设置分类结果的储存路径及文件名，设置【output Rule Images】为【Yes】。设置规则图像的储存路轻及文件名。单击[OK]执行分类。
   
   
   
6. 在ENVI主菜单点击【Classification】-【Post Classification】-【Confusion Matrix】-【Using Ground Truth ROIs】，选择分类后的图像。在弹出的【Match Classes Parameters】窗口选择测试样本和训练样本进行匹配，点击[OK],得到分类精度评价表
   
7. 混淆矩阵
   
   例如有180个样本数据，这些数据分为3类，每个类60个。分类结束后得到的混淆矩阵为:每行之和为60，表示60个样本。第一行说明类1的60个样本有53个分类正确，5个错分为类2，2个错分为类3

1. 总体分类精确度(overall 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。被正确分类的像元数目沿混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。
2. Kappa系数。它是把所有真实参考的像元总数(N)乘以混淆矩阵对角线的和，减去某一类中真实参考像元数与该类中被分类像元总数之积后，再除以像元总数的平方，并减去某一类中真实参考像元总数与该类中被分类像元总数之积，对所有类别求和的结果。通常Kappa的值为0~1,可分为五组来表示不同级别的一致性: 0.0~0.20 表示极低的一致性，0.21~0.40表示一般的一致性， 0.41~0.60 表示中等的一致性，0.61~0.80 表示高度的一致性，0.81~1表示几乎完全一致。