ENVI经验|基于多源遥感影像的红树林范围提取4-面向对象分类

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。

为解决这一传统难题，面向对象分类技术应运而生。面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。

面向对象分类主要分成两部分过程：对象构建和对象的分类。

1）影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。

2）影像对象的分类，目前常用的方法是“监督分类”和“基于规则（知识）分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等对象属性信息。基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。

具体参看http://blog.sina.com.cn/s/blog_764b1e9d0102v5ag.html。

本文主要采用基于样本的面向对象分类方法。

1、ENV面向对象分类流程

从ENVI软件工具箱Feature Extraction->Example Based Feature Extraction Workflow，打开基于样本的面向对象分类流程工具。

在数据选择界面选择需要分类的影像数据和掩膜数据，在Custom Bands选项中，勾选Normalized Difference，选择红色和近红外波段计算NDVI,勾选Color Space用于RGB计算HIS空间，设置完成后单击Next。

根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。

1）分割阈值（Scale Level）：选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过勾选preview预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。ENVI提供两个图像分割算法供选择：

a）Edge， 基于边缘检测，需要结合合并算法可以达到最佳效果；

b）Intensity: 基于亮度，这种算法非常适合于微小梯度变化（如DEM）、电磁场图像等，不需要合并算法即可达到较好的效果。

2）合并阈值（Merge Level）：影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。合并算法也有两个供选择：

a）Full Lambda Schedule，合并存在于大块、纹理性较强的区域，如树林、云等，该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块；

b）Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。设定一定阈值，预览效果。这里我们设置的阈值为90，点Next进入下一步。

3）纹理内核的大小（Texture Kernal Size）：如果数据区域较大而纹理差异较小，可以把这个参数设置大一点。默认是3，最大是19。

这里设置Scale Level=20，Merge Level = 5，Texture Kernal Size=3，单击Next。

图像分割和合并后，进入Examples Selection选项。勾选Show Boundaries可以显示分割边界，然后导入训练样本文件。

切换到Attributes Selection选项。默认是所有的属性都被选择，这些选择样本的属性将被用于后面的监督分类，可以根据提取的实际地物特性选择一定的属性，这里按照默认全选。

切换到Algorithm选项。ENVI提供了三种分类方法：K邻近法（K Nearest Neighbor）、支持向量机（Support Vector Machine ，SVM）和主成分分析法（Principal Components Analysis ，PCA）。

1）K邻近法（K Nearest Neighbor）

K邻近分类方法依据待分类数据与训练区元素在N维空间的欧几里得距离来对影像进行分类，N由分类时目标物属性数目来确定。相对传统的最邻近方法，K近邻法产生更小的敏感异常和噪声数据集，从而得到更准确地分类结果，它自己会确定像素最可能属于哪一类。

在K参数里键入一个整数，默认值是1，K参数是分类时要考虑的临近元素的数目，是一个经验值，不同的值生成的分类结果差别也会很大。K参数设置为多少依赖于数据组以及您选择的样本。值大一点能够降低分类噪声，但是可能会产生不正确的分类结果，一般值设到3-7之间就比较好。

2）支持向量机（Support Vector Machine ，SVM）

支持向量机是一种来源统计学习理论的分类方法。选择这一项，需要定义一系列参数：

Kernel Type下拉列表里选项有 Linear，Polynomial，Radial Basis，以及 Sigmoid。

如果选择Polynomial，设置一个核心多项式（Degree of Kernel Polynomial）的次数用于SVM，最小值是1，最大值是6。

如果选择Polynomial or Sigmoid，使用向量机规则需要为Kernel指定 the Bias ，默认值是1。

如果选择是 Polynomial、Radial Basis、Sigmoid，需要设置Gamma in Kernel Function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。

Penalty参数，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。

3）主成分分析法（Principal Components Analysis ，PCA）

主成分分析是比较在主成分空间的每个分割对象和样本，将得分最高的归为这一类。

Allow Unclassified是允许有未分类这一个类别，将不满足条件的斑块分到该类，默认是允许有未分类的类别。

Threshold 为分类设置概率域值，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0~100，默认是5。

2、Landsat8影像面向对象分类

按照上述流程，采用基于样本的面向对象分类方法对Landsat8影像进行分类，分类方法选取KNN和SVM（Radial Basis），不选择PCA是因为该方法对于Landsat8影像和Sentinel-2影像分类结果精度都很低。

在分类方法选择界面，我们选择KNN分类方法，K参数设置为5，去掉Allow Unclassified选项。

 

Landsat8面向对象分类结果(KNN)

下面采用SVM（Radial Basis）分类方法，参数均默认，去掉Allow Unclassified选项。

 

Landsat8面向对象分类结果(SVM)

分类完成后，可以将分类矢量结果和栅格结果导出。

3、Sentinel-2影像面向对象分类

按照上述流程，采用基于样本的面向对象分类方法对Sentinel-2影像进行分类，分类方法选取KNN和SVM（Radial Basis）。

在分类方法选择界面，我们选择KNN分类方法，K参数设置为5，去掉Allow Unclassified选项。

 

Sentinel-2面向对象分类结果(KNN)

下面采用SVM（Radial Basis）分类方法，参数均默认，去掉Allow Unclassified选项。

 

Sentinel-2面向对象分类结果(SVM)

分类完成后，可以将分类矢量结果和栅格结果导出。

4、面向对象分类精度评价

下面采用混淆矩阵对上述分类结果进行精度评价。在ENVI工具箱中打开Classification->Post Classification-> Confusion Matrix Using Ground Truth ROIs工具。打开面向对象分类结果文件、Landsat8分类验证样本(每分类各9个样本）和Sentinel-2分类验证样本(每分类各12个样本），生成混淆矩阵精度评价文件。分类精度如下：

根据上述结果，说明采用面向对象分类方法对Landsat8影像和Sentinel-2影像分类结果较监督分类结果差些，但也能达到比较好的精度。

本文结束，部分内容来源于网络，如有侵权请告知删除。了解更多信息请关注微信公众号“海洋GISer成长记”。