遥感模型实习.docx

遥感模型实习.docx

《遥感模型实习.docx》由会员分享，可在线阅读，更多相关《遥感模型实习.docx（16页珍藏版）》请在冰点文库上搜索。

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Overlay—Vectors…，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VectorWindow#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PanSharpening这个工具。

ENVI4.8主菜单—Spectral—SPEARTools—PanSharpening。

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。

进入下一步。

接下来进行两幅影像的配准，这里选择自动选点，Useseedpoints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MapGISK9软件进行监督分类。

首先打开融合后的影像subm_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，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ENVIEX，打开融合后的影像subm_pansharp.img。

在Workflows中选择FeatureExtraction，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00000

水体399952004399956

植被176229300762294

裸地012524120298427229

居民区85302751389193536205206

总计408483765169245091965241394685

============================================================

表2：

制图精度

============================================================

水体植被裸地居民区

0.981.000.980.98

============================================================

表3：

总体精度指标

============================================================

总体精度=0.99

Kappa系数=0.99

3.3.2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classification—PostClassification—ConfusionMatrix—UsingGroundTruthROIs。

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AddCombination

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ProdAcc，UserAcc

3.4数据结果规范制图，并统计各种地物提取面积数据；