遥感影像分类精度与空间分辨率的关系验证
遥感影像解译-分类后处理及精度评价、分类新方法
二、精度评价
• 遥感信息提取中的不确定性是当前遥感研究的一个热点。 人们总是希望从遥感数据中提取的信息完全客观准确地反映 实际情况，但由于自然环境的复杂性，以及自然环境与遥感 波谱相互作用的复杂性，从传感器记录的光谱信号中提取的 关于地表的信息中，总是存在不确定性，因此，在使用从遥 感数据得到的专题图或某一地表参数的分布信息时，需要了 解这些信息的不确定性。
3×3窗口分析结果
(4) 分类后处理-平滑处理
• 针对问题 分类结果斑点噪声严重
• 解决方法： a. MRF随机场建模 b. Majority Voting 方法
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
(2) 地表真实值
(a) 混淆矩阵
• 混淆矩阵是通过比较分类结果和地面真实情况得到的数值 矩阵。 - 列表示地面真实类(Ground Truth Class)，列值表示地面 真实类被分配到各个影像类的像元数(百分比, Percent)
• 通过比较分类结果和地面真实情况来估计分类精度，根据 混淆矩阵可以计算各种精度评价参数。
25446 Aprod 52987 48.02% 1 Eo
(e) 用户精度(User’s Accuracy)
• 用户精度(User’s Accuracy)： - 影像类中，某类像元被正确分类为该类的概率，利用 混淆矩阵的行来计算。如水的用户精度：
Auser
9180 56104
16.36%
3、判断聚类是否合理
采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循 环进行判断、修改直至达到算法终止条件。
遥感图像的精度评估方法与操作技巧
遥感图像的精度评估方法与操作技巧导言随着遥感技术的不断发展和应用，遥感图像的精度评估成为了一个重要的研究领域。
通过对遥感图像的精度评估，我们可以了解图像在空间和时间上的准确性和可靠性，为各种遥感应用提供科学依据。
本文将介绍遥感图像的精度评估方法与操作技巧。
一、遥感图像的精度评估方法1. 基于地面控制点的精度评估该方法通过选择具有准确地理位置信息的地面控制点，并将其在遥感图像中对应的像素位置进行匹配，计算其坐标误差或特征点匹配精度。
常用的方法包括最小二乘法、地理位置码（GCP）法和光谱信息法等。
2. 基于参考数据的精度评估该方法通过将遥感图像与具有高精度的参考数据进行对比，计算图像的分类精度或准确性指标。
常用的方法包括混淆矩阵法、准确性指数法和Kappa系数法等。
3. 基于影像质量评价的精度评估该方法通过对遥感图像的影像质量进行评价，并将评价结果作为图像精度的间接指标。
常用的方法包括噪声分析、模糊度评估和直观评价等。
二、遥感图像的精度评估操作技巧1. 数据预处理在进行遥感图像的精度评估之前，需要进行一些必要的数据预处理。
包括图像去噪、几何校正和辐射校正等。
这些预处理操作能够提高图像的质量和准确性，为后续的精度评估奠定基础。
2. 控制点的选择与采集控制点的选择对遥感图像的精度评估至关重要。
在选择控制点时，应保证其具有准确的地理位置信息，并且分布均匀。
采集控制点时可以借助GPS定位设备和高分辨率影像来提高采集效率和精度。
3. 参考数据的获取对于基于参考数据的精度评估方法，需要获取具有高精度的参考数据。
可以通过现场调查、GPS测量和地面真实标记物等方式获得。
在选择参考数据时，应与遥感图像的内容和分辨率相匹配，确保评估结果的准确性。
4. 精度评估指标计算在进行遥感图像精度评估时，需要计算相应的指标。
根据评估的目的和要求，可以选择适合的指标，如分类精度、位置精度、辐射精度等。
对于不同的指标，需要使用相应的计算公式或软件工具进行计算。
使用测绘技术进行遥感影像分类精度评估的步骤和技巧
使用测绘技术进行遥感影像分类精度评估的步骤和技巧概述：遥感影像分类是解释和分析遥感数据的重要环节，它可以揭示地表覆盖类型、变化和空间分布信息。
然而，对于遥感影像的分类结果，我们需要进行精度评估，以验证分类的准确性和可信度。
在这方面，测绘技术发挥着重要的作用，本文将介绍使用测绘技术进行遥感影像分类精度评估的步骤和技巧。
一、选择合适的样本数据在进行遥感影像分类精度评估之前，我们需要选择一部分合适的样本数据。
通常情况下，样本应该代表地物覆盖类型的多样性，以及地物边界的复杂性。
这样一来，我们可以通过样本数据来评估分类算法对不同类型地物的识别能力。
对于大尺度遥感影像，我们可以使用常见的系统抽样方法，选择代表性的样本点，对于高分辨率遥感影像，我们可以通过空间插值等方法来获取样本数据。
二、制定评估指标和准则在进行遥感影像分类精度评估之前，我们需要制定一些评估指标和准则。
评估指标可以包括分类的准确性、召回率、精确度等。
准则可以根据不同的研究目标和需求制定，例如，对于土地利用分类，我们可以根据国家土地利用数据库进行评估，对于森林植被分类，我们可以参考现场调查数据进行评估。
通过制定评估指标和准则，我们可以对分类结果进行客观和一致性的评估。
三、进行遥感影像分类在进行遥感影像分类之前，我们需要选择合适的分类算法和参数。
常见的分类算法包括最大似然法、支持向量机、决策树等。
在选择分类算法和参数时，我们需要综合考虑数据类型、分类对象的复杂性、地物覆盖类型的多样性等因素。
一般情况下，我们可以通过交叉验证等方法来确定最适合的分类算法和参数。
四、进行分类精度评估在进行分类精度评估时，我们可以使用测绘技术来验证分类结果。
常见的测绘技术包括现场实地调查、GPS定位、航空摄影测量等。
通过现场实地调查，我们可以对分类的准确性和可信度进行验证，通过GPS定位，我们可以获取样本点的准确位置信息，通过航空摄影测量，我们可以获取真实地物边界信息。
