图像分类.docx

页眉内容 2图像分类的实现指导 1、遥感图像计算机分类的理论依据： 遥感图像中的同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光 谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像 元的特征向量将集群在同一特征空间区域； 而不同的地物其光谱信息特征或空间信息特 征将不同，集群在不同的特征空间区域。 2、传统的分类方法： 在遥感图像分类中，按照是否有已知训练样本的分类依据， 分类方法又分为两大类： 监督分类与非监督分类。 遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本， 通过选择特 征变量、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个 给定类的分类。 遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身的 统计特征及自然点群的分布情况来划分地物类别的分类处理， 事后再对已分出的各类的 地物属性进行确认，也称作“边学习边分类法”。 两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的 统计特征来决定。 3、影响遥感影像分类精度的因素： 遥感图像计算机自动分类在遥感数字图像处理技术中占有非常重要的地位， 由于计 算机分类的精度和可靠性除了与分类方法本身的优劣有关外，还取决于一些其它的因 素： 训练场地和训练样本的选择问题 地形因素的影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题 图像分类的后期处理问题 4、ENVI软件提供的监督分类的分类器 图像分类的关键问题之一是选择适当的分类规则（或分类器），通过分类器把图像 数据划分为尽可能符合实际情况的不同类别。 根据分类的复杂度、精度需求等选择一种分类器。在主菜单 ->Classfication-> Supervised->分类器类型（如表 1）,此外还包括应用于高光谱数据的波谱角（ Spectral Angle Mapper Classification ）、光谱信 息散度（Spectral Information Divergence Classification ）和二进制编码（ Binary Encoding Classification ）分类方法。 表1六种监督分类器说明 分类器 说明 平行六面体 根据训练样本的亮度值形成一个 n维的平  P Parallelpiped ) 行六面体数据空间，其他像兀的光谱值如果落 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(Minimum Distance) 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 (Mahalanobis Distance) 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相似度的 方法)，最终统计马氏距离最小的，即为此类 另 最大似然 (Likelihood Classification ) 假设每一个波段的每一类统计都呈正态分 布，计算给定像兀1言十杲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 (Neural Net Classification ) 指用计算机模拟人脑的结构，用许多小的 处理单元模拟生物的神经元，用算法实现人脑 的识别、记忆、思考过程应用于图像分类。 支持向量机(Support Vector Machine Classification ) 支持向量机分类(SVM )『种建立在统 U 学习理论(Statistical Learning Theory 或 SLT) 基础上的机器学习方法。SVM可以自动寻找那 些对分类有较大区分能力的支持向量，由此构 造出分类器，可以将类与类之间的间隔最大化， 因而有较好的推1性和较图的分类准确率。 选择不同的分类器器需要设置的参数不一样 5、监督分类的一般步骤 监督分类一般分为以下几步：选择训练样本、评价训练样本、进行监督分类、精度 评价和分类后处理等五步。 5.1 选择训练样本 (1)选取的训练样本要有代表性：应选择光谱特征比较均一的区域(避免混合像 元) (2)选取训练样本的数目：要能满足建立分类用判别函数的要求，对于光谱特征 变化较大的地物，训练样本的数目要更多一些，以反映其变化范围。 (3)选取训练样本要考虑空间变化的影响：要考虑到每一种地物类型随空间变化 发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。 在遥感图像中，地形因素不仅会造成几何畸变，而且还会影响其亮度值。