遥感特征提取物具体步骤
如何利用遥感数据进行测绘数据的提取

如何利用遥感数据进行测绘数据的提取遥感技术是一种通过卫星、飞机和无人机等远距离获取对象信息的技术手段。
利用遥感数据进行测绘数据的提取,可以为地理信息系统、城市规划、环境监测、农业管理等领域提供准确、高效的数据支持。
本文将探讨如何利用遥感数据进行测绘数据的提取。
一、遥感数据的获取与处理1. 遥感数据的获取方式遥感数据的获取方式包括卫星遥感、航空遥感和无人机遥感等。
卫星遥感是通过卫星对地观测,获取大范围的地表信息;航空遥感是利用航空器对特定区域进行遥感观测,数据分辨率较高;无人机遥感则是利用无人机进行遥感观测,可以获取更高分辨率的数据。
2. 遥感数据的处理流程遥感数据处理流程包括预处理、数据影像处理和数据提取等步骤。
预处理主要包括辐射校正、大气校正和地形校正等,以保证数据的准确性。
数据影像处理主要包括图像增强、图像融合和图像分类等,以提取出感兴趣的对象信息。
数据提取是利用图像处理结果,从中提取出需要的测绘数据,如道路、建筑物、水域等。
二、遥感数据在测绘中的应用1. 遥感数据在地图制作中的应用遥感数据在地图制作中可以提供地表物体的准确位置、形状和属性信息。
通过图像分类和对象提取等技术,可以从遥感数据中提取出各类地物信息,如道路、建筑物、水域等,用于地理信息系统和城市规划等领域。
2. 遥感数据在地形测量中的应用遥感数据可以提供地表高程信息,用于地形测量和三维地图制作。
通过遥感图像的几何纠正和数字高程模型的生成,可以获取地表的高程数据,用于地形分析、地质调查和水资源管理等。
3. 遥感数据在农业测量中的应用遥感数据在农业测量中可以提供农作物的生长状态、受灾情况和产量预测等信息。
通过遥感图像的特征提取和分类,可以监测农作物的种植面积、植被指数和土壤湿度等参数,用于农业管理和精准农业。
三、遥感数据提取测绘信息的方法1. 监督分类法监督分类法是常用的遥感数据提取测绘信息的方法之一。
该方法需要预先准备训练样本,并通过机器学习算法训练分类器,然后应用分类器对整个遥感图像进行分类,提取出感兴趣的测绘信息。
遥感图像处理中的特征提取技术使用教程

遥感图像处理中的特征提取技术使用教程遥感图像处理是一种利用航天器或飞机上的传感器通过接收地球表面反射或辐射的能量进行地球观测与地球表面信息获取的科学技术。
遥感技术广泛应用于农业、林业、地质勘探、环境监测等领域,为了更准确地获取地表信息,特征提取技术成为遥感图像处理中的重要环节。
本文将介绍遥感图像处理中常用的特征提取技术,并提供相应的使用教程。
一、像素级特征提取技术像素级特征提取技术是指从遥感图像中提取单个像素的特征信息。
常用的像素级特征提取技术有灰度级特征提取和颜色特征提取。
1. 灰度级特征提取灰度级特征提取是根据像素的灰度值来判断其特征属性。
常用的灰度级特征包括像素的亮度、纹理、形状等。
其中,像素的亮度可以通过计算灰度直方图或灰度矩来进行提取;纹理特征可以通过灰度共生矩阵、小波变换等方法来提取;形状特征可以通过边缘检测、形态学操作等技术来提取。
2. 颜色特征提取颜色特征提取是根据像素的颜色信息来判断其特征属性。
常用的颜色特征包括色调、饱和度、亮度等。
可以通过计算像素的颜色直方图、颜色矩来提取颜色特征。
二、对象级特征提取技术对象级特征提取技术是指从遥感图像中提取出具有独特形态和位置特征的地物对象。
常用的对象级特征提取技术有基于边缘提取的特征、基于区域分割的特征和基于形状提取的特征等。
1. 基于边缘提取的特征边缘是地物对象与背景之间的边界,通过提取边缘可以获得地物对象的形态信息。
常用的边缘提取算法包括Canny边缘检测算法、Sobel算子、Prewitt算子等。
通过对遥感图像进行边缘提取,可以得到地物对象的轮廓信息。
2. 基于区域分割的特征区域分割是将遥感图像划分为具有相似特征的连续区域的过程。
常用的区域分割算法有基于阈值的分割算法、基于区域增长的分割算法、基于边缘的分割算法等。
通过对遥感图像进行区域分割,可以得到地物对象的集合,并提取出地物对象的各种特征属性。
3. 基于形状提取的特征地物对象具有独特的形状信息,通过提取形状特征可以获得地物对象的几何性质。
遥感数据处理中的特征提取与分类方法

遥感数据处理中的特征提取与分类方法引言遥感技术的发展使得人们能够通过航天器远距离获取地球表面的图像数据,并进行各种分析和应用。
遥感数据处理是指对这些获取到的数据进行预处理、特征提取和分类,以实现对地球表面特定区域的信息提取和解读。