遥感图像的空间分辨率与光谱分辨率解读
遥感图像的空间分辨率与光谱分辨率解读遥感图像是通过遥感技术获取的地球表面信息的图像。
它是利用飞机、卫星等传感器对地球表面进行观测和探测，通过光电转换技术将观测到的信息转化为数字信号，再经过一系列处理，生成用于科学研究、资源调查、环境监测等领域的图像数据。
遥感图像的分辨率是指图像中显示的最小可分辨的特征的大小。
它分为空间分辨率和光谱分辨率两种类型。
空间分辨率是指遥感图像中所显示的最小可分辨物体的大小。
通常来说，空间分辨率越高，图像所显示的物体越小，细节越清晰。
空间分辨率取决于传感器的分辨能力，较高的空间分辨率可以提供更为细致的地表信息，对于城市规划、土地利用等研究具有重要意义。
光谱分辨率是指遥感图像能够区分不同波长范围内的电磁能量的能力。
通过分析不同波段的电磁能谱，可以获取有关被观测物体的物理、化学特性等信息。
一般来说，光谱分辨率越高，可以获取的信息越丰富。
光谱分辨率对于农业、林业等领域的研究尤为重要，可以用于监测植被生长状况、水质监测等应用。
空间分辨率和光谱分辨率的提高可以更准确地获取地球表面信息，提高遥感图像在科学研究和应用中的价值。
然而，提高分辨率也面临一些挑战。
首先，提高空间分辨率和光谱分辨率会导致图像数据量增大，给数据存储和处理带来困难。
对于大规模遥感图像数据的处理，需要耗费大量的计算资源和存储空间，提高了处理成本。
其次，高分辨率的遥感图像对传感器和设备的要求更高。
高分辨率传感器的研发和制造成本较高，而且在实际应用中，高分辨率的图像采集也更加困难。
此外，高分辨率图像的使用也面临一些技术问题。
由于图像文件较大，传输速度较慢，限制了遥感图像的实时监测和广泛应用。
在解读遥感图像时，需要综合考虑空间分辨率和光谱分辨率。
空间分辨率可以帮助我们观察到尺度较小的地表特征，例如建筑物、道路等，而光谱分辨率可以提供物体的物理属性、化学成分等信息，例如植被类型、土壤含水量等。
在农业领域的应用中，可以利用高空间分辨率的遥感图像观察农田的变化，监测作物的生长状况。
（论文）基于不同分辨率遥感影像的...
第３８卷第３期２０１５年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ．３８，Ｎｏ．３Ｍａｒ．，２０１５收稿日期：２０１４－０９－０３，修订日期：２０１５－０１－１２基金项目：国家自然科学基金（５１２１３８１１）资助作者简介：孔令婷（１９９１－），女，江苏南京人，摄影测量与遥感专业硕士研究生，主要研究方向为遥感图像处理与应用。
基于不同分辨率遥感影像的分类方法对比研究孔令婷，杨英宝，章 勇（河海大学地球科学与工程学院，江苏南京２１００９８）摘要：基于４种不同分辨率的遥感影像数据，分别为３０ｍ分辨率的Ｌａｎｄｓａｔ－８数据，融合Ｌａｎｄｓａｔ－８多光谱波段和全色波段的１５ｍ分辨率数据，５．８ｍ分辨率的资源３号卫星数据以及融合后２．１ｍ分辨率的资源３号卫星数据。
采用ＩＳＯ－ＤＡＴＡ、最大似然分类法和面向对象分类法对影像进行分类，对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。
结果显示在低分辨率影像中，面向对象方法受到限制，分类效果相比传统方法没有太大改善；而在高分辨率影像中，面向对象方法分类效果很好，并且随着分辨率提高分类精度也相应的提高。
关键词：高分辨率影像；分类；面向对象中图分类号：Ｐ２３７ 文献标识码：Ａ 文章编号：１６７２－５８６７（２０１５）０３－００４０－０４ＳｔｕｄｙｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＭｅｔｈｏｄｓＢａｓｅｄｏｎＤｉｆｆｅｒｅｎｔＲｅｓｏｌｕｔｉｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＫＯＮＧＬｉｎｇ－ｔｉｎｇ，ＹＡＮＧＹｉｎｇ－ｂａｏ，ＺＨＡＮＧＹｏｎｇ（ＳｃｈｏｏｌｏｆＥａｒｔｈＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｓｂａｓｅｄｏｎｆｏｕｒｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎｓｒｅｍｏｔｅ－ｓｅｎｓｉｎｇｉｍａｇｅｓ．３０ｍｒｅｓｏｌｕｔｉｏｎＬａｎｄｓａｔ－８ｉｍａｇｅｄａｔａ，１５ｍｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｆｕｓｅｄｂｙｍｕｌｔｉｓｐｅｃｔｒａｌｂａｎｄｓａｎｄｐａｎｃｈｒｏｍａｔｉｃｂａｎｄｏｆｌａｎｄｓａｔ－８ｄａｔａ，５．８ｍｒｅｓｏｌｕｔｉｏｎＺＹ－３ｉｍａｇｅｄａｔａａｎｄ１５ｍｒｅｓｏｌｕｔｉｏｎｆｕｓｉｏｎｉｍａｇｅ．ＩＳＯ－ＤＡＴＡ，ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｅｒｅｕｓｅｄ．Ｔｈｅｅｆｆｅｃｔｓｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｎｄｉｍｐａｃｔｏｆｒｅｓｏｌｕｔｉｏｎｃｈａｎｇｅｓｏｎｔｈｅａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｗｅｒｅａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈｉｓｌｉｍｉｔｅｄｉｎｌｏｗｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｉｓｎｏｔｍｕｃｈｉｍ－ｐｒｏｖｅｄｃｏｍｐａｒｅｄｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ．Ｗｈｉｌｅｉｎｔｈｅｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｏｒｋｓｗｅｌｌ，ａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓｉｍｐｒｏｖｅｄａｌｏｎｇｗｉｔｈｒｅｓｏｌｕｔｉｏｎｉｎｃｒｅａｓｅ．Ｋｅｙｗｏｒｄｓ：ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ０ 引 言在传统的遥感影像分类中，基于像元的分类较多，包括监督和非监督分类法。
