遥感图像计算机分类

实验六遥感图像计算机分类一、 实验目的通过实验，掌握利用ENVI软件进行遥感图像进行有监督分类的方法和操作流程,从而加深对有监督分类本质及方法的理解。

了解监督分类与非监督分类的区别。

二、 实验内容利用TM5多光谱图像can_tmr.img数据完成定义训练样本、执行监督分类、评价分类结果和分类后处理四个过程。

三、 实验数据1.can_tmr.img TM5多光谱图像2.can_tm-验证.roi 验证ROI四、 实验操作原理及步骤遥感图像通过亮度值或像元值的高低差异（反应地物的光谱）及空间变化（反应了地物的空间信息）来表示不同地物的差异。

这是区分不同图像的物理基础。

遥感图像分类就是利用计算机通过对遥感图像中各地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获取遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。

一般分为监督分类与非监督分类，后期将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。

1．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过程。

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图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，同时用这些子类别对判决函数进行训练，使其符合于对各种子类别分类的要求；随后用训练好的判决函数去对其他待分类数据进行分类，使每个像元和训练样本作比较，按不同的规则将其划分到与其最相似的样本类，以完成对整个图像的分类。

在ENVI的Classification下拉菜单提供访问 ENVI 的监督分类和非监督分类。

工具也提供了收集终端单元、对以前 RULE 图像的分类、计算分级统计信息、计算混淆矩阵、成块或筛选分类、合成分类、对灰阶图像的叠置分类以对矢量层的输出分类。

监督技术将 Endmember Collection 工具用于输入训练分类波谱，或将 ENVI 的感兴趣区(ROI) 选择工具用于交互式定义训练分类。

感兴趣区选择程序允许从若干不规则多边形、矢量或单个像元中提取训练统计信息。

结合Landsat 5 TM数据介绍分类过程。

1）定义训练样本ENVI中是利用ROI Tool来定义训练样本的。

打开TM影像，用5、4、3波段合成RGB显示在Display中。

这里显示的5、4、3、波段是模拟真彩色图像（色彩饱和，有利于目视解译）。

通过分析图像，定义6类地物样本为林地、草地、耕地、裸地、沙地和水体。

选取训练样本是监督分类的重要步骤之一，这里主要靠训练者的目视解译能力（经验），结合散点图以及野外调查（可以通过林相图判定地类选取）等方法，选定感兴趣区域（ROI）。

以直接从彩色图像上获取ROI示例，在主图像窗口中，选择Overlay→Region of Interest，打开ROI Tool对话框；在ROI Tool对话框中，在ROI Name字段中输入样本名称（记住回车确认），在Color字段中单击右键选择一种适当的颜色；选择ROI_Type为Polygon，在window中选择Image（因为Image窗口大小、分辨率适中，也可以选择其他窗口进行选择），在主图像中绘制多边形感兴趣区；在ROI Tool对话框中，单击New Region 按钮可以新建一个训练样本种类，重复以上步骤，得到图1结果。

这一步比较关键，直接影响后面的精度评价，所以要根据图像纹理、色彩等判断地物。

图 1 定义训练样本当然，也可以从散点图中获取，这要对影像图各波段特性比较熟悉。

这里就不详细介绍。

完成训练样本选取后，评价训练样本。

在ROI Tools对话框中，选择Options→Compute ROI Separability；在文件选择对话框中选址TM图像文件，单击OK按钮；在ROI Separability Calculation对话框中，单击Select All Items按钮，单击OK，计算出分离性（如图2）。

评价说明：ENVI为每个感兴趣区组合计算，根据最下面的可分离性大小，从小到大列出了感兴趣区组合（0~2），大于1.9说明样本之间的可分离性较好，属于合格样本，小于1.8，需要重新选择样本；小于1的基本可以考虑合并类别。

最后在ROI Tools对话框的File菜单下选择保存。

图 2 训练样本可分离性计算报表2）执行监督分类用下面程序实现ENVI的监督分类技术（包括平行六面体、最短距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法）：①用Endmember Collection对话框，或感兴趣区定义训练分类器。

②选择Classification > Supervised > 需要的分类方法，或从Endmember Collection 对话框中对分类初始化。

③出现Classification Input File对话框时，执行标准 ENVI 文件选择程序，选择文件、子集和/或掩模。

这里就不继续说这些分类方法的优缺点了，大家可以通过实验的方法对比分类结果，在与课堂中所讲的定义比较。

这里Maximum Likelihood (最大似然分类)为例。

最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。

除非选择一个可能性阈值，所有像元都将参与分类。

每一个像元被归到可能性最大的那一类里。

从Classification菜单中选择Classification→Supervised→Maximum Likelihood；出现Classification Input File对话框时，进行标准文件选择，或任何一个子集，和掩模。