如同类地 物由于所处山坡位置的不同，其阴坡和阳坡的光谱特性就有很大的差异，即同物异谱； 如不同的地物由于地形的影响而具有相同的光谱特性，即同谱异物。可以利用图像增强 的多波段图像的比值处理来减弱地形的影响，但其比值图像并不能彻底消除地形的影 响，而且当地形起伏太大时比值处理受到限制。 解决这类由于地形因素造成的“同物异谱”和“同谱异物”现象的一种有效的方 法是采用“同类多组法”来选取训练样本，即同类地物根据光谱特征的不同，可以选取 一组以上训练样本，并规定类与组的明确概念。 在对图像进行分类时， 应首先进行分组， 然后再根据所属的类别进行合并。 (1)外业调查 (2)高分影像 (3)已有的分类成果图 (1)打开ROI工具(说明：ENVI软件基本上都有多种方式可以实现同一目的， 但我们仅列出其中的一种， 比如打开ROI工具共有4种方式，这个说明的目的是让大家 不要局限于我讲的方式)。鼠标右键单击主图像窗口( ENVI软件有三个图像窗口，分 别是主图像窗口，滚动窗口和放大窗口)，选中 ROI工具，然后打开定义 ROI的窗口 (2)定义ROI (介绍两种方式) (a)根据波段阈值定义 ROI (想定义某个范围内的像元作为 ROI,即可用这种方式) (b)在图像上选择 ROI ( 后面的具体操作课堂讲授 5.2 评价训练样本 将样本显示在 N维特征空间的散百百7： ROI Tool->File->Export ROIs to n-D Visulizer,建议显示在主成分特征空间。 ROI Separability )工具计算任意类别间的统计距离来衡量训练样本 (ROI)的可分离性。 选才O Options —Compute ROI Separability进行训练样本可分离性计算，可分性度量有两 种：Jeffries-Matusita-JM 距离，Transformed Divergence-离散度 在Select Input File for Separability窗口中选择计算训练可分离性的图像文件 计算可分离性 根据可分离性值的大小， 从小到大列出感兴趣区组合。 这两个参数值为0~2.0,大于1.9 说明样本之间可分离性好，属于合格样本；小于 1.8,需要重选择样本；小于 1,考虑将 两类样本合成一类样本。 5.3 选择分类器进行监督分类 (1) 在主菜单中，选择 Classification->Supervised-> Likelihood Classification ,在文件输入 对话框中选择待分类影像。 3页脚内容 单击OK按钮打开Likelihood Classification参数设置面板 Data Scale Factor：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 射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围 0-10000之间，则设定 的比例系数就为10000。对于没有定标的整型数据， 也就是原始DN值，将比例系数设为2n-1, n为数据的比特数，例如：对于 8-bit数据，设定的比例系数为 255,对于10-bit数据，设定 的比例系数为1023,对于11-bit数据，设定的比例系数为 2047。 单击OK按钮执行分类。 (1)在主菜单中，选择 Classfication->Supervised-> Minimum Distance ,在文件输入对话框 中选择待分类影像，单击 OK按钮打开Minimum Distance参数设置面板 (2) SelectClasses from Regions：单击 Select All Items 按钮，选择全部的训练样本。 (3) Set Max stdev from Mean :设置标准差阈值，有三种类型： None ：不设置标准差阈值； Single Value:为所有类别设置一个标准差阈值； Multiple Values :分别为每一个类别设置一个标准差阈值。 选择None。 (4) Set Max Distance Error：设置最大距离误差，以 DN值方式输入一个值，距离大于该值 的像元不被分入该类(如果不满足所有类别的最大距离误差，它们就不会被归为未分类类 (unclassified))。也有三种类型，这里选择 None。 (5)单击Preview,可以在右边窗口中预览分类结果， 单击Change View可以改变预览区域。 (6)选择分类结果的输出路径及文件名。 (7)设置Out Rule Images为No ,不输出规则图像。 (8)单击OK按钮执行分类。 (1)在主菜单中，选择 Classification->Supervised-> Mahalanobis Distance ,在文件输入对话 框中选择待分类影像。单击 OK按钮打开 Mahalanobis Distance参数设置面板 (5) SelectClasses from Regions：单击 Select All Items 按钮，选择全部的训练样本。 (6) Set Max Distance Error ：设置最大距离误差，以 DN值方式输入一个值，距离大于该值 的像元不被分入该类(如果不满足所有类别的最大距离误差，它们就不会被归为未分类类 (unclassified)) o也有三种类型，这里选择 None。 (4)单击Preview,可以在右边窗口中预览分类结果， 单击Change View可以改变预览区域。 (5)选择分类结果的输出路径及文件名。 (6)设置Out Rule Images为No ,不输出规则图像。 4页脚内容 页眉内容 （ 7 ）单击 OK 按钮执行分类。 5.4分类精度评价（混淆矩阵） 执行监督分类后，需要对分类结果进行评价， ENVI 提供了了分类结果叠加，混淆矩阵 （ confusion Matrices ）和 ROC 曲线（ ROC Curves ） 仅介绍混淆矩阵，其它方法参与 ENVI 使用说明 使用 confusion matrices 工具可以把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） 。 使用地表真实感兴趣区域计算混淆矩阵 （ 1）生成用于精度验证的 ROI 使用地表真实感兴趣区之前，需要准备反映地表真实地物信息的 ROI 文件。可以在高分辨 率图像上， 通过目视解译获取各个分类的地表真实感兴趣区， 也可以通过野外实地调查， 根 据调查数据生成地表真实感兴趣区。 说明：用于监督分类的训练样本和用于精度验证的训练样本一定不能是相同的训练样本。 建立混淆矩阵 1 选择 Classification f PCaS sification f ConfuSMatrix f UsingGround Truth /Image 或/ROIs ; 2°在 Classification Input File 中选择分类后的图像 3 °在Match Classes Parameters选择相匹配的类型 在 Select Ground Truth ROI 中选择地面真实的感兴趣区， 在 Select Classification Image 中选 择与真实的感兴趣相匹配的分类。点击 Add Combination 按钮将真实的感兴趣区与分类结 构相匹配。 如果地面真实感兴趣区中的类别与分类图像中的类别名称相同， 它们将自动匹配。 4°在 Confusion Matrix Parameters 中设置混淆矩阵参数 选择像素（ pixels ）和百分比（ percent） 5°点击 OK 执行显示混淆矩阵中的记录以及相关的统计（可以输出为 txt 文件） 在输出的混淆矩阵报表中包含了：总体分类精度、 Kappa 系数、错分误差、漏分误差、制图 精度以及用户精度。 Overall Accuracy： 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。总像元数等于所有真实参考源的像元数。 Kappa Coefficient： 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后， 再除以像元总数的平方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得到的。 式中： N —— 样本总数 m—— 混淆矩阵中的行数 pii —— 位于第 i 行第 i 列的样本数量 pi + ——第i行的样本总数量 p+i——第i列的样本总数量 总体精度只考虑了对角线上的像元数而忽视了非对角线上的数据，而 Kappa系数则既考虑 了对角线上被正确分类的像元， 也考虑了不在对角线上各种漏分和错分误差， 因此这两个指 标往往并不一致。 错分误差（commission： 指被分为用户感兴趣的类（行）而实际属于另一类的像元数（ ％） 漏分误差（omission）: 指本身属于地表真实分类（列），但没有被分类器分到相应类别中的像元数（ ％） 制图精度（prod.Acc.）：分类器将整个图像的象元正确分为 A类的像元数（对角线值）与 A类真实参考总数（混淆矩阵中 A类列的总和）的比（％）。 用户精度（User Acc.）:指正确分类到 A类的像元总数（对角线值）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类行的总和）的比（％） 5.5分类后处理 以上分类方法得到的是初步结果， 一般难以达到最终的应用目的， 所以对获取的分类结果需 要做进一步的处理，才能得到最终理想的分类结果，这些处理过程通常称为分类后处理。 常用的分类后处理包括类别的合并（不是必须） 、更改分类颜色、分类统计分析、小斑点处 理、栅矢转换等操作 Classification>post classification>combine classes 打开类别合并参数设置对话框 页眉内容 选才i yes将空白类移出 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类 中，定义一个变换核尺寸，用变换核中占主要地位 （像元素最多）的像元类别代替中心像元 的类别。