对于遥感图像分类方法的研究与精度评定综述
对于遥感图像分类方法的研究与精度评定综述摘要：从遥感图像分类方法的基本原理入手,介绍了遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的精度评定做了一些介绍。
关键词：遥感图像/图像分类/精度评定0 引言遥感分类，即遥感模式识别，是把一个像素区分为某一地物类别的过程[1]。
遥感图像分类方法通常分为两大类，即监督分类与非监督分类。
非监督分类是指在缺乏先验类别知识的情况下，只根据本身的统计特性进行分类，监督分类是根据已知的先验知识（一般由一组样本数据提供），找出各类的特征，根据这些特征对未知像素进行分类[2]。
遥感技术广泛应用的重要途径之一就是遥感图像分类，分类的精度直接影响遥感数据的应用水平和实用价值。
非监督分类的方法相对简单一些，但精度差；而监督分类有先验知识做指导，精度相对较高，但是需要地面采样，成本比较高[3]。
1 遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征，它们构成了光谱空间，每种地物有其固有的光谱特征，它们位于光谱空间中的某一点，但由于干扰的存在，环境条件的不同，例如：阴影，地行上的变化，扫描仪视角，干湿条件，不同时间拍摄及测量误差等，使得测得的每类物质的光谱特征不尽相同，同一类物质的各个样本在光谱空间是围绕某一点呈概率分布，而不是集中到一点，但这仍然使我们可以划分边界来区分各类[4]。
因此，我们就要对图像进行分类，图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像内诸像元划分到各子空间去，从而实现分类[5]。
2 遥感图像分类遥感图像分类主要有两种途径：一是监督分类与非监督分类：二是遥感数字图像的计算机分类。
2.1 监督分类与非监督分类监督分类是在我们对遥感图像上样本区内地物的类别已知的基础上，把这些样本类别的特征当做来识别非样本数据的类别的依据。
所谓监督分类就是根据我们知道的判别类别和样本类别的经验知识，确定出判别函数以及判别准则，其中利用一定数量的已知类别的样本观测值把待定参数求解出来的过程称之为训练或学习，然后把未知类别的样本的所有观测值代入到这个函数中求出的判别函数，再根据相应的判别准则对该样本的所属类别做出判定。
遥感影像分类的算法与精度评价方法探究
遥感影像分类的算法与精度评价方法探究随着遥感技术的发展和应用广泛，遥感影像的分类成为了研究的热点之一。
遥感影像分类是将遥感影像中的像素按照其地物类别进行识别和分类的过程。
在遥感影像分类中，算法的选择和精度评价方法的确定至关重要。
本文将探究遥感影像分类的算法和精度评价方法，并分析它们在实际应用中的优缺点。
一、遥感影像分类算法1. 基于像素的分类算法基于像素的分类算法是遥感影像分类中最常用的一种方法。
它将每个像素点作为独立的单元进行分类，通常使用的算法包括最大似然法、支持向量机和决策树等。
最大似然法是一种概率统计的算法，可以通过计算每个像素点的概率来确定其所属类别。
支持向量机利用样本点在特征空间中的位置来构建分类器，对于非线性可分的遥感影像分类效果较好。
决策树将遥感影像的特征按照一定的规则组织成树状结构，通过判断路径上的条件来确定像素的分类。
2. 基于对象的分类算法基于对象的分类算法是近年来兴起的一种分类方法。
它将相邻的像素点合并成对象，然后对这些对象进行分类。
与基于像素的分类算法相比，基于对象的分类算法考虑了空间上的相邻关系，可以更好地处理遥感影像中的纹理和边界信息。
基于对象的分类算法常用的有分水岭算法、区域生长算法和基于图的分割算法等。
二、遥感影像分类精度评价方法遥感影像分类精度评价是判断分类结果好坏的重要标准。
常用的精度评价方法包括混淆矩阵、准确度评价和Kappa系数等。
1. 混淆矩阵混淆矩阵是一种将分类结果与实际情况进行对比的方法。
它将分类结果按照实际类别进行统计，得到一个矩阵，其中每个元素表示分类结果中被正确分类到某一类的像素个数。
通过分析混淆矩阵可以得到不同类别的分类精度和错误分类情况。
2. 准确度评价准确度评价是计算分类结果准确率的一种方法。
准确率是指分类结果中被正确分类的像素数占总像素数的比例。
准确度评价方法可以根据分类结果中每个类别的像素数和正确分类的像素数来计算准确率。
3. Kappa系数Kappa系数是一种用来评价分类结果与实际情况一致性的方法。
遥感影像分类精度与空间分辨率的关系验证
实验一遥感影像分类精度与空间分辨率的关系验证实验目的：1、掌握相同传感器多光谱影像与全色影像融合方法；2、掌握监督分类的基本流程；3、验证遥感影像分类精度与空间分辨率的关系。
实验要求：1、对多光谱影像和全色影像进行融合；2、利用马氏距离法进行监督分类；理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。
原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS 全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。
