实习8监督分类与非监督分类.docx
《实习8监督分类与非监督分类.docx》由会员分享,可在线阅读,更多相关《实习8监督分类与非监督分类.docx(23页珍藏版)》请在冰点文库上搜索。
![实习8监督分类与非监督分类.docx](https://file1.bingdoc.com/fileroot1/2023-6/20/86596342-45c9-4771-a762-32a453bda343/86596342-45c9-4771-a762-32a453bda3431.gif)
实习8监督分类与非监督分类
实习序号及题目
监督分类与非监督分类
实习人姓名
专业班级及编号
任课教师姓名
实习指导教师姓名
实习地点
榆中校区实验楼A209
实习日期时间
2013-12-19
实习目的
理解影像监督分类和非监督分类的原理、方法和步骤,初步掌握土地利用/土地覆盖的计算机自动分类方法
基本原理
1、监督分类:
监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识,进而可利用这些样本类别的特征作为依据建立和训练分类器(亦即建立判别函数),进而完成整幅影像的类型划分,将每个像元归并到相对应的一个类别中去。
也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析,据此建立影像分类判别规则,最后完成整景影像的分类。
监督分类的具体步骤:
确定分类方案:
要求满足互斥性、完备性和层次性要求
特征选取:
选择用于影像分类的最佳波段组合,减少处理数据集的维数(波段数)和分类处理开销
训练样区选取与特征统计:
选择能够代表各种土地覆盖类型的训练样区,并利用训练样区中的像元矢量数据计算各个土地覆盖类型的多元统计参数,如均值、标准差、协方差矩阵、相关系数矩阵等。
类别可分性分析:
根据类型统计参数判别在光谱空间中各个类别之间的距离及其可分性
分类算法选择:
最小距离法、最大似然法、平行多面体法,……
算法实现:
执行分类算法
分类后处理:
去除微小图斑,分类精度评价
2、可分性度量:
在任何两个类别之间的分散度(例如c和d):
这里,tr(A)为矩阵的迹(或迹数),为线性代数中的一个概念,就是矩阵主对角线(从左上方至右下方的对角线)上各个元素的总和。
在存在多个类的情况下,需要在类之间进行两两组合计算分散度,最后计算平均分散度
ENVI使用该度量参数进行判别,其参数值的范围在0~2.0之间。
公式为:
J—M距离和变换分散度,都是一种特征空间距离度量方法,是指影像特征矢量与各个类中心的距离,变换分散度是TDivercd=[1-exp(-Divercd/8)],J—M距离J=2*(1-e-B);
3、最大似然分类法是基于概率论中每个像元存在属于所有类别的概率,假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布,根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率,比较各个类别的概率值,并将像元划归到概率最大的那个类别当中去。
4、分类混淆矩阵(误差矩阵)是指采用随机采样的方法获取一批地面参考验证点的信息作为真值,与遥感分类图进行逐像元比较。
然后将结果归纳到混淆矩阵,进而完成混淆矩阵分析。
其中结果分为类别精度与总精度,其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比,包括生产者精度(制图精度)和用户精度,总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
5、Kappa系数:
判断不同的模型或者分析方法在预测结果上是否具有一致性、模型的结果与实际结果是否具有一致性等
6、非监督分类基于多变量聚类分析(clusteringanalysis)的思想,在没有任何先验知识的情况下,仅依据影像上地物的光谱特征,顺其自然地完成分类。
在分类后处理过程中对已分出各类地物的顺序编码进行重新编码和归并,以满足分类系统的要求。
分类监督的步骤:
●确定分类数
●根据分类数确定各个类别的初始类中心,亦即分类别的均值矢量
●依次计算影像上各个像元特征矢量与各集群(cluster)中心之间的距离;进行距离比较,确定与中心距离最近的类别作为这个像元矢量的所属类别,然后影像像元全部归并到对应类别中去;
●根据各个类别中实际拥有的像元矢量集合的规模和平衡问题,进行大类别分裂和小类别合并,并计算新的类别均值矢量;
●比较新的类别均值与原类别均值的差异,若位置明显发生改变,则以新的类别均值作为聚类中心,回到第3步,进行迭代操作;
●否则如果聚类中心不再变化,或者迭代操作到达预定的次数时,计算结束。
7、ENVI分类后处理:
聚类处理(clump):
将邻近的类似分类单元进行聚类合并。
过滤处理(Sieve):
用于解决分类影像中出现的孤岛问题。
过滤处理使用斑点分组方法来消除这些被隔离的分类像元。
通过分析周围的4或8个像元,判定一个像元是否与周围的像元同组。
如果一类中被分析的像元数少于输入的阈值,这些像元就会被从该类别中删除,删除的像元归为未分类的像元。
Majority分析采用卷积滤波的方法将较大类别中的虚假像元归到这类中,定义一个变换核尺寸,用变换核中占主要地位(像元数最多)的像元类别代替中心像元的类别。
数据准备
实习1选取的研究区LandsatTM/ETM+数据(512×512)
操作方法及过程
1.选取研究区数据(512×512),通过目视解译建立分类系统及其编码体系
根据实习要求,在遥感影像上确定并提取出了12种地物,分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。
同时确定土地的覆盖类型、编码以及色调。
居民点
Town
砾石
graveldesert
道路
Road
水稻田
paddyland
水浇地
irrigatedland
水库
reservoir
裸地
barrenland
工业区
industrialarea
滩地
shoalyland
林地
forest
草地
grassland
河流
stream
2.按照监督分类的步骤,在影像上找出对应各个土地利用/覆盖类型的参考图斑,利用ROI工具建立训练区,给出各个类别的特征统计表。
加载512*512影像,右击Image窗体,选择ROITool,进行ROI采集,在Zoom中选择样本区,根据地物的情况选择point、polyline、polygon方式建立训练区。
3.计算各个样本之间的可分离性。
说明哪些地物类型之间较易区分,哪些类型之间难以区分。
