《监督分类方法.docx》由会员分享，可在线阅读，更多相关《监督分类方法.docx（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、监督分类方法基于光谱的影像的分类可分为监督与非监督分类，这类分类方法合适于中低分辨率的数据，根据其原理有基于传通通计分析的、基于神经网络的、基于形式识别的等。本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法的流程和相关知识。有下面内容组成：监督分类非监督分类分类后处理监督分类监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的经过。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子
2、类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比拟，按不同的规则将其划分到和其最类似的样本类，以此完成对整个图像的分类。遥感影像的监督分类一般包括下面6个步骤，如图1所示：图1监督分类步骤1、类别定义/特征判别根据分类目的、影像数据本身的特征和分类区采集的信息确定分类系统；对影像进行特征判定，评价图像质量，决定能否需要进行影像加强等预处理。这个经过主要是一个目视查看的经过，为后面样本的选择打下基础。本例是以ENVI自带Landsattm5数据为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。2、样本选择为了建立分类函数，需要对每一类别选取
3、一定数目的样本，在ENVI中是通过感兴趣区ROIs来确定，可以以将矢量文件转化为ROIs文件来获得，或者利用终端像元采集器EndmemberCollection获得。本例中使用ROIs方法，打开分类图像，在Display-Overlay-RegionofInterest，默认ROIs为多边形，根据默认设置在影像上定义训练样本。如图2所示，设置好颜色和类别名称支持中文名称。在ROIs面板中，选择Option-ComputeROISeparability,计算样本的可分离性。如图3所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita,TransformedDivergence
4、参数表示，这两个参数的值在0之间，大于讲明样本之间可分离性好，属于合格样本；小于，需要重新选择样本；小于1，考虑将两类样本合成一类样本。图2训练样本的选择图3样本可分离性计算报表在计算样本可分离性时候，可能会出现下面错误信息SingularValueencountered，经常出如今影像波段非常多的情况。出现这个情况主要是这一类样本的样本点数量太少，解决方法是多项选择择样本点。图4样本可分离性计算报错在选择样本的时候，能够使用一些加强的手段辅助样本的选择，如主成分分析、波段合成等。3、分类器选择根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传通通计分析学的，包括平行六面体
5、、最小距离、马氏距离、最大似然，基于神经网络的，基于形式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角SAM，光谱信息散度，二进制编码。下面是几种分类器的简单描绘。表几种监督分类器讲明分类器讲明平行六面体Parallelpiped根据训练样本的亮度值构成一个n维的平行六面体数据空间，其他像元的光谱值假如落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。最小距离MinimumDistance利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输
6、入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。马氏距离MahalanobisDistance计算输入图像到各训练样本的马氏距离一种有效的计算两个未知样本集的类似度的方法，最终统计马氏距离最小的，即为此类别。最大似然LikelihoodClassification假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。神经网络NeuralNetClassification指用计算机模拟人脑的构造，用很多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、考虑经过应用于图像分类。支持向量机支持向量机
7、分类SVM是一种建立在统计学习理论4、影像分类基于传通通计分析的分类方法参数设置比拟简单，这里选择支持向量机分类方法。主菜单下选择ClassificationSupervisedSupportVectorMachine。根据默认设置参数输出分类结果，如图5所示。图5支持向量机分类器参数设置图6支持向量机分类结果5、分类后处理分类后处理包括的很多的经过，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理类后处理、栅矢转换等操作。1更改类别颜色能够在InteractiveClassTool面板中，选择Option-Editclasscolors/names更改，可以以在Display-Col
8、orMapping-ClassColorMapping。如下列图7所示，直接能够在对应的类别中修改颜色。可以以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单-Classification-PostClassification-AssignClassColors。图7类别颜色的更改图8类别颜色更改后的效果图9自动颜色更改的效果图2分类统计分析主菜单-Classification-PostClassification-ClassStatistics。如图10所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。图10分类结果统计3小斑点处理类后处理运用遥感影像分类结
9、果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类clump和过滤Sieve和。这些工具都能够在主菜单-Classification-PostClassification中找到。Majority/Minority分析和聚类clump是将周围的“小斑点合并到大类当中，过滤Sieve是将不符合的“小斑点直接剔除。如下列图11为Majority分析的结果。图11类后处理结果图4栅矢转换打开主菜单-Classification-PostClassification-C
10、lassificationtoVector，能够将分类后得到的结果转化为矢量格式，或者主菜单-Vector-RastertoVector，在选择输出参数时候，能够选择特定的类别，可以以把类别单独输出为矢量文件或者一个矢量文件。图12栅矢转换面板6、结果验证对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比拟常用的为混淆矩阵，ROC曲线能够用图形的方式表达分类精度，比拟形象。真实参考源能够使用两种方式：一是标准的分类图，二是选择的感兴趣区验证样本区。两种方式的选择都能够通过主菜单-Classification-PostClassification
11、-ConfusionMatrix或者ROCCurves来选择。真实的感兴趣区参考源的选择能够是在高分辨率影像上选择，可以以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用ROI工具，在TM图上均匀的选择6类真实参考源，如图13所示。选择主菜单-Classification-PostClassification-ConfusionMatrix-UsingGroundTruthROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确能够手动更改。点击ok后选择报表的表示方法像素和百分比，就能够得到精度报表。图13真实感兴趣区参考源选取图14验证操作面板