Landsat8 OLI分类

前两天一直在准备考试，很忙很忙，不过还好，上午团队以第三名的成绩进入了下个星期的决赛，看来又要奋战好几天了。

前天晚上一个朋友在淘宝里下了一个订单，千年没有订单的铺子决然有人光顾了。其实，开淘宝店完全是为了兴趣。这位朋友要的比较急，又赶上我准备考试，所以做的东西肯定有很多不足，在这里希望这位朋友见谅，如果看到的话。

下面我就总结一下成果。

其实影像分类这件事，是非常非常有意义的，它不仅让我们对卫星影像的数据结构有很深刻地了解，还能是我们真正去了解地面上的东西，并且深刻到地物的面积。现在很多分类方法都已经成熟，各种先进的软件技术也以功能模块的方式呈现给了大家，而监督分类和无监督分类是最传统最基本的方法，且现在的先进方法都是以这两种分类方法作为理论基础的。

下面就利用这两种分类方法做一个哈尔滨城区的土地利用类型分类。

在开始之前，我想说一下关于分类精度的事情，很多软件如erdas，envi等等在分类后，都会给出一个分类精度，类似于txt文件，而且很多精度均达到了0.8以上，但其实任何自动化（手工作为基础手段的分类方法除外）分类方法的分类结果精度是不可能超过0.8的，那么有人就有疑惑，那软件给出的分类精度为什么很高呢？其实，软件的分类精度是基于样本选择的，当影像根据样本进行分类以后，软件会根据分类结果对样本进行一个反馈，这个反馈结果跟样本进行对比，以得出分类精度，显然，有一种“自欺欺人”的成分在里面，形象地说，就是一个种苹果树的人，当苹果熟了，就在所有苹果中跳出又大又甜的苹果，然后跟别人说，我种的苹果又大又甜，种苹果树的技术多么高超，但没人知道是，你给别人看的苹果到底在你种的所有苹果中的比例是多少。

那么应该如何计算分类精度呢？最好的办法就是实地验证，到实地去亲自考察，而且要选很多很多样点。在下面的分类实验中，我只选了100个样点，且样点的地类是根据google earth影像确定的，难免有不准，所以，还是有待改进的。

好了，言归正传。下面开始介绍整个过程。

第一步：研究区、数据选取及分类标准

研究区选取：

在影像处理当中（影像分类也是影像处理的一种），凡是和光谱值有关的，切忌拼接镶嵌，因为不同影像的太阳光照强度、卫星系统偏差等等都是不一样的，所有不同幅的影像中，同一地物的光谱值是不同的，而监督分类和无监督分类是基于光谱的。所以，为了避免这种情况，只选择一幅影像。

道外区、道里区和香坊区内部的居住用地占比较大，外部农田占比较大，因此选取居住用地占比最大的城区（省道内部）。

选取研究区

研究区边界

数据选取：一般情况下，选择夏季，云量较少的影像。看了一下哈尔滨的气候特征，7-8月为夏季，所以6-10月的无云影像都是可以的。

百度百科中的哈尔滨气候

地理空间数据云中的影像选择

分类标准及相应代码：

看了一下研究区的地物，大致分为以下四类：

河流、湿地1；

建筑用地2；

植被（耕地、林地）3；

裸地4；

第二步：影像预处理

这次选用的软件是ArcGIS 10.3。

首先进行波段合成，OLI影像的参数就不多介绍了，合成1-7、9-11波段，分辨率30m，合成以后，8波段为原始数据的9波段，依次类推。

波段合成

利用研究区边界裁剪上述波段合成影像和全色影像融合（8波段）。（先裁剪的目的是为了减少运行成本）

30m影像裁剪

30m影像裁剪

利用ArcGIS中的分辨率融合工具对30m分辨率的影像和15m全色影像融合（8波段）进行融合。在这里说明一下，ArcGIS中的分辨率融合工具不同于erdas，后者会将全色波段与多光谱波段的所有波段进行融合，而前者必须选择出4个或3个波段进行融合。经过不同波段组合的查看，明细，5、4、3波段更有利于此次分类。所以，在这里只选择5、4、3波段进行融合。

分辨率融合

融合后的影像和融合前的影像进行对比，明显看出来，细节提高了很多。

第三步：监督分类和无监督分类

1监督分类：

ArcGIS中的样本选择工具可以用多边形、矩形、圆形等方式来勾画感兴趣区，不得不说，软件的细节做的很到位。这里就用圆形吧。

建筑用地选取50个样地，2206个像元。

河流、湿地选取50个样地，1450个像元。

植被（耕地、林地）选取50个样地，3007个像元。

裸地选取50个样地，143个像元。

特征文件如下：

分类结果：

监督分类的本质方法是最大似然法。也就是根据样本计算出相应的光谱值范围，然后凡是属于这个范围的像元，就会划为这一类。

监督分类参数设置

2无监督分类

无监督分类参数设置

分类结果确认：

重分类：

重分类参数设置

分类结果：

第四步：验证

验证底图用google earth影像

小比例尺

大比例尺

生成随机点100个。

在省道内部生成100个随机点

验证点分布

新建类型字段，根据google earth影像附上地类代码，并根据无监督分类结果和监督分类结果提取像元值到属性

像元值提取到点参数设置

属性表

导出属性表，对比分类结果和实际地类

对比结果

分类精度：

无监督分类，匹配结果是66个验证点，概率为0.66。

监督分类，匹配结果是56个验证点，概率为0.56。

心得体会：

我觉得，无论是监督分类，还是非监督分类，亦或是其他分类方法，都是根据光谱值、地物纹理、阴影等去解译影像。很多时候，我们去解译影像时，总是为选择哪种方法烦恼，但其实方法只是手段，有时候甚至都不用分类方法，直接矢量化就可以了，当然前提是数据量很小。影像能不能分类出我们想要的地物，以及该选择哪一种方法作为手段，只要先做到一件事就可以解决这些问题，那就是通过各种预处理，例如波段组合、影像融合、影像锐化等等，然后能让我们用自己的眼睛去看到地物，记住，只要你的眼睛能看出来它，那么它就一定能分出来，如果自己都看不出来它，无论是哪种方法，都不可能得出你想要的结果。