PCI影像分类.docx

PCI影像分类.docx

《PCI影像分类.docx》由会员分享，可在线阅读，更多相关《PCI影像分类.docx（35页珍藏版）》请在冰点文库上搜索。

PCI影像分类

PCIFocus影像分类

实验内容：

1非监督分类

2分类后分析——非监督分类

3监督分类前的准备工作

4选择训练区

5分析训练区

6进行监督分类

7分类后分析——监督分类

一：

非监督分类

实验内容：

·新建分类通道

·非监督分类前的准备

·进行分类和查看报告

实验原理：

非监督分类把影像信息分成离散的组，每个组中的像元波谱信息相似。

用Focus进行非监督分类，需要借助面板和对话框配置数据文件和选择计算机用来区分的类的数量。

当完成了配置信息，就可以进行分类了。

Focus自动地把影像数据中的波谱值分成不同的类，可以在Focus的视窗里查看分类结果并把它作为分类报告。

实验数据：

stack_l7_b1-8_pansharp_erdas_correct.pix（福州地区2002年的landsat7数据）经erdas几何校正和pansharp融合。

具体步骤：

1：

新建工程并打开

2：

准备一个分类通道：

1．在地图树上，右键点击stack_l7_b1-8_pansharp_erdas_correct.pix层；快捷菜单打开。

·

2．在影像分类的子菜单上，点击Unsupervised（非监督分类）；

通道选择窗口打开。

3．点击NewSession（新建通道）；

4．在描述框里，键入UnsupervisedSession（非监督分类通道）；

5．选择RGB通道里面的相应波段；

6．在输入通道一栏，选择1到8通道；

图通道设置面板

7．在输出通道一栏，选择一个空通道作为输出通道：

8．点击面板左下方的Accept。

9：

进行非监督分类：

在分类面板上，选择K-Means算法；在K-Means的参数里，点击"MaxClass"的输入框；输入16；在分类面板左下方，点击"Classify"，Focus将用K-Means算法进行分类。

一个进度条显示分类进度，分类结束后，进度条关闭，分类报告窗口打开，分类后的影像在Focus视窗区显示出来。

图4.3分类面板

图4．4分类影像

阅读分类报告:

通过面板上选择类号，分类报告会显示改类像元的分布，分类日期和分类影像的路径.分类算法,输入通道和储存数据的通道也在分类报告中列出。

在识别信息下面，报告列出了分类中聚类的数量和每个聚类的详细信息，聚类是一组的像元组。

聚类报告中指出每一个类中有多少像元，以及5个通道中每个通道的平均亮度值和标准差.

图4．5分类报告窗口

实验心得：

如何新建一个分类的工作通道

如何准备非监督分类

怎样开始分类和查看报告

然后以同样的步骤进行isodate的分类：

结果如图：

非监督分类的分类后分析

合并类·把一个类合并到另一个类里面

影像非监督分类并不能总是提供出希望的具有真实代表性的类的数量，可以用合并类来实现聚类。

最多可以把255个类归并到一个类里去。

非监督分类的一般方法是形成尽可能多的类。

打开合并对话框：

1．在地图树上，右键点击ClassificationMetaLayer；

打开快捷菜单。

2．在快捷菜单上，选择Post-classificationAnalysis；

3．在子菜单上，点击Aggregation；

创建通道对话框打开。

图4.6创建通道对话框

5.在创建通道对话框中,选择9通道作为输入通道；

这是将被合并的通道,也是非监督分类的结果.

6.选择第10空通道,作为输出通道；

7．点击Accept。

合并界面打开。

图：

合并界面

8：

合并类：

在viewing选项上，选择CurrentClasses，显示当前在输入类列表里选择的类；

在输入类列表里，按住shift或者ctrl键选择class7,8,9和class10。

因为这两个类是当前类，只有它们在Focus的视窗中显示；

图class，7，8，9，10在Focus的视窗中显示

3.在AggregateClass组框里，点击New；

产生一个新的空的合并类。

4.点击Add，把选择的输入类添加到合并的空白类里；

这个新类，也就是classl5，表示是它们的合并。

提示:

