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;
copyright@ 2008-2023 冰点文库 网站版权所有
经营许可证编号:鄂ICP备19020893号-2