class1.roi是1m空间分辨率的参考分类ROI模板。
实验步骤：1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下：（1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。
记录该文件的行列数，下图1~2。
图1图2 查看头文件（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。
将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。
图3图4 重置图像大小（3）重置大小后的图像已经可以与全色图像进行融合，将bj_resize图像以432的RGB模式在Display#1中显示，在ENVI主菜单，点击Transform→Image Sharpening→HSV图5 启动融合功能图6在接下来弹出High Resolution Input File（高空间分辨率输入文件）的对话框中，选择bjikonspan.img 文件，OK。
遥感图像分类方法与精度评价
遥感图像分类方法与精度评价遥感图像分类是指利用遥感图像数据进行地物类型区分的过程，是遥感技术在地学研究和应用中的重要环节之一。
遥感图像分类方法的选择和精度评价是决定分类结果质量和可靠性的关键因素。
本文将探讨遥感图像分类的常用方法及精度评价指标。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将每个像素点作为分类的基本单位，根据像素的数值或特征属性进行分类。
这种方法简单直观，适用于像素空间分布均匀、地物类型单一的情况。
常用的基于像元的分类方法有最大似然分类法、支持向量机分类法等。
最大似然分类法是一种常见的统计分类方法，通过对已知类别的样本数据进行统计分析，确定多类别高斯模型参数，然后利用似然函数计算每个像素点属于各个类别的概率，最终选择概率最大的类别作为分类结果。
支持向量机分类法是一种常用的机器学习方法，基于通过分隔超平面来尽可能精确地划分样本数据。
该方法通过寻找最优分类超平面来实现分类，可以处理非线性分类问题，并具有较好的泛化性能。
2. 基于对象的分类方法基于对象的分类方法是将图像中的像素按照一定标准进行分割，形成不同的地物对象，然后根据对象的形状、纹理、光谱等特征进行分类。
这种方法考虑了地物的空间关系，适用于地物类型复杂、光谱混杂的情况。
常用的基于对象的分类方法有基于规则的分类法、基于特征的分类法等。
基于规则的分类法是基于人工设定的分类规则来对遥感图像中的对象进行分类，需要根据实际需求和专业知识进行规则的制定。
这种方法对专业知识的要求较高，但可以得到较为精确的分类结果。
基于特征的分类法是通过对对象的形状、纹理、光谱等特征进行提取和分析，根据特征的差异来实现分类。
这种方法相对较为自动化，适用于大规模图像处理。
二、遥感图像分类精度评价遥感图像分类精度评价是对分类结果进行可靠性和精度的评估，常用的评价指标包括分类准确性、Kappa系数、用户精度、制图精度等。
分类准确性是指分类结果中正确分类的像素数占总像素数的比例。
遥感影像分类的方法和技巧
遥感影像分类的方法和技巧引言：遥感影像分类是遥感技术中的重要应用之一，能够通过分析影像数据的特征，将遥感影像中的地物或景象进行分类和识别。
本文将探讨遥感影像分类的方法和技巧，介绍常用的分类算法以及处理影像数据的注意事项。
一、遥感影像分类的基本概念遥感影像分类是指将遥感影像中的地物或景象根据它们所代表的信息类型进行划分和标记的过程。
遥感影像分类能够提取出地物的分布和空间分布特征，为后续的地理信息系统分析和决策提供重要支持。
在遥感影像分类中，地物通常被分为几个类别，如水体、植被、建筑等。
二、遥感影像分类的方法1. 基于像元的分类方法基于像元的分类方法是最常用的遥感影像分类方法之一。
该方法将遥感影像划分为许多小的像元单元，并将每个像元单元分配到合适的类别中。
常用的基于像元的分类算法包括最大似然分类、支持向量机和人工神经网络等。
2. 基于对象的分类方法基于对象的分类方法将相邻像元按照一定的规则和准则进行合并，形成具有独立特征的地物对象。
该方法在考虑像元的空间关系的基础上，提高了分类的准确性和稳定性。
常见的基于对象的分类算法有分水岭算法、连通域分析等。
三、常用的遥感影像分类算法1. 最大似然分类法最大似然分类法是一种概率统计方法，通过分析遥感影像中不同类别地物的统计特征，给出了地物类别的条件概率密度函数，并根据贝叶斯决策原则进行分类。
该方法适用于多光谱遥感影像的分类，具有简单、快速和高效的特点。
2. 支持向量机支持向量机是一种基于统计学习理论的分类方法，通过将样本空间映射到高维特征空间，找到一个最优的超平面将不同类别地物分开。
支持向量机具有处理高维数据和非线性数据的能力，对分类边界的划分有较好的鲁棒性。
3. 人工神经网络人工神经网络是一种模拟人脑神经网络工作原理的计算模型，通过输入数据和训练样本进行学习和调整权值，实现对未知数据的分类和识别。
人工神经网络在遥感影像分类中具有较强的智能化表现，能够处理复杂的遥感影像，但训练和调参过程相对较为繁琐。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
遥感图像处理中的影像分类方法与精度评价
遥感图像处理中的影像分类方法与精度评价在遥感图像处理中，影像分类是一个重要的步骤，它可以根据图像中的不同特征和属性将像素分为不同的类别。
影像分类方法有很多种，每种方法都有其独特的优势和适用范围。
本文将介绍几种常见的影像分类方法，并对其精度评价方法进行探讨。
一、监督分类方法监督分类方法是一种常用的影像分类方法，它利用已知类别的样本和对应的光谱特征，通过训练分类器来对图像中的像素进行分类。