本文将探讨遥感数据处理中的特征提取与分类方法。
一、特征提取方法1. 光谱特征提取光谱特征提取是遥感数据处理中最常用的方法之一。
通过分析地球表面的反射、辐射和发射光谱信息,可以获取不同物体或地物的光谱特征。
这些特征包括反射率、辐射亮度、辐射强度等。
2. 纹理特征提取纹理特征提取是通过分析地物表面纹理的空间分布和统计特性来获取特征信息的方法。
纹理特征包括灰度共生矩阵、方差、平均灰度等。
这些特征可以用于界定地物的边界、形状和空间分布特征。
3. 结构特征提取结构特征提取是通过分析地物的几何形状和排列方式来获取特征信息的方法。
结构特征包括面积、周长、长度、宽度、密度等。
这些特征可以用于判断地物的类型和分类。
二、分类方法1. 监督分类方法监督分类方法是基于已知地物类型的样本数据进行训练和分类的方法。
这种方法需要先收集一定数量的地物样本数据,并标注其类别信息。
然后,通过对样本数据进行统计分析和特征提取,建立分类模型,对未知地物进行分类。
2. 无监督分类方法无监督分类方法是不依赖已知样本数据进行分类的方法。
无监督分类方法主要依靠对地物间的相似性和差异性进行统计分析,通过将地物划分为具有相似特征的类别,实现分类。
3. 半监督分类方法半监督分类方法是监督分类方法和无监督分类方法的结合,充分利用已知样本数据和未知样本数据进行分类。
半监督分类方法首先使用无监督方法对未知样本数据进行聚类,然后使用监督方法对聚类结果进行分类。
结论遥感数据处理中的特征提取与分类方法是实现对地球表面信息提取和解读的关键环节。
光谱特征、纹理特征和结构特征的提取可以有效地表示地物的特点和特征。
监督分类、无监督分类和半监督分类方法可以根据不同的需求和数据情况进行选择和应用。
遥感图像处理的图像增强和特征提取方法

遥感图像处理的图像增强和特征提取方法遥感图像处理是利用遥感技术获取和处理地球表面信息的一种方法。
在遥感图像处理中,图像增强和特征提取是两个重要的步骤。
本文将探讨遥感图像处理的图像增强和特征提取方法,并介绍其在实际应用中的重要性和挑战。
一、图像增强方法图像增强是通过改善遥感图像的质量和清晰度来提取更多有用信息的过程。
在遥感图像处理中,常用的图像增强方法包括直方图均衡化、滤波和增强算法等。
1. 直方图均衡化直方图均衡化是一种通过调整图像的亮度分布来增强图像对比度的方法。
它通过将图像的亮度值映射到一个更均匀分布的直方图来使图像的细节更加清晰。
直方图均衡化能够有效地提高图像的视觉质量,但在某些情况下可能会导致过度增强和失真。
2. 滤波滤波是一种通过去除图像中的噪声和不必要的细节来改善图像质量的方法。
在遥感图像处理中,常用的滤波方法包括中值滤波、高斯滤波和小波变换等。
这些滤波方法能够有效地降低图像的噪声和模糊度,提高图像的清晰度和边缘保持能力。
3. 增强算法增强算法是一种通过对图像进行像素级别的调整和处理来增强图像质量的方法。
常用的增强算法包括灰度拉伸、对比度增强和边缘增强等。
这些算法能够根据图像的特点和需求来调整图像的亮度、对比度和细节等,从而提高图像的视觉效果和信息提取能力。
二、特征提取方法特征提取是通过从遥感图像中提取和表示有用的信息和模式来分析和识别图像内容的过程。
在遥感图像处理中,常用的特征提取方法包括纹理特征提取、频谱特征提取和形状特征提取等。
1. 纹理特征提取纹理特征提取是一种通过分析图像中的纹理信息来描述和表示图像内容的方法。
常用的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式等。
这些方法能够有效地提取图像中的纹理细节和结构特征,用于图像分类、目标检测和地物识别等应用。
2. 频谱特征提取频谱特征提取是一种通过分析图像的频域信息来描述和表示图像内容的方法。
常用的频谱特征提取方法包括傅里叶变换、小波变换和高斯金字塔等。
遥感影像处理中的特征提取方法和应用

遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务,旨在从遥感影像中提取出地物的特定特征,以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括:(1)颜色特征提取:利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数(NDVI)等。
