遥感影像分类方法实验报告Word文件下载.doc
《遥感影像分类方法实验报告Word文件下载.doc》由会员分享，可在线阅读，更多相关《遥感影像分类方法实验报告Word文件下载.doc（63页珍藏版）》请在冰点文库上搜索。
4.6.8分类结果面积统计 38
4.6.9分类结果 41
4.7分类结果评价与分析 41
4.7.1未加入房屋密度图层的分类结果评价与分析 41
4.7.2加入IDW插值房屋密度图层的分类结果评价与分析 42
4.7.3加入直接栅格化房屋密度图层的分类结果评价与分析 43
4.7.4加入重分类后IDW插值房屋密度图层的分类结果评价与分析 44
4.7.5从总精度与Kappa系数对分类结果进行评价 45
4.7.6分类结果总体评价 46
4.7.7与其他训练样区的分类精度和Kappa系数的计算 48
4.8决策树分类 49
4.8.1决策树分类原理 49
4.8.2数据预处理 49
4.8.3指数的计算 51
4.8.4执行决策树 54
4.8.5不同参数设置的对比 57
5实验体会 60
5.1实验中存在的问题 60
5.2软件平台使用 63
5.3实验总结 63
1实验目的
①掌握ArcGIS10和ENVI4.7对遥感图像处理的基本操作与原理
②熟悉几何精校正的方法，掌握ENVI软件对遥感影像进行几何精校正
③掌握全色波段与多光谱波段的融合方法和原理，学会对融合效果进行定性定量分析
④熟悉掌握ArcGIS的栅格化方法和IDW插值方法
⑤熟悉监督分类的方法和基本原理，掌握ENVI软件中进行监督分类
⑥了解监督分类后评价过程，对分类结果进行精度评价和分析
⑦掌握Erdas的空间建模方法以及原理
⑧了解RuleGen算法，掌握决策树分类方法
2实验数据
①带属性数据的shapefile：
Census.shp
②带有陆地面积字段的矢量图层：
③GoogleEarth_原始拼接：
GE1005211134.jpg
④研究区域的多光谱波段数据：
Stack_b1-6162-7.img
⑤研究区域的全色波段数据：
b8.img
⑥监督分类参照影像：
GoogleEarth
3实验内容
①对人口矢量数据（shapefile）进行投影转换：
WGS_1984_UTM_Zone_16N
②对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）：
（1）对多光谱波段（30m空间分辨率）进行几何精校正（小于0.25个像元）；
（2）对Pan波段（15m空间分辨率）进行几何精校正（小于0.25个像元）；
③将Pan波段和多光谱波段进行融合（自选至少一种融合算法），并对融合效果进行定性和定量评价；
④生成住房密度栅格影像：
（1）直接栅格化；
（2）IDW插值；
⑤将住房密度栅格影像作为额外的通道（或波段）与ETM+多光谱波段进行叠加；
⑥进行监督分类和分类后处理（Post-Classification，ExpertRules）
⑦利用ERDAS软件的空间建模（SpatialModeler）进行水体信息（MNDWI指数）和植被信息（NDVI指数）的提取；
⑧利用“自动阈值决策树分类算法”进MarionCounty的土地利用/覆盖分类信息提取（使用的数据：
原始各波段+MNDWI+NDVI+ISODATA等，或其他有益的波段组合）
①探讨“自动阈值决策树分类算法”中的各个参数意义及如何设置更合理
②对分类结果进行评价与分析
⑨对分类结果进行精度评价和分析；
4实验步骤
4.1对人口矢量数据（shapefile）进行投影转换
4.1.1Census.shp文件投影坐标的检查
根据实验要求，人口矢量数据（shapefile）进行投影坐标应为：
WGS_1984_UTM_Zone_16N
在ArcGIS软件的图层右击Properties，在LayerProperties的Source下查看投影信息，如图1。
得到Census.shp的投影坐标为：
GCS_North_American_1983，与实验要求不符合，需进行投影转换。
图1
4.1.2将投影坐标转换为WGS_1984_UTM_Zone_16N
在Arcgis软件的工具箱中的DefineProjection工具，设置输入数据为：
Census.shp，坐标系统为GCS_WGS_1984，在工具箱中的工具，设置输入数据：
Census.shp，导入遥感影像的投影坐标系，即GCS_WGS_1984（如图2）。
图2
4.2对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）
4.2.1Census.shp在ENVI软件的加载
在ENVI软件中，File->