监督分类方法可以分为最大似然法、支持向量机、人工神经网络等多种。
其中，最大似然法是一种基于统计学原理的分类方法，它假设每个类别的光谱特征符合正态分布，通过计算概率来确定像素的类别。
支持向量机是一种基于机器学习的分类方法，它通过找到一个最优的超平面来对像素进行分类。
人工神经网络则是一种基于神经网络模型的分类方法，它通过训练网络来学习样本的分类特征，然后利用学习到的模型对像素进行分类。
监督分类方法在影像分类中应用广泛，但其精度评价也是非常重要的。
常用的精度评价方法包括混淆矩阵、准确率、召回率、F1值等。
混淆矩阵是一种用于描述分类结果的矩阵，它将真实类别和分类结果进行对比，可以计算出分类结果的准确度和错误率。
准确率是指分类结果中正确分类的像素比例，召回率是指真实类别中被正确分类的像素比例，F1值是准确率和召回率的一个综合指标，可以衡量分类结果的综合性能。
二、无监督分类方法除了监督分类方法外，无监督分类方法也是一种常见的影像分类方法。
它不需要事先标注样本的类别，而是通过分析图像中像素之间的相似性来对图像进行分类。
常用的无监督分类方法包括聚类分析、K均值算法、自组织映射等。
聚类分析是一种常见的无监督分类方法，它通过寻找图像中相似像素的聚类中心来实现分类。
K均值算法是聚类分析的一种常用方法，它通过迭代计算来确定聚类中心，并将像素归类到最近的聚类中心。
自组织映射则是一种基于神经网络的无监督分类方法，它通过模拟脑神经元的自组织行为来实现分类。
遥感图像分类方法与分类精度评估技巧
遥感图像分类方法与分类精度评估技巧遥感图像分类是遥感技术的重要应用之一，通过对遥感图像中不同地物进行分类，可以有效提取地物信息，为各类地理研究和应用提供了重要数据支持。
而遥感图像分类方法和分类精度评估技巧则是遥感图像分类工作中的关键环节。
一、遥感图像分类方法遥感图像分类方法主要分为监督分类和非监督分类两种。
监督分类是根据人工定义的训练样本来进行分类，通过计算遥感图像像元的特征值与训练样本的特征值之间的距离或相似度来确定像元的地物类别。
监督分类方法具有分类精度高的优势，但需要大量准确的训练样本，并且需要人工干预进行样本分类。
非监督分类是根据图像像元自身的特征值进行分类，算法会自动对图像中的像元进行聚类，根据像元的特征相似性来确定地物类别。
非监督分类方法可以大幅降低人工干预量，但分类精度相对较低，对遥感图像的解译要求较高。
同时，还有基于物理模型的分类方法，该方法通过对地物的物理性质进行建模，从而实现对遥感图像地物的分类。
基于物理模型的分类方法可以较好地解决遥感图像的反射率与地物属性之间的关系，但对数据质量和物理模型的准确性要求较高。
二、分类精度评估技巧对于遥感图像分类的结果，需要进行分类精度评估来判断分类结果的准确性。
常用的分类精度评估技巧主要包括混淆矩阵、Kappa系数和面积误差指标等。
混淆矩阵是一种常用的分类精度评估方法，通过对分类结果与实际样本之间的差异进行矩阵统计，来获得分类的准确性。
混淆矩阵包括真阳性（TP）、假阴性（FN）、假阳性（FP）和真阴性（TN）四个参数，通过计算这些参数的比例可以得到分类的准确性。
Kappa系数是一种综合评估分类精度的方法，根据分类结果与实际样本的一致性程度来判断分类的准确性。
Kappa系数的取值范围为[-1,1]，取值越接近1表示分类结果越准确。
面积误差指标是一种用来评估分类结果准确性的指标，通过计算分类结果与实际样本之间的面积差异来评估分类的准确性。
面积误差指标越小表示分类结果越准确。
地理信息系统中遥感影像分类技术的使用指南与分类准确性评估
地理信息系统中遥感影像分类技术的使用指南与分类准确性评估1. 引言地理信息系统（Geographic Information System，简称GIS）是一种用于收集、存储、分析和展示地理空间数据的工具。
在GIS中，遥感影像分类技术是一项关键任务，它对于地理空间数据的准确分类和分析具有重要作用。
本文将介绍遥感影像分类技术的使用指南，并讨论分类准确性的评估方法。
2. 遥感影像分类技术的使用指南2.1 数据预处理在进行遥感影像分类之前，我们需要进行数据的预处理。
这包括影像的辐射校正、大气校正、镶嵌和几何校正等。
通过这些预处理步骤，我们可以获得更准确的遥感影像数据，从而提高分类的准确性。
2.2 特征提取特征提取是遥感影像分类的关键步骤之一。
通过提取适当的特征，可以更好地描述地物的属性和空间关系。
常用的特征包括光谱特征、纹理特征、形状特征和空间特征等。
在选择特征时，需要考虑地物的特点和分类目的，以提高分类的准确性。
2.3 分类算法选择选择适当的分类算法对于准确地将遥感影像进行分类至关重要。
常用的分类算法包括最大似然分类、支持向量机分类、人工神经网络分类和随机森林分类等。
不同的算法具有不同的特点和适用范围，选择合适的算法需要考虑数据的特点和分类的目标。
2.4 参数调优在使用分类算法进行遥感影像分类之前，我们需要对算法的参数进行调优。
参数的选择对分类的准确性有很大的影响，因此需要通过交叉验证等方法来确定最佳参数组合。
参数调优是提高分类准确性的关键步骤之一。
2.5 结果验证与优化对于遥感影像分类的结果，我们需要进行验证和优化。
验证的方法可以采用地面真实数据进行对比，计算分类的准确性和总体精度。
如果发现分类结果存在偏差或错误，需要进行优化调整，例如调整分类算法的参数或重新提取特征等。
3. 分类准确性评估3.1 混淆矩阵混淆矩阵是评估遥感影像分类准确性的常用方法之一。
混淆矩阵包括真阳性（True Positive，简称TP）、真阴性（True Negative，简称TN）、假阳性（False Positive，简称FP）和假阴性（False Negative，简称FN）等四个指标。