如果使用次要分析（ Minority Analysis ）,将用变换核中占次要地位的像元的类别 代替中心像元的类别。 在主菜单中，选择 Classification->Post Classification->Majority/Minority Analysis 。在打 开的文件选择对话框中，选择分类图像。打开 Majority/Minority Parameters 对话框，下面填 写 Majority/Minority Parameters 对话框中的参数。 （1）选择分类类别（Select Classes）:单击Select All Items按钮，选择所有类别。 （2）选择分析方法（Analysis Method ） : Majority。 （3）选择变换核（Kernel Size） : 5x5。必须是奇数且不必为正方形，变换核越大，分 类图像越平滑。 （4）中心像元权重（Center Pixel Weight ） : 1。在判定在变换核中哪个类别占主体地 位时，中心像元权重用于设定中心像元类别将被计算多少次。例如：如果输入的 权重为1,系统仅计算1次中心像元类别；如果输入 5,系统将计算5次中心像元 类别。 （5）选择输出路径及文件名，单击 OK执行majority和minority分析。 三种分类器的分类结果及其分类后平滑处理总体精度对比 6制图输出 图形的整饰 1. 图面大小（边界）设置 Image: overlay>>annotation 出现 Annotation 对话框---Option>>Set Display Border ---出现‘Display Border'对话框， 输入左（80）、右（180）、上（150）、下（120）的图像边框宽度，设置边框颜色（白） ---'OK',滚动窗口（ Scroll）出现带白色边框的图。 2 .经纬网格线Image: overlay>>Grid lines （经纬网和像元网），若图像没有被配准到地图坐 标，将不会显示出经纬网。 可以通过：Grid Line Parameters:Options>>…来设置网格线的 属性及图像边界。 3 .注记Image: overlay>>annotation（标题；图例；比例尺；南北指针） （1） 添加注记：Image: overlay>>annotation 。注记可以被放置在主图像窗口、滚动窗口 或缩放窗口。通过从各自的 Options菜单中选择 Annotation ,每种图表，包括 X、 Y、Z剖面图或表面图，可以被注记。当出现#n Annotation对话框时（其中 "n"指 正被注记的那个显示），选择 Object > >所需要的注记对象。 文本注记（Text）: Object>>text ,选择注记的属性（如 font、size、color等）, 在文本框中输入待添加文本，用鼠标在图像中点击注记位置，按右键确定。 图例注记（map key） : Object>>map key可以直接将各类的图例加载上去， Image: Tools— color mapping-class color mapping 可进行颜色、名称等编辑。 Object>>Map Key>>Edit Map Key Items 可改变图例顺序：通过利用 Add Item 和 Delete Item来调整顺序。 比例尺注记(Scale Bar) : Object>>Scale bar 偏差图注记(Declination ): Object>>Declination , Declination 选项允许你在图 像上放置一个磁偏角图表。磁偏角图表包括指向真北( True North ,用星号显 示)、坐标北(Grid North , GN)和磁北(Magnetic North , MN)的箭头的任意 组合。 覆盖分类结果： Image:Overlay>>classification 其他注记略 注记的选择或编辑： Object>>Selection/Edit圈定---出现待编辑状态 注：每一种注记添加到图像中后，单击鼠标右键进行确定。 所有注记对象都有一个 小的彩色菱形 handle”，它被用来决定位置。 (2) 保存注记文件： Annotation: File > Save Annotation .出现对话框输出文件名，或点 击“Choose；然后当出现 ENVI文件选择对话框时后，输入一个文件名。 图形输出 1 .分类结果图像输出:Image: File>>Save Image As >>Image File (or Postscript File) ' Output Display'--- Type： Jepg ---输出名 8页脚内容 页眉内容 9 页脚内容 页眉内容 作业 1、绘制不同地表覆盖类型的反射光谱曲线特征； 2、分别使用最小距离、马氏距离、最大似然进行监督分类，使用相同的测试样本进行精度 评价，比较这 3 种分类器的分类精度； 3、分别对三个分类结果进行后处理，并使用相同的测试样本进行精度评价。 4、对分类结果进行制图表示 12 页脚内容