合并常常是一个繁琐的过程，特别是如果想测试比较几个不同的合并版本，所以应该地保存一下合并的通道的特性作为备份以防数据丢失。

5.点击Applyt0OutputChannel，合并结果将被写到一个刚才在通道创建对话框里指定的通道里，同时，合并类列表更新。

合并前的效果：

合并后的效果

监督分类

实验内容：

-打开一个新的监督分类的通道

-增加影像通道

-改变参考影像的RGB值显示真彩色

-选择分类中用到的影像库的波谱属性

-准备监督分类

实验原理：

监督分类中，必须依靠自己的模式识别能力和对数据的先验知识来帮助Focus决定数据分类的统计标准。

选择可靠的训练区，需要知道关于要分类像元的一些空间或者波谱信息。

明确的地物特性的位置，例如地面覆盖物类型，可以通过地面实测获知。

地面实测是指从野外调查分析，航空摄影，或者个人经验获得的对研究区域的一些知识，地面实测数据被认为是研究地区的可以获得的最精确的数据。

这些数据应该和遥感数据是同一时段的，以便尽可能多地满足要求。

但是，许多地面实测数据因为错误，不准确，人为误差等使数据不是那么精确。

GPS接收器是进行地面实测研究和选择训练区的有用的工具。

准备监督分类

和非监督分类一样，监督分类的准备也要在Focus里创建一个通道。

这个准备过程也帮助管理文件中接下来的分类，避免每次都准备一个新的通道。

实验步骤：

准备一个分类通道：

1．在地图树里，右键点击

stack_l7_b1-8_pansharp_erdas_correct.pix层，打开一个快捷菜单；

2．在影像分类的子菜单，点击Supervised（监督分类）；

通道选择窗口打开。

3．在通道选择对话框的左下部，点击NewSession。

通道设置面板打开。

通道选择对话框

图：

通道设置界面显示默认的RGB值

4：

影像颜色和颜色通道

监督分类需要借助人的模式识别能力和对数据的已有的了解帮助Focus判别波谱特征来分类。

选择可靠的训练区，不仅需要知道待分类像元的空间信息，也要知道它的波谱信息。

分类过程需要在视觉上把训练区的颜色和影像上熟悉的其它颜色区别开。

因而，需要选择3个波段组合来帮助辨别影像中的感兴趣区的特征。

通道设置对话框会自动地把前3个通道分配给在Focus视窗中显示的参考影像（基准影像）。

下一步，在Focus视窗中要选择3个波段来显示参考影像。

5：

改变RGB通道：

在通道设置面板上，点击波段的相应Red、Green、Blue栏来决定把此波段放在那个颜色通道中。

设置好要显示的3个波段的RGB组合后，选择参与分类的通道。

这里选择stack_l7_b1-8_pansharp_erdas_correct.pix的全部8个波段。

6：

选择输入和输出通道：

在输入通道一栏，点击1通道至8通道。

然后，选择一个存放训练区的通道，可以用这节开始时创建的那个空通道；

点击第11行的TrainingChannelcolumn一栏；

然后选择分类结果存放通道，点击第12行的outputchannelcolumn一栏，存放监督分类结果。

图：

选择训练通道和输出通道配置通道界面

在通道设置面板的左下部，点击Accept；

通道设置面板关闭，训练区编辑面板打开。

Focus同时在地图树上添加一个MetaLayer帮助管理分类信息。

Metalayer包括3个图层：

训练区层，刚选择的三个组合波段层和输出层。

图：

MetaLayer层

图：

TainingSiteEditing界面

现在已经准备好了分类通道，并可以开始选择、编辑训练区。

7：

选择训练区

主要内容：

手动创建训练区

用rasterseeding创建训练区

改变训练区的颜色

训练区和地表覆盖物

训练区是一些代表可以辨别模式或者可能类的像元的集合，在监督分类中，Focus从样本像元中计算统计来为这个类创建一个参数特征。

在影像中一些不同表面覆盖物类型的样本的基础上；通过在影像中要研究的信息类区域上面绘制彩色层来创建训练区。

样本或者训练区建立在对地理区域和影像上的真实地表覆盖物类型有一定的了解基础上，对训练区域的每个像素，Focus使用选择的通道的数值数据来识别与创建的训练区的波谱最相似的类。

无法确定stack_l7_b1-8_pansharp_erdas_correct.pix影像中真实的地表覆盖物都是什么，因而，可以用农作物A，农作物B，农作物C，来命名选择的训练区。