ROITool中选Options的统计训练区可分性ComputeROISeparability,选择中卫影像,点击确定,选择所有训练区,统计J—M距离和分散度。
4.监督分类:
利用最大似然法完成分类。
①具体步骤:
Classification|Supervised|MaximumLikelihood,在SetInputFile对话框中导入影像。
在打开的对话框中选SelectAllItems,其中SetProbabilityThreshold设为NO,OutputRuleImage设为No,选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。
具体操作:
在监督分类影像中的Image上选择Overlay|Classification,点击“Supervised”,选择Option|Editclasscolors/name等来修改地物的名称和颜色
5.分类精度评价,从随机采集100~200个样本点,并确保每一类别不少于10个样本;进行分类精度评价,得到分类混淆矩阵,计算Kappa系数,并对结果进行解释。
选择Classification中的分类后处理postclassification,选择混淆矩阵ConfusionMatrix的UsingGroundTruthROIs,选择之前保存的最大似然法的影像,将所有的编好号的地物一一对应加载进来,点击确定,即可生成混淆矩阵
6.分类后处理(clump—sieve—majority)。
类别集群:
选择Classification|PostClassification,ClumpClasses,在SelectInputFile对话框中选择Supervised。
最后设定数据输出路径。
类别筛选:
选择Classification|PostClassification|Sieveclasses,在SelectInputFile中选择Supervised,GroupMinThreshold设为2,NumberofNeighbors为8,进行保存。
主/次要分析:
Classification|PostClassification|Majority/MinorityAnalysis,在SelectInputFile对话框中选择Supervised|SelectAllItems,AnalysisMethod设定为Majority,最后选择保存路径。
Clump对话框Sieve对话框Majority对话框
7.非监督分类:
预先假定地表覆盖类型为30类,迭代次数选为15,由系统完成非监督分类;然后进行类别定义与合并子类,最后进行结果评价。
1、选择Classification的非监督分类Unsupervised,选择者IsoData,选择512*512子区,设置参数。
Numberofclasses为分类的数目;
Maximumiterations为迭代次数
2、在Overlay下选择Classification,选择之前的非监督分类影像,对照原影像将30种类型进行编号并改名字,改变颜色;进行相同类别的合并:
选择Classification中的分类后处理postclassification,选择合并同类别CombineClasses,选择之前的非监督分类影像,在输入的文件中依次选择要合并的类,在输出的文件中选择相同的类别,点击AddCombination,所有的类别合并完后点击确定即可。
结果与分析
1、按照监督分类的步骤,在影像上找出对应各个土地利用/覆盖类型的参考图斑,利用ROI工具建立训练区,给出各个类别的特征统计表。
特征统计表
StatsforROI:
grevaldesert[Yellow1]1325points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
63.00
89.00
76.79
4.63
535.02
Band2
60.00
93.00
76.14
6.78
10.10
Band3
76.00
117.00
95.99
8.34
4.03
Band4
64.00
98.00
82.60
7.16
1.35
Band5
69.00
124.00
97.56
13.95
0.98
Band6
60.00
113.00
86.65
13.01
0.69
StatsforROI:
road[Cyan2]181points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
51.00
78.00
63.13
6.05
489.67
Band2
43.00
79.00
57.26
6.92
161.11
Band3
37.00
102.00
61.31
12.05
10.03
Band4
43.00
108.00
80.10
12.02
1.59
Band5
41.00
102.00
64.22
11.49
1.32
Band6
25.00
93.00
48.97
12.58
0.57
StatsforROI:
paddyland[Green]2024points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
48.00
82.00
52.57
2.66
128.67
Band2
39.00
75.00
46.54
3.21
54.25
Band3
34.00
87.00
43.92
5.40
10.07
Band4
45.00
129.00
74.29
7.95
0.88
Band5
23.00
75.00
41.43
7.34
0.77
Band6
16.00
63.00
26.55
5.62
0.54
StatsforROI:
irrigatedland[Green3]456points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
46.00
58.00
50.23
1.57
27.76
Band2
39.00
53.00
44.43
2.17
21.76
Band3
32.00
48.00
38.70
2.98
4.00
Band4
90.00
131.00
109.39
5.20
0.85
Band5
48.00
64.00
53.85
2.51
0.63
Band6
24.00
42.00
29.95
2.48
0.51
StatsforROI:
reservior[Black]8points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
52.00
68.00
60.88
5.03
410.52
Band2
49.00
69.00
60.13
7.72
104.13
Band3
