根据已有样本标签数据制作不同比例的分类样本数据进行遥感图像分类并作精度评价

目录

1.样例数据

2.标签数据处理

2.1 矢量化处理（Rater to shapefile）

 2.2 矢量化处理-合并相同属性类别

 2.3 生成随机点样本

3.基于采集样本分类和评价

3.1 监督分类-以最大似然法为例

3.2 精度评价

---

1.样例数据

Indians pines  

图左 （RGB:27 40 99 ;Standart Deviations 显示）   图右 各类别标签数据 16类

2.标签数据处理

2.1 矢量化处理（Rater to shapefile）

使用arcgis中From Raster工具中的Raster to Polygon工具将标签数据（即注明各类不同地表实际类型的数据）转化为矢量数据。

我的源数据提示没有defined domain，报错如下。没有问题的就可以直接进行转换了。什么是domain，官网解释如下：属性域是描述字段类型合法值的规则，提供了一种增强数据完整性的方法。属性域是可接受的特性值的声明。属性域用于约束表或要素类的任意特定属性中的允许值。如果要素类中的要素或表中的非空间对象已被分组为各个子类型，则可将不同的属性域分配给每个子类型。如果一个属性域与某个特性字段相关联，则只有该属性域内的值才对此字段有效。也就是说，此字段不会接受不属于该属性域的值。使用属性域可针对特定字段限制可供选择的值，从而有助于确保数据完整性。

 错误提示，源数据是浮点型的类型，我们转化为整数型的，可以通过Copy数据转化。

 Copy Raster

 转化之后就可以了。

 结果图如下：

 

 2.2 矢量化处理-合并相同属性类别

使用矢量数据Editor工具，对相同类别的图斑进行合并处理。将相同类别但是具有多个图斑的类别合并之后，属性表如下：

属性里面添加像元数字段PixelCount，并输入和各类别标记像元数。

具体如下：

 添加数据样本比例字段，浮点型；赋值0.1.即10%样本比例。

继续添加添加字段，SamplePixel，记录在固定比例下所需要生成的各类别样本个数。计算如下：

 2.3 生成随机点样本

按照各类别生成随机点样本，每个随机点可以代表一个像元。作为分类采样样本数据。

 这样就生成好了，如下图：

这样就可以生成任意比例的数据样本了。然后在ENVI里面就可以使用这些样本进行分类比较了。

3.基于采集样本分类和评价

3.1 监督分类-以最大似然法为例

将样本转化为ROI，Vector to ROI工具。

选中待分类图像。

转化之后：

还是分类：

这里卡壳了。看来这个方法需要大于波段数+1的样本数才行。

 

使用SVM方法试一下，参数默认。

开始运行了。

 

后面报错了。

再试试NN.

 

这个方法计算速度很慢。

结果还是报错：

 以上问题是因为我设置为memory出问题的，默认路劲就可以输出了。

SVM 默认路劲，结果如下：

3.2 精度评价

对以上分类结果进行精度评价。就选取以上SVM结果验证一下。

使用工具：Confusion Matrix Using Ground Truth ROI

先将完整实际地类结果转化为ROI

 然后打开工具，选择参数计算。

点击OK

Matched Classes自动匹配了，可以直接使用，不然需要自己选进行匹配。

 点击OK,查看结果如下（头和尾部分结果显示）：