已经将影像的波谱特性改为真彩色显示，现在可以根据颜色的不同来选择训练区。

接下来，将用训练区编辑器来创建训练区以作为监督分类的基础。

8：

创建新类：

1．在训练区编辑模板的菜单class上，点击new；

编辑属性表会自动为第一个类在属性表里添加一行。

“class0l”将在表中出现。

图：

已有一个类型的训练区编辑器

2．在第一类的name一栏，写入plant1。

然后，可以在：

Focus工作区的参考影像上为"plant1”创建训练区。

9：

创建训练区

在训练区编辑器里面为cropA命名后，用Focus编辑工具在Focus视图区为cropA绘制训练区。

提示

在选择训练区时，可以右键点击参考影像用快捷菜单实现影像缩放，也可以点击工具条上6个缩放按钮中的任何一个，或者用Focus的菜单view里的子菜单zoom来实现。

为plant1创建训练区：

1．在地图树上，ClassificationMetaLayer下面，选择标志为trainingareast的PCI层；

可以用直线，多边形，正方形或者种子像元创建训练区，这节课使用多边形创建训练区。

2．在编辑工具条上，点击newshapes右边的箭头；

3．在下拉菜单里，点击polygon。

4：

现在准备在工作区的参考影像上绘制训练区。

在这节课里，将用颜色来辨别L7_B1-5.pix

影像中的所有训练区。

Plant1类地物显示为绿色像元。

注意

训练区边界的重叠会降低训练区的可靠性，所以尽量在L7_B1-5.pix影像中有相同颜色的区域边界内选择训练区。

10：

绘制训练区：

1．点击参考影像上想作为训练区的区域边界的内部；

2．用鼠标再点击一点成一条直线；

3．依次点击，绘制多边形的边。

如：

4．在训练区的第一个点附近双击，完成多边形绘制。

训练区用那个类的默认颜色填充多边形。

如图显示plant1的一个完整的训练区。

图：

选种的训练区

继续为plant1选择更多的训练区,选择的训练区越多，分类越精确。

重复以上步骤再生成两个类。

确定建立在参考影像上的训练区有不同的颜色。

给这两个类命名plant2，plant3。

再次，为每个新类选择尽量多的训练区。

用种子像元创建训练区

种子像元可以增长，用相似的像元填充一个区域。

这在创建有规则的形状的训练区或者有同种性质的像元组合的多边形的训练区时是很方便的工具。

调整阈值，可以慢慢调整增长区域的大小。

大的阈值生成大的生长区域，小的阈值生成小的生长区域。

再添加一个类，命名为“水体”。

用种子像元工具来为水体区域创建训练区。

用种子像元创建训练区：

1．在编辑工具条的lleWshapes的下拉菜单里，选择rasterseeding：

打开种子多边形对话框。

图RasterSeeding窗口

2．在SelectionCriteria一项中，选择Classificationinput；

输出层将自动变为TrainingAreaslayer。

3．输入像元值阈值5；

表示种子像元的增长条件的波谱距离为5。

4．相邻像元扩展方式，选择4个相邻像元扩展；

这表示以上下左右4个像元作为相邻进行扩展，8个相邻像元扩展除了在上下左右扩展外，也在对角线方向扩展。

5．种子像元窗口打开，点击湖的里面。

种子像元工具将高亮显示一组相似的像元形成水的训练区：

6．用种子像元工具选择几个训练区。

注释要得到想要的结果，需要调整种子像元窗口中的阈值。

如何删除训练区：

1．在编辑菜单条上，点击rastererase右边的箭头；

2．在下拉菜单上，选择erasepolygon；

3．用鼠标把想从影像中删除的训练区圈起来；

4．双击，删除。

改变训练区的颜色

Focus自动给新的训练区指定颜色，当在影像视窗中显示时，cropB显示为蓝色，CropC显示为黄色。

