文章目录
前言
本次实验土地利用分类为例,分类仅考虑大面积连续分布的地物,不考虑更加详细的亚类,选择Landsat8OLI图像为数据源,谷歌地球遥感影像数据为参考影像。监督分类主要包括特征提取和选择、确定分类类别和建立解译标志、训练样本选取和评价、图像分类四个部分。
提示:以下是本篇文章正文内容,下面案例可供参考
一、实验目的
利用ENVI软件开展基于最大似然法的遥感图像土地覆盖分类。
二、实验步骤
1.数据预处理
包括大气校正等过程在这里不做过多演示。
2.训练样本选取与评价
分别采集耕地、林地、草地、水体和建筑用地训练样本。
3. 分类精度
在Region of Interest(ROI)Tool 对话框中,选择Options>Ctompute ROI Separability … ,在弹出 Choose ROIs对话框中选择6个ROI数据层 ,点击OK即可。
结果表明耕地与草地的分类精度<1.8,表明这两种地物类型的分离情况不太理想。对选取的样本进行修改(对耕地与草地样本进行选择性删除,修改ROI所选位置等)。使所有分类精度>1.8。
4.最大似然法
①在“Toolbox”中选择“Classification”→“Supervised Classification”→“Maximum Likelihood Classification”选项
②随后,进入“Maximum Likelihood Parameters”窗口。首先,在左上角“Select Classes from Regions”一栏中选择需要进行分类的地物类型。接下来,“Set Probability Threshold”一栏表示分类阈值,这里选择none。随后,“Data Scale Factor”用以将带有缩放系数的遥感影像像元数值恢复至原先的数值。随后,在右侧配置分类结果图像与分类结果规则图像的保存路径。
③随后,单击“OK”执行对应操作;获取的分类结果图像如下图所示。
4.分类后处理
①主要分析
为了消除分类结果中的碎斑,这里对其进行主要分析。在工具箱中,选择Classification >Post Classification>Majority/Minority Analysis,在弹出的Classification Input File 对话框中选择taiyuan.dat文件,点击OK
②局部修改
通过对比,发现水体被错分到建筑用地,对错分部分进行手工修改。
5.精度评定
①生成随机样本
在工具箱中,选择Classification > Post Classification >Generate Random Sample from Ground Truth Image。抽样方式选择Equalized Random ,样本个数选择50个。
②确定检验样本的真实类别,混淆矩阵的分类精度评价
(1)选择Classisication-->Post Classification-->Confusion Matrix Using Ground Truth ROIs
(2)输入精度评价文件
(3)选择待评价的ROI类别
(4)生成评价结果
可以看出最大似然分类结果总体精度为97.9424%,Kappa系数为0.9742。由分类后处理的结果来看,经过小斑块处理后的遥感影像分类结果整体更为平滑,但在一定程度上也丢了部分细节信息。
最后还可以在ArcGIS出图:
注 :分类结果与实际结果有所偏差,本篇只作为一个练习大概展示所有流程。