(2)纹理特征提取:利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵(GLCM)、灰度值标准差、平均灰度值等。
(3)形状特征提取:利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下,根据地物目标的特定特征进行特征提取。
常用的方法包括:(1)形状特征提取:利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
(2)纹理特征提取:利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
(3)上下文特征提取:利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征,可以将遥感影像中的地物进行分类,如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征,可以实现对土地的类型和变化进行监测,如农田的扩张、森林的退化等,为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征,可以分析城市的发展趋势和扩张方向,为城市规划和交通规划提供数据支持。
遥感图像的特征提取与空间分析方法

遥感图像的特征提取与空间分析方法遥感图像是一种通过卫星、飞机等远距离方式获取地球表面信息的技术。
随着遥感技术的不断进步和应用领域的拓展,遥感图像的特征提取和空间分析方法也成为研究的热点之一。
本文将探讨遥感图像特征提取与空间分析方法的相关内容,包括常用的特征提取方法、特征的分类和应用以及空间分析方法的原理和应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是最基础的一种方法,它通过分析每个像素点的亮度、颜色等属性来提取图像特征。
常见的方法有灰度共生矩阵、颜色直方图和纹理特征等。
其中,灰度共生矩阵通过计算像素之间的灰度分布概率来描述图像的纹理特征,颜色直方图通过统计图像中像素的颜色分布情况来提取图像的颜色特征。
2. 基于区域的特征提取方法基于区域的特征提取方法是将图像分割成若干个区域,然后提取每个区域的特征。
常用的方法有边缘检测、聚类分析和形态学处理等。
边缘检测可以提取图像中的边界信息,聚类分析可以将相似的像素点分到同一个区域中,形态学处理可以提取图像中的纹理和形状信息。
二、特征的分类和应用根据特征的性质和应用场景的不同,特征可以分为几何特征、频谱特征和纹理特征等。
几何特征包括面积、周长、形状等,频谱特征包括反射率、辐射度等,纹理特征包括纹理均匀度、纹理方向等。
这些特征在不同领域的应用也有所不同。
1. 土地利用与覆盖变化研究土地利用与覆盖变化研究是遥感图像应用的一个重要领域,它可以通过提取图像的频谱特征和纹理特征来监测和分析土地的利用情况和覆盖变化。
例如,利用遥感图像的反射率特征可以判断农田的健康状况,利用纹理特征可以分析城市建设的扩张情况。
2. 灾害监测与评估灾害监测与评估是遥感图像应用的另一个重要领域,它可以通过提取图像的几何特征和纹理特征来识别和分析灾害的类型和程度。
例如,在地震灾害监测中,可以利用遥感图像的几何特征和纹理特征来评估建筑物的倒塌程度和人员伤亡情况。
三、空间分析方法空间分析方法是对遥感图像进行空间变化和空间关系分析的一种方法。
遥感图像处理中的特征提取方法

遥感图像处理中的特征提取方法遥感图像处理指的是利用遥感技术获取的遥感图像进行分析、处理和去除噪声等操作,以提取出有效的信息和特征。
而特征提取是遥感图像处理的一项重要技术,在遥感图像处理中应用广泛。
本文将介绍遥感图像处理中的特征提取方法及其应用。
一、直方图均衡化直方图是表示一幅图像中像素强度分布的曲线,直方图均衡化是一种图像增强的技术。
在遥感图像处理中,直方图均衡化可以用来增强图像的对比度,同时突出图像中的特征,从而提高图像的可视化效果。
二、形态学处理形态学处理是对图像进行形状和结构分析的一种方法。
形态学处理在遥感图像处理中的应用主要是为了提取图像中的特征信息。
形态学处理包括膨胀、腐蚀、开运算、闭运算等操作,可以去除噪声、填充空洞和提取图像中的特征等。
三、边缘检测边缘检测是从图像中提取边缘的一种技术。
边缘可以表示图像中物体的边界,通过对边缘进行分析,可以提取出图像中的结构信息和几何信息。
边缘检测在遥感图像处理中应用广泛,可以用来提取河流、道路、建筑物等具有线状结构的特征。