可以把它们的颜色改变成想要的颜色。

改变训练区的颜色：

1．训练区编辑表里，点击colorsample改变颜色；

颜色调整面板打开供选择。

2．在基本颜色面板上，点击一种基本颜色；

用连续的颜色体和颜色饱和度级别可以很好地调整颜色。

在颜色调整模板里有四种可用的颜色模式：

Gray，RGB，CMYK和HLS／HIS。

3．从Model列表里选择一种颜色模式；

4．调整好训练区的颜色后，点击OK。

颜色调整模板关闭，选择的新的颜色出现在训练区编辑表中。

实验心得：

-手动创建训练区

-用种子像元创建训练区

-改变训练区的颜色

分析训练区

本节课中您将学到：

-检查统计结果

-创建类直方图检查训练区

-检查分离度

训练区分析

在分类时，单一的波谱类往往不能和想要用的任何一种信息类符合。

另外，一种丰富信息类可能含有许多有独特变化的波谱子类。

这可能是由影像拍摄的时候地表的混合覆盖物造成的，也可能是由阴影和光照的不同造成。

Focus提供了几种不同方法确保选择的训练区有代表性和完整性：

可以在分类前用统计检查，直方图，分离度检查来分析训练区的数据。

分类模板统计分析

类统计面板显示了训练区的样本的数量，也显示了是否已经选择了足够的像元来精确地代表地物。

一般来说，如果参与分类的波段是n个，那每个类最少需要10n个像元的训练区数据。

通用报告列出了类训练区的每个输入通道的均值和方差。

查看统计结果：

1．训练区编辑面板上，右键点击cropA；

2．在快捷菜单上选择statistics；

打开SignatureStatistics界面

图SignatureStatistics界面

3．要显示一个选定类的统计信息，在trainingsiteediting上点击选择该类。

这个选定类的统计信息将会自动更新。

直方图

可以通过在类直方图显示面板中创建直方图来查看并测试选择的训练区的可靠性。

直方图显示训练区中相应灰度值的像元占总训练区像元个数的百分比。

直方图应该是单峰分布。

多峰分布说明那个类的训练区是不纯的，可能含有不止一类的地表覆盖物。

接下来，用Focus产生一个直方图来检验选择的训练区的可靠性。

为训练区创建直方图：

·从训练区编辑窗口的Tools菜单中选择Histogram。

或者，可以选择一个类，然后右键点击选择弹出的快捷菜单的：

Histogram。

类直方图显示面板打开，显示了plant1训练区的直方图。

图plant1的分类直方图

直方图中的x轴代表了影像通道灰度值范围从0到255。

Y轴显示了训练区中相应灰度值的像元占训练区总像元个数的百分比，代表像元的频率。

分离度检查

特征分离度被作为不同波谱特征之间的统计差别。

可以用类别分离度面板来检测训练区的质量。

有两种方法显示分离度，“BhattacharryaDistance"和“TransformedDivergence"。

“BhattacharryaDistance"是默认的计算公式。

“BhattacharryaDistance"并,“TransformedDivergence"两种方法的结果都是以从零到二之间的实数显示。

零值代表两个类的特征完全重合。

而2表示两个类的彻底分离。

这些量测方法与分类的精确性单调相关，分离度越大，最后的分类结果越好，1．9和2．0之间的值被认为分的类具有好的分离性。

打开特征分离度检查面板：

-打开训练区编辑对话框Tools菜单，点击sigatureseparabiliy，特征分离度对话框打开。

图：

特征分离度对话框

散点图

可以用散点图面板来显示4个训练区的椭圆图，一个类的椭圆显示了由类的阈值决定的最大可能性等概率轮廓曲线，阈值的输入也用于计算类均值。

接下来，用散点图工具来评价类的分离性，重新优化，编辑训练统计量。

显示散点图：

1．在训练区编辑面板上的!