遥感影像的分辨率+遥感影像的处理+遥感影像的特点
北京揽宇方圆信息技术有限公司遥感影像的分辨率空间分辨率（Spatial Resolution）又称地面分辨率。
后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。
前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。
它们均反映对两个非常靠近的目标物的识别、区分能力，有时也称分辨力或解像力。
光谱分辨率（Spectral Resolution）指遥感器接受目标辐射时能分辨的最小波长间隔。
间隔越小，分辨率越高。
所选用的波段数量的多少、各波段的波长位置、及波长间隔的大小，这三个因素共同决定光谱分辨率。
光谱分辨率越高，专题研究的针对性越强，对物体的识别精度越高，遥感应用分析的效果也就越好。
但是，面对大量多波段信息以及它所提供的这些微小的差异，人们要直接地将它们与地物特征联系起来，综合解译是比较困难的，而多波段的数据分析，可以改善识别和提取信息特征的概率和精度。
辐射分辨率（Radiant Resolution）指探测器灵敏度——遥感器感测元件在接收光谱信号时能分辨的最小辐射度差，或指对两个不同辐射源的辐射量的分辨能力。
一般用灰度的分级数来表示，即最暗——最亮灰度值(亮度值)间分级的数目——量化级数。
它对于目标识别是一个很有意义的元素。
时间分辨率（TemporalResolution）是关于遥感影像间隔时间的一项性能指标。
遥感探测器按一定的时间周期重复采集数据，这种重复周期，又称回归周期。
它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏栘系数等参数所决定。
这种重复观测的最小时间间隔称为时间分辨率。
遥感影像的处理这种方案应用还算比较用的，如果不用这种方案，在缩放的时候就会速度很慢，但是会比较占硬盘，特别是1个多G的数据的时候。
一般是2倍缩放，但是这种方案不知道是取平均还是直接取4个像素中的某个，按理说第二种是可行的，如果仅仅是显示的话，因为具体选点的时候，如果仅在2倍大小选点的话，还是有0.5个像素的选点误差。
遥感影像分类精度评价
遥感影像分类精度评价在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
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，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。
对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。
1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。
混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。
2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。
被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。
像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数：是另外一种计算分类精度的方法。
它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实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，再除以总像元数的平方差减去某一类中地表真实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所得到的。
高分辨率遥感影像分类技术研究
高分辨率遥感影像分类技术研究一、引言遥感影像分类是遥感技术应用的重要领域之一，随着遥感图像数据的不断获取和海量数据的积累，高分辨率遥感影像分类技术日趋成熟和完善，已成为遥感技术领域的研究热点之一。
本文将从高分辨率遥感影像分类技术的概念、方法与应用等方面进行阐述与分析。
二、高分辨率遥感影像分类技术的概念与特点高分辨率遥感影像所表现的信息内容非常丰富和复杂，包含了高精度、高分辨率、多光谱、多角度等多种特征。
高分辨率遥感影像分类技术即为从高分辨率遥感影像中提取有用的地物信息，并进行分类和识别的一种技术。
高分辨率遥感影像分类技术的主要特点有以下几点：1.信息量大：高分辨率遥感影像可以提供多角度、多光谱等多种信息，可以更加准确地对地物进行分类。
2.精度高：高分辨率遥感影像的分辨率更高，可以提供更加详细和精确的地物信息。
3.自动化程度高：高分辨率遥感影像分类技术可以通过计算机自动进行处理，减少了人为干预，提高了处理效率和准确度。
三、高分辨率遥感影像分类技术的方法高分辨率遥感影像分类技术的方法主要有以下几种：1.基于像素的分类方法：像素是遥感影像的最小处理单元，这种方法是直接对每个像素进行分类，并形成一个分类图像。
这种方法简单易行，但存在分类不准确和信息丢失的问题。
2.基于对象的分类方法：这种方法是以地物为对象进行分类，通过将图像中的像素组成地物对象，并通过对对象的特征进行分析和测量，来进行分类。
这种方法可以消除图像中的噪声和混淆，提高分类精度。
3.集成性分类方法：这种方法是将像素级和对象级分类方法相结合，综合利用各种特征来进行分类。
这种方法经常使用机器学习算法，如神经网络和支持向量机等。
四、高分辨率遥感影像分类技术的应用高分辨率遥感影像分类技术已广泛应用于土地利用、城市规划、环境监测、农业生产等领域，以下将以城市规划和环境监测为例进行介绍。