选择一个输入文件以后，出现Maximum Likelihood Parameters 对话框，如图3。

在Select Class from Regions中单击Select All Items，选择全部训练样本。

输入一般的分类参数（分类参数对话框中列出的那些）。

若需要，在 Probability Threshold” 文本框里，键入一个阈值（0~1）。

该选项参数被用来控制像元准确分类的可能性。

如果像元的可能性低于所有类的阈值，则它被归为“无类别”。

在Data Scale Factor中，输入一个数据比例系数。

这个比例系数是一个比值系数，用于将整型反射率或辐射率转化为浮点型数据。

对于没有定标的整型数据，即原始DN值，将比例系数设为2n-1（n为比特率），所以这里输入255。

点击“OK”开始执行分类。

分类结果如图4。

图 3 最大似然分类器参数设置对话框图 4 最大似然分类结果3）分类后处理对于上一步分类得到的结果，很难达到我们所要的要求。

所以，对获取的分类结果需要再进行一些后处理。

常用的后处理包括更改分类颜色、分类统计分析、小斑点处理、栅格转换等。

以林业应用为例，在影像分类时，很多人往往对ROI颜色选取不够重视，从而最后图像分类颜色不够明显，不能充分反映地物。

这就需要最后重新定义制图的颜色。

在ENVI主菜单中选择Classification→Post Classification→Assign Class Colors，这一命令可以实现根据Display窗口自动定义颜色。

但是往往也不能满足用户要求，所以一般以手动方式选择。

打开分类结果并显示在主窗口中，在主窗口图像中选择Tools→Color Mapping→Class Color Mapping，打开如下对话框（图5），先选择需要修改的类别，再对应的修改其名称、颜色，这里修改颜色的时可以选择RGB、HLS、HSV三种颜色系统来修改。

最后在File 菜单保存更改。

图 5 更改分类颜色对话框对于分类图中产生的小面积图斑，而这些小图斑无论是从制图角度还是实际角度都是必须消除的，在ENVI中提供了Majority/Minority分析、聚类分析（Clump）和过滤分析（Sieve）几种方法来解决这一问题。

这里还是以我们林业为例，通常我们采用聚类分析的方法，将被选得分类用一个扩大操作合并到一起，然后用参数对话框中指定的大小变换核对分类图像进行侵蚀操作。

在ENVI主菜单中选择Classification→Post Classification→Clump Classes，在Classification Input File对话框中选择一个分类图像，单击OK按钮，打开属性对话框（图6），选择分类类别、输入形态学算子大小、选择输出路径等。

单击OK执行操作。

图 6 聚类分析属性对话框除了以上两种后处理操作外，还有分类叠加（Overlay Classes）、分类统计（Class Statistics）、和图像转矢量等后处理方法。

其操作都与上面类似。

4）评价分类结果对于前面做出的监督分类的图，我们不但要从表面上做处理，还要定量的从本质上做分类结果评价。

ENVI中提供了分类结果叠加、混淆矩阵（Confusion Matrices）、和ROC 曲线三种方法。

我们通常用混淆矩阵来反应分类的精度。

而ENVI可以利用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。

这里我们提供了已知反映真实地物的ROI文件（一般通过高分辨图像获取，通过目视解译方法）。

在分类之前，先了解一些概念。

① 总体分类精度：等于被正确分类的像元总和除以总像元数。

被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所以真实参考源的像元总数。

② Kappa 系数：通过把所有真实参考的像元总数N 乘以混淆矩阵对角线xkk 的和，减去某一类中真实参考像元数与该类中被分类像元总数之积后，再除以像元总数的平方减去某一类中真实参考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。

Kappa 计算公式为：∑∑∑∑∑∑∑−−=xx k xx k k k N k k N K 2x k ③ 用户精度：被正确分到A 类的像元总数与分类器将整个图像的像元分为A 类的像元总数（混淆矩阵中A 类列的总和）的比。

在主菜单中选择Basic →Region of Interest →Restore Saved ROI File ，打开验证感兴趣区文件can_tm-验证.roi 。

由于这个验证ROI 是在不同大小的图像上定义的，所以需要与分类结果文件匹配。

在主菜单中选择Basic →Region of Interest →Reconcile ROIs ，弹出参数对话框，如图7。

选择所有相应感兴趣区，输入行和列（为了与分类图像对应一致），这一步可以单击下面的Set Values from Sourse/Destination Files ，自动匹配分类图大小。