四、频域分析频域分析是将图像从空域转换到频域,从而分析图像的频率特征。
频域分析包括傅里叶变换、小波变换等方法。
在遥感图像处理中,频域分析可以用来提取图像中的纹理特征和波形特征,例如提取森林、草地、水体等的纹理特征。
五、特征提取算法特征提取算法是对图像进行分析和处理,以提取出具有代表性的特征信息。
特征提取算法包括直方图分析、特征值分析、主成分分析等方法。
这些方法可以从图像中提取出具有代表性的特征信息,例如提取岛屿、湖泊、山脉等的特征信息。
综上所述,特征提取是遥感图像处理中的一项重要技术。
通过直方图均衡化、形态学处理、边缘检测、频域分析和特征提取算法等方法,可以提取出图像中的特征信息,从而达到分析、处理和识别等目的。
在未来,随着遥感技术的不断发展和应用,特征提取技术也会不断升级和优化,进一步提高遥感图像处理的效率和精度。
如何应用遥感技术进行地物提取

如何应用遥感技术进行地物提取遥感技术是一种利用卫星、飞机等遥感器获取地球表面信息的技术。
通过遥感技术,大部分地物特征可以在远距离就能被有效观测和检测。
遥感技术在环境监测、农业、城市规划等领域发挥着重要作用。
其中,地物提取是遥感技术应用的一个重要方向,本文将讨论如何应用遥感技术进行地物提取。
一、遥感数据的获取在开始进行地物提取之前,我们首先需要获取遥感数据。
目前,卫星遥感数据已经很容易获取,而且可免费使用。
例如美国宇航局的Landsat系列卫星和欧空局的Sentinel系列卫星都提供高质量的遥感数据。
此外,还有一些商业卫星公司提供各种类型的遥感数据,用户可以根据需求选择适合的数据。
二、图像预处理在进行地物提取之前,我们需要对遥感图像进行预处理,以提高后续分析的精度。
预处理的步骤包括辐射校正、大气校正、几何校正等。
辐射校正主要是将图像中的数字值转换为物理辐射度,以便进行接下来的分析。
大气校正是消除由大气介质引起的图像变暗和颜色偏差。
几何校正主要是校正图像的空间位置和方向,以确保不同卫星图像的一致性。
三、特征提取特征提取是地物提取的核心过程。
通过遥感图像,我们可以提取各种地物特征,例如颜色、纹理、形状等。
这些特征可以用于区分不同的地物类型。
对于特定的地物类型,我们可以选择适合的特征集合。
例如,对于农作物,颜色和纹理特征可能更加重要,而对于建筑物,形状特征可能更有意义。
四、分类算法地物提取的一种常用方法是利用分类算法对具有不同特征的像元进行分类。
分类是指根据一定的规则将遥感图像中的像元分为不同的类别。
常用的分类算法包括最大似然分类、支持向量机等。
这些算法通过对已知类别的样本进行训练,建立了分类模型,然后利用该模型对未知样本进行分类。
分类的结果可以表示为一个分类图像,其中每个像元都被标记为相应的类别。
五、后处理分类算法得到的分类图像通常存在一定的误差。
为了减小误差,我们需要进行后处理。
后处理的目标是消除分类图像中的小孔洞、小区域以及边界上的噪声。
- 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)。
1遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物理基础。
目前影像都是基于数字,影像信息的提取方法的发展历程可分为如图1所示,目前这四类方法共存。
图1 影像信息提取发展阶段非监督分类步骤监督分类步骤2三大分类方法的对比利用传统的遥感影像分类方法, 如监督分类或非监督分类, 易造成分类精度降低, 空间数据大量冗余以及资源的浪费,面向对象的分类方法正是为了处理这些问题而出现, 面向对象的分类方法是一种智能化的自动影像分析方法,它的分析单元不再是单个像素,而是由若干个像素组成的像素群,即目标对象。
面向对象的方法利用遥感影像结构信息和光谱信息, 并建立这些特征之间的层次关系的基础上, 对影像进行分类。
面向对象分类方法的关键在于图像分割, 而图像分割方法多种多样, 如何选择科学合理的图像分割方法十分重要,实验证明多尺度图像分割方法综合了图像的光谱!形状!结构!纹理!相关布局等信息, 是目前较为理想的图像分割方法。
(采用面向对象分类的方法,可使用专业遥感图像分类软件eCognition4.0)3面向对象的分类方法面向对象的技术流程图3Envi_ENVI FX简介全名叫“面向对象空间特征提取模块—Feature Extraction”,基于影像空间以及影像光谱特征,即面向对象,从高分辨率全色或者多光谱数据中提取信息,该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