1.城市规划：高分辨率遥感影像可以提供城市中各种用地类型的信息，如居住区、商业区、工业区、公共设施等。
高分辨率遥感影像的分类与识别技术研究
高分辨率遥感影像的分类与识别技术研究随着遥感技术的不断发展，高分辨率遥感影像的获取和处理越来越成熟。
高分辨率遥感影像具有信息量丰富、空间分辨率高等特点，可以广泛应用于土地利用、城市规划、水资源监测等领域。
而高分辨率遥感影像的分类与识别，则是利用计算机技术分析影像数据，提取并分类识别地物信息的重要手段。
本文就高分辨率遥感影像的分类与识别技术进行讨论。
一、分类与识别的基本流程高分辨率遥感影像的分类与识别可以分为以下步骤：预处理、特征提取、分类器构建和精度评价。
其中，预处理主要包括图像去噪、图像增强和图像拼接等，旨在提高影像质量和减少干扰。
特征提取是指从高分辨率遥感影像中提取有意义的地物信息，通常包括形态、纹理、颜色等。
分类器构建则是用包括神经网络、支持向量机等在内的各种机器学习算法，将特征提取出来的信息进行分类。
最后，精度评价则是对已经分类的数据进行比较和验证，判断分类结果的准确性和可靠性。
二、分类与识别的主要问题高分辨率遥感影像的分类与识别技术在实际应用中，存在一些问题需要解决。
首先是地物遮挡问题。
当地物密集或杂乱，或者被遮挡时，识别效果相对较差。
其次是影像噪声问题，由于影像数据质量差异较大，噪声较多的影像数据对分类结果影响更大。
再次是少样本问题，数据量小或样本不平衡情况下，分类器的泛化能力容易受到限制。
三、分类与识别的研究进展针对上述问题，国内外学者们不断进行深入的研究。
例如，在地物遮挡问题方面，研究者提出了多源数据融合、遮挡检测和遮挡纠正等方法，有效提高了分类识别的准确性。
在影像噪声问题上，研究者多采用形态学滤波、小波变换和最小二乘分析等数据处理方法，加强影像质量控制的效果。
在少样本问题上，研究者尝试使用半监督学习、迁移学习等方法，扩充训练样本规模，提高分类器的泛化能力。
在分类与识别的具体算法上，K近邻、支持向量机、神经网络等方法都已被广泛应用。
近年来，深度学习算法逐渐受到重视，基于卷积神经网络（CNN）的高分辨率遥感影像分类也有了重要进展。
遥感图像分类方法的研究与精度评定
目录摘要 (II)ABSTRACT (IV)1. 绪论 (1)1.1 选题背景 (1)1.2我国遥感技术分类现状 (2)2遥感图像 (3)2.1 遥感概念 (3)2.2 遥感图像的几何处理 (3)2.2.1 遥感图像的几何变形 (4)2.2.2 遥感图像增强 (5)2.3特征提取和特征选择 (8)3. 遥感图像分类 (10)3.1 遥感图像分类原理 (10)3.2 监督分类 (11)3.2.1 监督分类的步骤 (11)3.2.2 最大似然分类法 (12)3.2.3 平行多面体分类方法 (13)3.2.4 最小距离分类方法 (14)3.3 非监督分类 (15)3.3.1 K-均值聚类法 (15)3.3.2 ISODATA 算法聚类分析 (16)3.3.3 平行管道法聚类分析 (17)3.4 计算机自动分类的新方法 (17)3.4.1 神经网络分类法 (18)3.4.2 模糊分类法 (18)3.4.3 专家系统分类法 (19)3.4.4支持向量机SVM分类法 (20)3.4.5 决策树分类法 (20)4精度评定 (21)5结束语 (23)致谢 (24)参考文献 (25)遥感图像分类方法的研究及精度评定摘要随着科学技术的发展，航空遥感图片和卫星遥感图像分辨率不断提高，在从不同角度认识宇宙世界的方式中，遥感已然占据了不可撼动的位置。
目前，遥感图像在空间数据资源采集方面起着越来越重要的作用。
本文对遥感图象分类的研究背景进行了回顾，对遥感基本原理和进行图像预处理时的一些方法进行了重点介绍，简要概述了一些概念和原理，对较早出现的的遥感分类方法（监督分类和非监督分类）进行了分析，展望了近年来出现的一些较新的计算机分类方法，包括人工神经网络和模糊分类等，然后比较分析了各种方法的原理，算法及各自的优缺点。
最后，对距离分类方法及遥感图像分类的精度评定做了详细阐述。
虽然遥感技术在社会发展的很多方面有着广泛应用，但是遥感图像分类在其中占据着重要的位置。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验一遥感影像分类精度与空间分辨率的关系验证
实验目的：
1、掌握相同传感器多光谱影像与全色影像融合方法；
2、掌握监督分类的基本流程；
3、验证遥感影像分类精度与空间分辨率的关系。
实验要求：
1、对多光谱影像和全色影像进行融合；
2、利用马氏距离法进行监督分类；
理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。
原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS 全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。
class1.roi是1m空间分辨率的参考分类ROI模板。
实验步骤：
1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下：
（1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。
记
录该文件的行列数，下图1~2。
图1
图2 查看头文件
（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。
将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。
图3
图4 重置图像大小