OpenVectorFile，选择Census.shp，设置好参数，生成evf文件（如图3）。
图3
4.2.2对遥感影像进行几何精校正（以矢量数据为基准）
在ENVI分别打开遥感影像img和矢量文件vef，选择Map->
Registration->
SelectGCPs:
imagetomap，以矢量数据为基准,设置好投影，如图4。
图4
在ENVI中，在zoom窗口下采集控制点，这次实验采集的控制点数为13个，控制点的主要定位在道路与道路之间的交叉点，如图5，其控制点的RMSError为0.246390，如图6，如图7为20个控制点的采集情况。
图5
图6
图7
选择校正参数输出结果，在GroundControlPointsSelection窗口选择Option->
Warp
File，如图8；
数学模型为Polynomial，设定参数为2，从采样方法为最临近法，如图9。
图8图9
如图10、11为几何校正前后，矢量图层与遥感影像吻合度的对比，可以明显看出，经过几何校正后的遥感影像与矢量图层吻合程度有明显的改善，有部分水体边界不吻合，这主要是由于水体会随时间而改变；
而街区与道路吻合程度良好。
图10
图11
如图12为对多光谱波段（30m空间分辨率）进行几何精校正后的遥感影像；
如图13为对Pan波段（15m空间分辨率）进行几何精校正后的遥感影像。
图12
图13
4.2.3用矢量图层对遥感影像进行裁剪
在ENVI中打开Census.shp文件，将该图层转换成ROI，如图14。
图14
通过ROI进行裁剪遥感影像，选择BasicTools->
SubsetDataviaROIs；
选择转换好的ROI进行裁剪，如图15。
图15
同样，对pan波段的遥感影像进行裁剪，得到遥感影像如图16。
图16
4.3将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价
4.3.1两种融合方法的原理
Gram-Schmidt可以对具有高分辨率的高光谱数据进行锐化。
①从低分辨率的波谱波段中模拟出一个全色波段。
②对该全色波段和波谱波段进行Gram-Schmidt变换，其中模拟的全色波段被作为第一个波段。
③用Gram-Schmidt变换后的第一个波段替换高空间分辨率的全色波段。
④应用Gram-Schmidt反变换构成pan锐化后的波谱波段。
Gram-SchmidtSpectralSharpening方法进行图像增强能够比较好的保留原多光谱图像的光谱信息，使遥感影像的融合保留多光谱影像的增强效果。
用PC可以对具有高空间分辨率的光谱图像进行锐化。
①先对多光谱数据进行主成分变换。
②用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被缩放匹配到第一主成分波段，从而避免波谱信息失真。
③进行主成分逆变换。
函数自动地用最近邻、双线性或三次卷积技术将多光谱数据重采样到高分辨率像元尺寸。
4.3.2进行Gram-SchmidtSpectralSharpening融合
在ENVI软件中，选择Transform->
ImageSharpening->
Gram-SchmidtSpectralSharpening，在SelectLowSpatialResolutionMultiBandInputFile中选择Stack_b1-6162-7_CJ.img多光谱波段，SpatialSubset为FullScene，SpectralSunset为8个波段，如图17。
图17
在SelectHighSpatialResolutionPanInputFile窗口中选择b8_CJ.img全色波段，如图18。
图18
SelectMethodforLowResoutionPan选择AverageofLowResolutionMultispectralFile：
利用多光谱波段的平均值来模拟低分辨率的全色波段。
Resampling选择NearestNeighbor，OutputResult选择保存路径，如图19。
图19
4.3.3进行PCSpectralSharpening融合
在ENVI软件中，选择Transform->
PCSpectralSharpening，在SelectLowSpatialResolutionMultiBandInputFile中选择Stack_b1-6162-7_CJ.img多光谱波段，SpatialSubset为FullScene，SpectralSunset为8个波段，如图20。
图20
在SelectHighSpatialResolutionPanInputFile窗口中选择b8_CJ.img全色波段，如图21。
