遥感影像处理-监督分类

遥感图像分类是图像信息提取的一种方法,是遥感数字图像处理的重要环节,也是遥感应用最广泛的领域之一,其中提取土地利用分类信息也是常见的应用领域。本推文简要介绍了图像分类的原理和方式,并着重介绍了最大似然分类法监督分类在ENVI中的操作流程

1. 遥感图像分类的框架

遥感图像分类主要分为目视解译计算机解译两种,随着计算机信息技术的发展,计算机解译现在正在被广泛应用。计算机解译原理是:以计算机系统为支撑环境,以遥感图像像元值为判断基准,通过构建特征向量空间,根据判别分析聚类分析原理,实现对遥感图像的分类,最终实现遥感信息提取

遥感影像处理-监督分类_第1张图片

计算机分类主要分为监督分类非监督分类两类,他们之间的区别主要在于有没有先验的训练样本作为基础,他们都可以做到对遥感图像进行较高精度的分类,本推文着重介绍的是监督分类法

2. 监督分类流程

遥感影像处理-监督分类_第2张图片

ENVI中提供了影像分类的工作流程,按照流程的要求一步一步来即可,非常简单:

遥感影像处理-监督分类_第3张图片

下面选择使用训练样本选使用代表下一步进行监督分类不使用则为非监督分类的流程

遥感影像处理-监督分类_第4张图片

3. 构建ROI

首先输入图像和掩膜后首先要对大致的类别有一个初步的印象,如耕地、园地、林地。其次就是定义感兴趣区-ROI(Region of Interest),以此作为我们的训练样本。进行训练样本构建时可以参考高分辨率的遥感影像或结合google earth等软件进行划分。

构建训练样本有以下几个注意事项

1.样本区要占总图的10%(就是有颜色的区域占10%)

2.ROI选取要尽可能小、多、精细

3.注意同物异谱的现象,不确定的地物可以先分开选,最后在分类后处理的时候再合并。

最后ROI训练样本可以参考下图:

选取好训练样本后一定要计算样本的可分离性(ROI Separablity

遥感影像处理-监督分类_第5张图片

参数的值为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,需要重新选择样本,小于1,考虑将两类样本合成一类样本

遥感影像处理-监督分类_第6张图片

构建好ROI后在图像分类流程导入即可,分类算法选最大似然法即可

遥感影像处理-监督分类_第7张图片

3.分类后处理

监督分类后的图像不能直接拿来用,需要对其做一些后处理,如分类合并小斑块去除栅格转矢量精度分析操作,这些功能在工具箱-分类后处理工具栏后都可以实现,其中主要讲解精度分析操作。

遥感影像处理-监督分类_第8张图片

进行精度检验需要首先构建地面真实ROI,然后与已有分类进行混淆矩阵分析(Confusion Matrix。构建精度检验的ROI样本需要注意以下几个原则

1.精度检验的ROI样本需要使用高分辨率地表真实遥感影像进行样本重绘

2.检验样本应与训练样本相互独立

需要用到的工具如图:

遥感影像处理-监督分类_第9张图片

分类结果如图,结果为像元百分比混淆矩阵,一般来说要根据总体的分类精度(Overall Accuracykappa系数(Kappa Coefficient来判断分类精度的高低。

遥感影像处理-监督分类_第10张图片

最终得到精度足够的土地利用分类图,后续在GIS中可以做进一步分析,

遥感影像处理-监督分类_第11张图片

本文来源:景观生态与规划研究室

基于ENVI土地利用、植被指数、耕地监测、水质反演、温度反演、干旱监测专题

你可能感兴趣的:(教程,分类,机器学习,人工智能)