该模块可以在操作过程中随时预览影像分割效果。
该项技术对于高光谱数据有很好的处理效果,对全色数据一样适用。
对于高分辨率全色数据,这种基于目标的提取方法能更好的提取各种具有特征类型的地物。
一个目标物体是一个关于大小、光谱以及纹理(亮度、颜色等)的感兴趣区域。
应用于:1】从影像中尤其是大幅影像中查找和提取特征2】添加新的矢量层到地理数据库3】输出用于分析的分类影像4】替代手工数字化过程ENVI FX的操作可分为两个部分:发现对象(Find Object)和特征提取(Extract features),如图所示FX操作流程示意图(红色字体为可选项)具体实现步骤:1)准备工作:有选择的对数据做一些预处理工作空间分辨率的调整-如果您的数据空间分辨率非常高,覆盖范围非常大,而提取的特征地物面积较大(如云、大片林地等)。
可以降低分辨率,提供精度和运算速度。
可利用ENVI主界面->Basic Tool->Resize Data工具实现。
光谱分辨率的调整-如果您处理的是高光谱数据,可以将不用的波段除去。
可利用ENVI主界面->Basic Tool->layer stacking工具实现。
多源数据组合-当您有其他辅助数据时候,可以将这些数据和待处理数据组合成新的多波段数据文件,这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。
当计算对象属性时候,会生成这些辅助数据的属性信息,可以提高信息提取精度。
可利用ENVI主界面->Basic Tool->layer stacking工具实现。
空间滤波-如果您的数据包含一些噪声,可以选择ENVI的滤波功能做一些预处理2)发现对象:(一)打开数据:在ENVI Zoom中打开Processing > Feature Extraction。
如下图所示,Base Image 必须要选择,辅助数据(Ancillary Data)和掩膜文件(Mask File)是可选。
这里选择ENVI自带数据envidata\feature_extraction \ qb_colorado,它是0.6米的快鸟数据(二)影像分割:FX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。
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。
图影像分割阈值设定调整滑块阀值对影像进行分割,这里设定阈值为30,点击Next按钮,这时候FX生成一个Region Means 影像自动加载图层列表中,并在窗口中显示,它是分割后的结果,每一块被填充上该块影像的平均光谱值。
接着进行下一步操作。
注:按钮是用来选择分割波段的,默认为Base Image所有波段(三)合并分块: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。
FX利用了 Full Lambda-Schedule算法。
这一步是可选项,如果不需要可以直接跳过。
设定一定阈值,点Next进入下一步。
(四)分块精炼:FX提供了一种阈值法(Thresholding)进一步精炼分块的方法。
对于具有高对比度背景的特征非常有效(例如,明亮的飞机对黑暗的停机坪)。
可以将精炼结果生成掩膜图层(Mask),按钮可以修改基于哪个波段。
这里我们就直接选择No Thresholding(default),点击Next进入下一步操作。
(五)计算对象属性:计算4个类别的属性:光谱、空间、纹理、自定义(颜色空间和波段比)。
其中“颜色空间”选择三个RGB波段转换为HSI颜色空间,“波段比”选择两个波段用于计算波段比(常用红色和近红外波段)。
各个属性的详细描述参考ENVI/IDL提供的Feature_Extraction_Module.pdf文档。
这里我们按照默认全选择,Color Space 选择RGB,Band Ratio选择红色和近红外波段,点击Next按钮进行下一步操作。
目前,已经完成了发现对象的操作过程,接下来是特征的提取。
3)特征提取:有三种特征提取方法供选择,分别是监督分类、规则分类和直接矢量输出。
图a特征提取方法选择(一)输出矢量:选择Export Vectors,进入下图界面,选择保存路径,属性信息也可选择输出。