（3）重置大小后的图像已经可以与全色图像进行融合，将bj_resize图像以432的RGB模式在Display#1中显示，在ENVI主菜单，点击Transform→Image Sharpening→HSV
图5 启动融合功能
图6
在接下来弹出High Resolution Input File（高空间分辨率输入文件）的对话框中，选择bjikonspan.img 文件，OK。
图7 选择高空间分辨率影像
图8 确定参数，选择存储位置
通过以上步骤得到了空间分辨率为1m的IKONOS多波段图像，如下图：
图9
2、将1m的融合图像降低空间分辨率，得到5m和15m空间分辨率的数据，操作如下：
在ENVI主菜单，点击Basic Tools→Resize Data，选择输入文件为bj_HSV
图10
在接下来弹出的Resize Data Parameters对话框中，点击Set Output Dims by Pixel Size
图11
将像元大小改为5m，如下图所示。
图12 修改像元大小
点击OK，设置存储路径，得到空间分辨率为5m的影像。
图13 设置重置图像参数
利用相同的方法得到空间分辨率为15m的影像。
3、对空间分辨率为1m、5m和15m的影像进行分类
操作如下：打开空间分辨率为1m的影像，点击ENVI主菜单Basic Tools→Region of Interest→ROI Tool，如下图，在Window选项中点选Zoom，表示在Zoom窗口绘制ROI。
图14 ROI Tool对话框
点击ROI Tool对话框中的ROI Type，经常使用的类型包括Polygon、Rectangle和Ellipse。
图15 选择ROI类型
接下来便可以绘制ROI，在主影像窗口中选择合适的位置，在Zoom窗口绘制，绘制好图形后点击右键确认。
将绘制好的ROI更名为waterbody，颜色改为蓝色，继续在图像上的水域部分绘制ROI （每类地物ROI数量不少于3个，人工建筑类地物ROI数量不少于5个，人工建筑类用地的颜色种类较多，ROI应包含所有颜色的人工建筑）。
绘制好水体的ROI后，点击ROI Tool对话框的New Region按钮，绘制其它类地物的ROI。
图16 水体ROI
地物类别分为8类，分别为：有作物农田（cultivated_farmland）、无作物农田（uncultivated_farmland）、林地（woodland）、草地（grassland）、水体（waterbody）、人工建筑（artificial_building）、裸土（nudeland）和道路（road）。
根据以上分类要求得到的ROI分类模板如下图：
图17 最终分类模板
在ROI Tool对话框中点击File→Save ROIs，保存ROI文件。
在ENVI主菜单，点击Classification→Supervised（监督分类）→Mahalanobis Distance（马氏距离）
图18 启动分类功能
选择输入文件为bj_HSV，在接下来弹出的Mahalanobis Distance Parameters对话框中，按下图19设置参数，点击OK。
图19 马氏距离参数设置
得到的分类结果图如下：
图20 分类结果图
下面介绍如何使用相同的分类模板对5m分辨率的图像进行分类，由于之前的ROI是在1m分辨率时采集的，不能直接应用在5m分辨率的图像上，需要进行如下转换：
在Display#1中显示5m分辨率的图像，在Display#2中显示1m分辨率的图像，分别打开两窗口的ROI工具，在Display#2的ROI Tool对话框中点击File→Restore ROI，加载之前采集的ROI。
如下图：
图21
在#2 ROI Tool中点击File→Export ROIs to EVF，
在Export ROIs to EVF对话框按下图23设置参数：
图23 设置转换参数
点击OK，在弹出的Available Vectors List对话框中，选择图层1，Load Selected。
这样，矢量就显示在Display#1中，
图25
在Vector Parameters对话框中，点击File→Export Active Layer to ROIs，下图26~27
图26
这样在Display#1中就生成了与Display#2中对应的ROI，在Display#2中点击右键Geograghic Link，
图28 地理连接
在#1ROI Tool中，选中一个ROI，点击Goto，窗口中会显示该ROI的位置。
根据右侧Display#2的颜色修改#1ROI Tool中的ROI的颜色，按这种方法修改全部ROI的颜色。
图29
修改完颜色后，点击#1ROI Tool中Options→Merge Regions
图30
在接下来弹出的对话框中对ROI进行合并，例如合并绿色ROI时，选择一个绿色ROI作为base ROI，选择全部绿色ROI参与合并，点击OK，则绿色ROI被合并成一个ROI，再用同样的方法合并其他颜色的ROI，ROI合并结束后，修改ROI名称，使用这个模板进行马氏距离监督分类。
图31 ROI合并
再按上述流程对空间分辨率15m的图像进行分类。
4、分类结果的精度显示在一个混淆矩阵里（用于比较分类结果和地表真实信息）。
记录了总体精度、制造者以及用户的准确度、Kappa 系数、混淆矩阵以及代理和冗长误差，精度评价操作如下：在ENVI主菜单，按如下流程操作
图33
系统会根据已打开的ROI文件匹配分类情况，点击OK，下图34
图34
图35
得到分类精度评价表，
图36
分别对1m、5m和15m的分类图像进行精度评价，注意ROI文件要匹配。
分析不同分辨率影像分类的精度，通过对比分析，验证遥感影像分类精度与空间分辨率的关系。
实验成果：
1、提交降低分辨率后的影像数据文件；
2、5m分辨率的分类模板ROI文件；
3、分类结果数据文件以及精度检验样本分布图的截屏。