Fools菜单上，选择ScatterPlot，打开散点图面板；

图散点图面板

在散点图面板上，在每个训练区可以设置是否显示均值和椭圆。

2．选择每个类的PlotMean项；

3．选择每个类的PlotEllipse项。

提示

要缩放散点图，右键点击散点图面板上图形区域的内部，在快捷菜单上选择zoomin，也可以用鼠标在散点图上拖拽一个区域来实现缩放。

尽量设计不同的波段组合。

如果发现在所有波段组合中有两个或者几个类间在hyperellipses中重合，需要返回去重新编辑原来的训练区。

重合意味着在分类后的影像中两个类存在混淆的地方。

可以基于现有的训练区统计量的分类结果进行分类预览，也可以通过调整阈值和误差来改变这些训练区统计数据。

预览分类：

1．在训练区编辑面板上，打开Tools菜单，选择classificationpreview；

2．在classificationPreview的子菜单里选择MaximumLikefihoodwithNULLClass；

结果如图：

阈值是一个在特征空间围绕每个类均值中心的hyperellipses的半径，它以标准偏差为单位。

改变阈值，可以降低像素被分到多个类的可能性。

调整阈值：

1．在训练区编辑表里，cropc的Tlhreshol一栏里，键入2．5；

在散点图面板上，CropC的类椭圆自动调整显示阈值的变化，分类结果预览也会更新来显示这种阈值变化。

2．然后，在cropA的Threshold的一栏，键入4；

cropA的类椭圆尺寸增加，同时，分类结果预览也更新。

现在有更多的区域被分为cropA。

3．完成分类结果预览，把所有类的阈值都改回默认值3；

提示

另一种分离类的方法是用偏差，偏差是从0到1的值，值越大，表明两个类越相似。

它也可以用来解决类重叠的问题。

1.点击Save&Close，保存训练区，分类结果预览关闭，现在开始准备进行监督分类。

本节课小结：

·特征统计检查

·创建分类直方图检查训练区

·特征分离度检查

4．6进行监督分类

本节课中您将学到：

·进行监督分类

·生成分类报告

在分析了训练区的可靠性后，可以让Focus执行分类。

从地图树里执行分类。

进行分类：

1．在Focus地图树上，右键点击classificationmetalayer；

2．从快捷菜单里选择RunClassification；

图Classify对话框

可以从分类对话框的3种分类方法（最小距离法，平行六面体，最大似然法）中选择一种。

最大似然法有nullclass参数选项。

影像中有许多代表地表覆盖物类型的类，但是，本课只想从其中提取3个类。

这样，一大部分像元应该是未分类或者是null。

对这个例子来说，可以使用带nullclass的最大似然法来分类。

3．在算法部分，选择MaximumLikelihood；

4．在MaximumLikelihood参数部分，选择withnullclasrs选项；

5．在ClasstfyOption部分，选择ShowReport；

提示

也可以选择CreatPCT选项来比较不同的分类结果。

创建一个假彩色（PCT）表可以使用同样的颜色（一种颜色）显示未分类的数据。

6．在classify面板的左下部，点击classify。

监督分类结果显示在Focus视图区，分类结果报告窗口显示最终分类结果报告。

图：

Classification报告窗口

报告应该显示整个训练区的精确性,显示训练区中每个像元的信息和由分类算法决定的信息进行比较的结果.总体精确性代表了训练区中被正确分类的像元的百分比.训练区是那些类的理想的样本.

实验心得：

-执行监督分类

-生成分类报告

分类后分析一一监督分类

实验内容：

·准备分类后编辑

·建立位图掩摸

·在分类后的影像上建立掩膜

·多个类合并成为一个类

改进分类结果

很多情况下，分类算法不能一下达到所期望的精度。

常常有单个像元被错分。

一个区域可能含有其它类的一些像元或者影像数据落在能影响分类结果的训练点之外。

类编辑功能试图通过把几个类合并成一个类来纠正这些错误。

在前面的课程里，进行了分类并查看了分类结果报告。

要改进分类，首先要评价结果的精确性。

精确性是假定正确的一种标准和未知质量的影像分类结果之间的一定程度的一致性。

越接近标准，分类结果越精确。

类编辑

在用Focus编辑工具编辑完分类后，这节课里将把几个类合并成一个类。

如聚类过程一样，类编辑合并几个类到一个类。

但是，不是合并整个影像的类，而是合并掩膜下面的所有像素的类。

注释

用分类编辑不影响分类的统计数字也不改变分类报告。

只是视觉上的简单合并类。

开始这节课，首先要初始化分类后编辑，以便在想要编辑的区域建立掩膜。

初始化分类后编辑：

1．在地图树上，右键点击ClassificationMetalayer；

2．在快捷菜单上，打开Post-classificationAnalysis（分类后分析）子菜单并选择ClassEditing，类编辑面板打开；

图：

类编辑面板

3．在影像菜单上，点击SelectClassifiedImage命令，选择分类后的影像对话框打开：

图：

选择已分类影像的对话框

4．向下滚动数据通道列表并点击7[8ul：

MaximumLikelihoodClassification（withNULLclass），这是初始化分类过程时选择的用于输出的一个通道；

5．点击Accept，类编辑模板在源类组和目的类组里分别显示监督分类结果；

6．在影像菜单里，点击SelectReferenceImage命令，参考影像选择对话框打开；

图：

选择参考影像的对话框

7．在选择参考影像列表里，找到并选择希望显示的3个波段作为参考影像。

在参考影像面板上点击每个通道，通道号会添加到数据库通道下面的R、G、B空格里；

8．点击Accept，RGB组合在Focus视窗区域中出现；

9．在可见影像列表里，选择Classified。

分类影像在视窗中显示，Focus栅格编辑工具为可用状态。

在影像上建立掩膜

掩膜下面的区域将合并类定义为一个特殊类的区域。

如果选择OverEntireFile选项，影像中所有的类都被合并，编辑过程中的掩膜是没用的。

现在已经选择了参考影像来绘制掩膜，创建掩膜的过程类似创建训练区。

首先，打开Focus来创建掩膜。

创建掩膜：

1．在类编辑面板里，打开mask菜单；

2．点击CreateMaskfromnewBitmap选项，一个新的位图图层添加到F