输出完成会出来一个报表。
不关闭FX浮动面板,在ENVI Zoom中将得到的矢量特征加载显示。
点击Previous 按钮,回到图a界面。
(二)监督分类: 在图a界面中选择Classify by selection examples,图b选择样本:在ENVI Zoom中,切换到Select方式,双击Feature_1,打开一个类别的属性,如下图所示,修改显示颜色、名称等信息。
在分割图上选择一些样本,为了方便样本的选择,可以在ENVI Zoom的图层管理中将原图移到最上层,选择一定数量的样本,如果错选样本,可以在这个样本上点击左键删除。
一个类别的样本选择完成之后,新增类别,用同样的方法修改类别属性和选择样本。
在选择样本的过程中,可以随时预览结果。
可以把样本保存为xml文件以备下次使用。
设置样本属性:在图b中,切换到Attributes选项。
默认是所有的属性都被选择,可以根据提取的实际地物特性选择一定的属性。
这里我们按照默认全部选择。
选择分类方法:在图b中,切换到Algorithm选项。
FX提供了两种分类方法:K邻近法(K Nearest Neighbor)和支持向量机(Support Vector Machine ,SVM),如下图所示这里我们选择K邻近法,K参数设置为5,点击下一步,输出结果。
输出结果:特征提取结果可以以两种格式输出,矢量和图像。
矢量可以是所有分类以单个文件输出或者每一个类别分别输出;图像可以把分类结果和规则结果分布输出。
这里我们选择单个文件以及属性数据一块输出,分类图像和规则图像一块输出。
点击Next按钮完成输出,同时可以看到整个操作的参数和结果统计报表。
分类结果和统计报表(三)规则分类:在图a界面中选择Classify by creating rules,点击Next,到图c规则分类界面。
每一个分类有若干个规则(Rule)组成,每一个规则有若干个属性表达式来描述。
规则与规则直接是与的关系,属性表达式之间是并的关系。
同一类地物可以由不同规则来描述,比如水体,水体可以是人工池塘、湖泊、河流,也可以是自然湖泊、河流等,描述规则就不一样,需要多条规则来描述。
每条规则又有若干个属性来描述,如下是对水的一个描述:面积大于500像素延长线小于0.5 NDVI小于0.3对道路的描述:延长线大于0.9 紧密度小于0.3 标准差小于20图c这里以提取居住房屋为例来说明规则分类的操作过程。
首先分析影像中容易跟居住房屋错分的地物有:道路、森林、草地以及房屋旁边的水泥地。
双击Feature_1图标,修改好类别的相应属性。
1)第一条属性描述,划分植被覆盖和非覆盖区,双击rule ,打开对象属性选择面板,如图所示。
选择Customized->bandratio。
FX会根据选择的波段情况技术波段比值,比如这里在属性计算步骤中选择的Ratio Band是红色和近红外波段,所以此时计算的是NDVI。
把Show Attribute Image勾上,可以看到计算的结果,通过ENVI Zoom工具查看各个分割块对应的值。
点击Next按钮,或者双击bandratio,进入bandratio属性设置对话框,如图所示通过拖动滑条或者手动输入确定阈值。
Fuzzy Tolerance是设置模糊分类阈值,值越大,其他分割块归属这一类的可能性就越大。
归类函数有线性和S-type两种。
这里设置模糊分类阈值为默认的5,归属类别为S-type,值的范围为0~0.3,勾选Show Rule Confidence Image可以预览规则图像。
点击Ok完成此条属性描述。
2)第二条属性描述,去除道路影响,居住房屋和道路的最大区别是房屋是近似矩形,我们可以设置Rect_fit属性。
点击按钮或者双击rule ,选择Spatial->rect_fit。
设置值的范围是0.5~1,其他参数为默认值。
同样的方法设置Spatial->Area: Fuzzy Tolerance=0,90<Area<1100,Spatial->elongation(延长): elongation<3。
3)第三条属性描述,去除水泥地影响,水泥地反射率比较高,居住房屋反射率较低,所以我们可以设置波段的象元值。
Spectral->avgband_2: avgband_2<50。
最终的rule1规则和预览图如图所示居住房屋规则与效果图类似的思路可以提取道路、林地、草地等分类,这里就不一一例举。
最终结果的输出方式和监督分类一样。