图21
Resampling选择NearestNeighbor，OutputResult选择保存路径，如图22。
图22
4.3.4融合效果进行定性评价
如图23为原始遥感影像与经过Gram-SchmidtSpectralShaping处理后的影像。
图23
从图23，我们可以得到，Gram-SchmidtSpectralShaping处理后的影像总体上来说分辨率有很大的提高，清晰度高，光谱信息比较丰富，但颜色的匹配还不是很理想，整个影像的色调基本上一致，呈现出泛红的现象，地物之间的辨别基本上是通过影像上的灰度信息，而色彩提供的信息量较少，区分度不高。
如图24为原始遥感影像与经过PCSpectralSharpening处理后的影像。
图24
从图24，我们可以得到，PCSpectralSharpening处理后的影像清晰度高，涵盖的地物信息量大，颜色的畸变很小，和Gram-SchmidtSpectralShaping处理的影像效果类似，颜色的匹配还不是很理想，整个影像的色调基本上一致，呈现出泛红的现象，色彩不够丰富。
在水域的地方颜色与原来的为黑色变成了青色，颜色变化差异较大。
定性评价结论，从图23、24，我们可以了解到提高空间分辨率效果最好的是Gram-SchmidtSpectralShaping；
光谱变化较小的是PCSpectralSharpening，但在水域的区域上，Gram-SchmidtSpectralShaping保持这原始影像的色彩。
4.3.5融合效果进行定量评价（软件提供的计算方法）
在实验中，波段的选取为4，3，2波段。
在主窗口中，右击选择ZProfile，对比三个影像的情况（如图25）。
图25
从图25，我们可以得到，经过融合后，在Value上都有所增加，band1从90->
100；
说明了融合后影像的亮度信息提高了。
但PC和GS两者的Value通过图上很难分辨出区别。
图26XProfile
图27YProfile
在ENVI4.7软件中，选择BasicTools->
Stayistics->
ComputeStatistics，如图28。
图28
如表1为原始影像、PC融合后影像和GS融合后影像的部分统计参数。
表1
图29 图30
从图29、30，两张折线图上我们可以直观的了解原始影像、PC融合后影像和GS融合后影像在亮度信息上的关系。
在均值上，PC融合影像和GS融合影像均有所增加，但是从幅度上来看，PC融合影像的均值增加的幅度较大，较GS融合影像更有利于目视判读。
在方差上，与原始影像相比较PC融合影像的方差有所增加，而GS融合影像的方差大幅下降，不利于目视判读。
因此，在亮度指标上最好的为PC融合，其次为GS融合。
4.3.6融合效果进行定量评价（Matlab编程计算）
此次实验从融合影像的亮度信息，清晰程度，光谱保持程度，信息丰富程度等多角度进行评价分析，相比传统的单一定量评价全面，能够减少评价的随机性，使得定量评价更加科学全面。
主要通过4方面进行统计分析：
①亮度信息，针对融合后影像亮度信息进行评价，主要包括均值和标准差等指标。
②清晰度，评价融合影像的清晰程度，主要包括平均梯度和空间频率等指标。
③光谱信息，评价融合后影像的光谱变形情况,包括扭曲程度,相关系数等指标。
④信息量,评价融合后信息量的保持或增加程度，主要包括信息熵,交叉熵和互信息等指标。
以下公式中，影像函数为Z（X，Y），影像的行数和列数分别为M和N，影像的大小则为M×
N。
4.3.6.1 亮度信息
均值（z）
影像均值是像素的灰度平均值,对人眼反映为平均亮度。
如果均值适中,则影像效果良好,其定义为:
标准差（σ）
标准差反映了影像灰度相对于灰度平均值的离散情况，在某种程度上，标准差也可用来评价影像反差的大小。
若标准差大，则影像灰度级分布分散,影像的反差大，可以看出更多的信息，其公式为：
方差（D）
方差反映了灰度相对于灰度均值的离散情况，方差越大，则灰度级分布越分散。
此时，图像中所有灰度级出现的概率越趋于相等，从而包含的信息量趋于越大。
方差计算公式为：
4.3.6.2清晰度
平均梯度（G）
平均梯度可敏感地反映影像对微小细节反差表达的能力，可用来评价影像的清晰程度，还可同时反映出影像中微小细节反差和纹理变化特征，其计算公式为：
空间频率（SF）
空间频率反映了一幅影像空间的总体活跃程度，空间频率越大，说明融合效果越好。
它包括空间行频率RF和空间列频率CF组成，其公式为：
总体的空间频率值取RF和CF的均方根，即：
4.3.6.3光谱信息
扭曲程度（D）
扭曲程度D是指融合影像F像素灰度平均值与源影像A像素灰度平均值之差，也可以说是融合影像与源影像的差值影像的灰度平均值,它的表达式为：