48.00
77.00
64.63
9.96
25.11
Band4
54.00
82.00
70.88
8.59
1.46
Band5
38.00
77.00
51.88
11.92
0.11
Band6
26.00
65.00
40.50
11.89
0.00
StatsforROI:
barrenland[Yellow2]4468points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
57.00
95.00
77.73
4.09
496.83
Band2
51.00
101.00
77.81
5.66
33.58
Band3
52.00
134.00
97.26
9.72
21.34
Band4
39.00
107.00
82.73
8.30
6.23
Band5
38.00
134.00
97.43
13.31
1.42
Band6
36.00
121.00
85.77
13.08
0.67
StatsforROI:
industrialarea[Blue2]216points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
50.00
81.00
64.65
6.66
499.91
Band2
41.00
77.00
58.67
7.84
343.06
Band3
36.00
99.00
65.60
12.47
11.57
Band4
35.00
99.00
72.61
17.87
2.32
Band5
33.00
93.00
64.91
13.05
1.23
Band6
30.00
80.00
51.34
10.37
0.55
StatsforROI:
shoalyland[Red]147points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
53.00
65.00
58.61
2.55
190.30
Band2
46.00
61.00
51.82
3.55
39.17
Band3
50.00
72.00
58.67
4.90
9.64
Band4
61.00
83.00
69.18
3.20
1.63
Band5
51.00
89.00
71.04
10.73
0.63
Band6
35.00
69.00
52.00
8.57
0.58
StatsforROI:
forest[Cyan]60points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
50.00
62.00
56.83
2.53
90.37
Band2
43.00
61.00
52.82
3.20
14.23
Band3
37.00
67.00
55.02
5.31
3.93
Band4
86.00
104.00
92.95
3.83
1.45
Band5
54.00
80.00
67.02
4.87
0.87
Band6
27.00
58.00
43.57
5.29
0.42
StatsforROI:
grassland[Blue]7points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
53.00
63.00
57.29
4.35
400.17
Band2
45.00
60.00
51.86
6.82
25.41
Band3
42.00
69.00
53.43
10.91
1.53
Band4
92.00
111.00
100.43
6.97
0.92
Band5
62.00
87.00
72.14
9.75
0.24
Band6
35.00
61.00
46.71
10.01
0.06
StatsforROI:
stream[Blue]351points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
66.00
84.00
70.11
2.77
38.32
Band2
71.00
91.00
74.71
2.78
8.27
Band3
93.00
121.00
100.98
3.27
0.90
Band4
80.00
96.00
83.10
2.32
0.61
Band5
16.00
41.00
19.81
3.19
0.48
Band6
11.00
30.00
14.91
2.72
0.43
StatsforROI:
graveldesert[Yellow1]1325points
BasicStats
Min
Max
Mean
Stdev
Eigenvalue
Band1
63.00
89.00
76.79
4.63
535.02
Band2
60.00
93.00
76.14
6.78
10.10
Band3
76.00
117.00
95.99
8.34
4.03
Band4
64.00
98.00
82.60
7.16
1.35
Band5
69.00
124.00
97.56
13.95
0.98
Band6
60.00
113.00
86.65
13.01
0.69
【结果与分析】:
12种地物中根据统计折线图走势可以大体分为2类:
黄蓝橙色(地物为乡村、裸地、河流,其在345波段形成中间凹型)和其余的(地物上均含有绿色植被、在345波段形成中间凸型),其主要区别就是土地上是否有绿色植被,因为绿色植被能强烈吸收第四波段;
河流的方差最小,说明在地物选择过程中,河流的杂质最少,而裸地、工业区、小型水库、砾石的方差较大,则在选择过程中,地物杂质较多,由于裸地与砾石较难区分,容易混淆,而工业区、小型水库面积较小,容易选取其它杂质;
2、计算各个样本之间的可分离性。
说明哪些地物类型之间较易区分,哪些类型之间难以区分。
其中1=town、2=graveldesert、3=road、4=paddyland、5=irrigatedland、6=reservoir、7=barrenland、8=industrialarea、9=shoalyland、10=forest、11=grassland、12=stream
Jeffries-Matusita:
1
2
3
4
5
6
7
8
9
10
11
12
1
\
1.63
1.55
2.00
2.00
1.99
1.07
1.46
1.98
2.00
2.00
2.00
2
1.63
\
1.92
2.00
2.00
2.00
1.12
1.93
2.00
2.00
2.00
2.00
3
1.55
1.92
\
1.69
1.89
1.98
1.73
0.79
1.96
1.60
1.92
2.00
4
2.00
2.00
1