遥感模型实习.docx

1、遥感模型实习第一部分：大冶研究区土地使用情况分析第二部分：叶绿素浓度反演建模第三部分：QuickBird数据融合后分类提取实验3.1 影像融合由于数据较大，且影像的下部不太清晰有云雾或霾，因此首先截取两个影像一个相同的部分。用于融合的为多光谱影像wq05may02_m.img和全色影像whdxp.img，分辨率分别为2.4米和0.6米。首先载入多光谱影像wq05may02_m.img，在主影像窗口菜单OverlayVectors，新建一个矢量层，在Scroll窗口画出裁剪区域，将裁剪矢量另存为shapefile文件。再将刚保存的shapefile文件打开，投影设置为默认，和两幅影像的一致。再在

2、Vector Window #x中主菜单，File，输出当前活动层到ROI，在出现的对话框中选择多光谱影像，点击Ok，在出现的对话框中选择第一个，输出所有记录到一个ROI，点击OK。在主影像窗口菜单中载入刚刚输出的ROI用于裁剪，分别裁剪两个文件，分别为subm.img和subpan.img。影像融合这里采用Pan Sharpening这个工具。ENVI4.8主菜单SpectralSPEAR ToolsPan Sharpening。高分辨率选择subpan.img，低分辨率选择subm.img（选择第四波段，因为第四波段方差大，信息量大），输出文件名为subm_pansharp.img。进入下

3、一步。接下来进行两幅影像的配准，这里选择自动选点，Use seed points前面不打勾。进入下一步检查一下配准的误差，将校正多项式次数改为2，并将控制点按照误差大小排序，发现有三个点误差较大，ENVI已经用红色标出，这里把这三个点删除，至此所有的点都变为绿色底可以看到单点误差小于0.5个像素，整体误差小于0.2像素。点击进行配准，之后选择融合方法为Gram-Schmidt，点击进行融合融合完成。下图中，左边为融合后的图像，右边为融合前的图像。3.2完成3种方法分类：3.2.1监督分类（一种，如最大似然法、神经网络、支持向量机等）利用MapGIS K9软件进行监督分类。首先打开融合后的影像s

4、ubm_pansharp.img。点击主菜单的影像分类AOI编辑。点击启动编辑，在出现的影像AOI类列表视图的编辑中新建类，进行AOI编辑。载入的是标准假彩色合成图像，水体一般呈黑色，当然有一些建筑物的顶部和道路也呈现黑色，但水体一般面积较大，形状不规则，受到污染的水体可以从其周边建筑和形状判断但颜色不鲜明。植被由于近红外波段有较高的反射率所以呈现红色，在山区，会出现一些黑色斑点。裸地在图像上呈现灰色。居民区的由建筑物，道路，广场，及基础设施等组成，十分复杂，选样本时要多几个样本，兼顾各种类别。选择样本之后，在影像AOI类列表视图中单击模板进行保存。也要另存为文件。下图为选择的样本，绿色为植被

5、，蓝色为水体，黄色为裸地，灰色为居民区。接下来进行监督分类，这里用最大似然法，主菜单影像分类监督分类最大似然法，设置输入输出文件。下图为最大似然法的分类结果。3.2.2非监督分类（一种，IsoData）3.2.3面向对象分类均要求分别完成至少一种方法的提取；利用ENVI4.8EX软件启动ENVI EX，打开融合后的影像subm_pansharp.img。在Workflows中选择Feature Extraction，进入面向对象特征提取模块，然后进入图像分割，经过预览发现，分割水平为70的时候分割效果较好，点击next然后进入合并，合并水平设置为90.接下来设置阀值。这里设为无阀值（默认）下一

6、步计算属性，按照默认设置，进入下一步设置分类方法或选择直接输出矢量，由于需要分类，这里选择根据样本分类，（第二个利用规则分类）下一步是监督分类，需要选择不同的类别的样本，这里建立四类：植被，水体，裸地和居民区（含各类建筑，道路，及其他基础设施，但不含植被水体）。特征对象的选择可以根据预览分类结果进行修改。点击next进行分类。下一步设置输出的分类结果，分别输出分类矢量和分类影像，并对分类矢量进行平滑处理最后出现特征提取的报告和统计。下图是分类前后的影像，红色为水体，黄色为居民区，绿色为植被，紫色为裸地。3.3精度评价，输出混淆矩阵、总体精度、Kappa系数等；3.3.1最大似然法精度评价遥感影

7、像分类精度评价报告:原始影像文件: F:RS遥感文件应用模型实习数据选题subm_pansharp.img分类影像文件: 表1：误差矩阵= 已分参考 水体 植被 裸地 居民区 总计 未分类 0 0 0 0 0 水体 399952 0 0 4 399956 植被 1 762293 0 0 762294 裸地 0 125 24120 2984 27229 居民区 8530 2751 389 193536 205206 总计 408483 765169 24509 196524 1394685= 表2：制图精度= 水体 植被 裸地 居民区 0.98 1.00 0.98 0.98= 表3：总体精度指标

8、= 总体精度= 0.99 Kappa系数= 0.993.3.2非监督分类精度评价3.3.3面向对象分类精度评价选四类的样本作为真实ROI。打开融合后的影像，对水体，植被，裸地，居民区分别选取一些样本，作为地表真实ROI。ENVI主菜单classificationPost Classification Confusion MatrixUsing Ground Truth ROIs。选择分类文件为面向对象分类的结果。ENVI已经自动为同名的类别匹配，如果名称不一样可以手动Add Combination混淆矩阵输出像元和百分比输出，输出精确地评价选“Yes”混淆矩阵：总体精度为96.8919%，卡帕系数为0.9062.各类别的生产者精度，用户精度见最后一个矩阵Prod Acc，User Acc3.4 数据结果规范制图，并统计各种地物提取面积数据；