它反映融合影像和源多光谱影像在光谱信息上的差异大小和光谱特性变化的平均程度。
相关系数（ρ）
融合影像与源影像的相关系数能反映两幅影像光谱特征的相似程度,其定义如下：
其中，f和a分别为融合影像与源影像的均值。
通过比较融合前后的影像相关系数可以看出多光谱影像的光谱信息的改变程度。
4.3.6.4信息量
信息熵（E）
影像的信息熵值是衡量影像信息丰富程度的一个重要指标。
对于一幅单独的影像,其灰度分布为，为灰度值等于i的像素数与影像总像素数之比。
根据Shannon信息论的定理,一幅影像的信息熵为:
融合影像的熵越大,融合影像所含的信息越丰富,融合质量越好。
交叉熵（C）
交叉熵可以用来测定两幅影像灰度分布的信息差异。
设源影像和融合影像的灰度分布分别为：
和，则交叉熵定义为:
交叉熵是评价两幅影像差别的重要指标，它直接反映了两幅影像对应像素的差异。
对融合影像前的源影像和融合结果影像求交叉熵,即可得到融合影像与源影像的差异。
差异越小，则该融合方法从源影像提取的信息量越多。
互信息（MI）
互信息是信息论中的一个重要概念，它可作为两个变量之间相关性的量度,或一个变量包含另一个变量的信息量的量度。
F与A,B的互信息分别表示为和：
式中：
，和分别是A，B和C的概率密度；
和分别代表两组影像的联合概率密度。
互信息的值越大，表示融合影像从源影像中获取的信息越丰富，融合效果越好。
通过定量评价分析对2种融合方法进行评价。
评价内容包括亮度信息、清晰度、光谱信息和信息量等4个方面。
试验证明这些评价参数能够很好地反映遥感影像融合效果。
融合结果参数评价指标见表所示。
亮度信息
清晰度
均值
方差
标准差
平均梯度
空间频率
b8
73.0791
488.2951
22.0974
3.4682
9.0288
Stack
90.4897
1488.733
38.5841
7.6456
20.0627
PC
90.6771
1464.027
38.2626
6.1073
15.398
GS
90.5315
1474.099
38.3940
6.1344
15.4558
光谱信息
信息量
扭曲程度
相关系数
信息熵
交叉熵
互信息
5.5133
6.8639
0.1875
0.8733
6.8713
0.2368
0.0409
0.0419
0.8858
6.9086
0.7794
0.0405
1）亮度信息
由表第一列亮度信息可以看出2种融合方法的均值有所降低,方差和标准差有所增加；
2）清晰度
由表第二列可以看出,3种融合方法的平均梯度和空间频率都小于原始的多光谱影像,说明融合后的结果影像减少了细节纹理信息，使影像的清晰度降低了。
3）光谱信息
依据表中的第三列可以看出GS融合扭曲程度最小,而相关系数最大,因此GS融合的光谱信息保持得最好。
4）信息量
通过信息熵可以看出GS融合所得的结果信息量最大；
从交叉熵看到，GS融合和PC融合的结果交叉熵依次减小，说明融合后的结果影像与源影像对应像素差异也依次减小,即GS融合保留原始图像信息量最多,PC融合保留最少；
从互信息也可以得到同样规律。
而通过定性评价分析不能得出图像携带的信息量，它仅仅是通过比较分析图像的亮度信息进行比较评价的。
4.3.7遥感影像融合定量分析代码
Dfusion=imread（'
C:
\Users\Administrator\Desktop\RS1\GS.tif'
）;
Dlow=imread（'
\Users\Administrator\Desktop\RS1\Stack_b1-6162-7_CJ.tif'
Dhigh=imread（'
\Users\Administrator\Desktop\RS1\b8_CJ.tif'
[rh,ch]=size（Dhigh）;
Dlowh=imresize（Dlow,[rh,ch],'
bicubic'
mean=mean2（Dlow）;
%均值
meanf=mean2（Dfusion）;
DIF=abs（meanf-mean）;
%扭曲程度
Std=std2（Dfusion）;
%标准差
Std2=std2（Dlowh）;
Ds=Std^2;
%方差
Dl=Std2^2;
D3=abs（Ds-Dl）;
%求差方差
p=imhist（Dfusion（:
）,8）/numel（Dfusion（:
））;
r=entropy（Dfusion（:
%信息熵
c=corr2（Dfusion（:
）,Dlowh（:
%相关系数
h1=diff（Dfusion）;
%求影像差分，反映图像清晰度
h=mean2（h1）;
g1=diff（Dlow）;
g=mean2（g1）;
升级会员 