基于统计模式识别遥感影像像元分类

实习1基于统计模式识别遥感影像像元分类1.1问题提出（1）将地物分为8类：有作物农田（cultivated_farmland）、无作物农田（uncultivated_farmland）、林地（woodland）、草地（grassland）、水体（waterbody）、人工建筑（artificial_building）、裸土（nudeland）和道路（road）；（2）在创建感兴趣区时，要求每类地物ROI数量不少于3个，人工建筑类地物ROI数量不少于5个，人工建筑类用地的颜色种类较多，ROI应包含所有颜色的人工建筑；（3）在进行非监督分类时，类别的数量范围最小不能小于最终分类数量，最大应为最终分类数量的2~3倍。1.2实验分析遥感影像分类是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种算法化为不同的类别，然后获得遥感图像中与实际地物的对应信息，实现遥感图像的分类。一般分类方法有监督分类和非监督分类。本实验主要分为三个部分，首先对所给图像数据进行监督分类，其次再进行非监督分类，最后验证不同分辨率的图像对分类精度的影响，由于本实验所给数据分别是多波段数据和全色波段数据，所以在这一部分首先需要对两幅图像进行融合，其次对得到的融合图像降低空间分辨率，得到一幅5m和15m的图像，再对这三幅图像进行监督分类，最后进行分类精度的评价。1.3实验目标（1）掌握地物的监督分类方法；（2）掌握地物的非监督分类方法；（3）验证不同空间分辨率的遥感影像对分类精度的影响。1.4实验数据IKONOS多光谱影像；IKONOS全色波段影像；class1.roi：1m空间分辨率的参考分类ROI模板。1.5实验方案设计（1）利用IKONOS多光谱影像进行监督分类；（2）利用IKONOS多光谱影像进行非监督分类；（3）将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合；（4）将融合图像降低空间分辨率，分别得到分辨率为5m和15m的影像；（5）对空间分辨率为1m、5m和15m的影像进行分类；（6）分别对1m、5m和15m的图像进行分类精度评价。1.6实验步骤1.6.1利用IKONOS多光谱影像进行监督分类。（1）打开图像multispectral.img，波段4、3、2合成RGB显示在Display中。（2）通过分析影像，定义8种地物样本为有作物农田（cultivated_farmland）、无作物农田（uncultivated_farmland）、林地（woodland）、草地（grassland）、水体（waterbody）、人工建筑（artificial_building）、裸土（nudeland）和道路（road）。（3）在主图像窗口中，选择点击ENVI主菜单BasicTools→RegionofInterest→ROITool，在Window选项中点选Zoom，表示在Zoom窗口绘制ROI。图1-1ROITool对话框（4）在Zoom窗口绘制ROI。例如水体的绘制，选择Ellipse进行绘制，绘制好图形后点击右键确认，将绘制好的ROI更名为waterbody，颜色改为蓝色。（5）绘制好水体的ROI后，点击ROITool对话框的NewRegion按钮，继续绘制其它类地物的ROI。如果ROI绘制错误，可以利用ROITools中的GoTo键，找到选错的那个样本区域，Delete即可。最终得到如图1-2所示的结果。图1-2定义训练样本图1-3感兴趣区（6）在ROITool对话框中点击File→SaveROIs，保存ROI文件。（7）根据分类的精度要求不同，可以选择不同方法，这里用马氏距离法执行监督分类。在ENVI主菜单，点击Classification→Supervised（监督分类）→MahalanobisDistance（马氏距离），选择输入文件multispectral，在接下来弹出的MahalanobisDistanceParameters对话框中，按图1-4设置参数，点击OK。图1-4参数设置对话框（8）评价分类结果。打开ENVI主菜单，点击Classification→PostClassification→ConfusionMatrix→UsingGroundTruthROIs。（9）在MatchClassesParameters对话框中，选择要匹配的名称，单击AddCombination，将真实感兴趣区与分类结果相匹配。单击OK按钮，输出混淆矩阵。图1-5分类匹配设置窗口（10）分类精度评价表、分类结果图如图1-6、1-7所示。图1-6分类精度评价表图1-7分类结果图1.6.2利用IKONOS多光谱影像进行非监督分类（1）在主菜单上，选择Classification→unsupervised→IsoData，在ClassificationInputFile对话框中，选择文件multispectral.img。单击OK按钮，打开ISODATAParameters对话框，设置相关参数。图1-8ISODATA分类器参数设置（2）接下来进行类别定义。用ENVI软件打开原图像并在Display中显示，在主图像窗口中，选择Overlay→Classification，在InteractiveClassToolInputFile选择框中选择非监督分类结果。单击OK打开InteractiveClassTool对话框。（3）在InteractiveClassTool对话框中，勾选类别前面的“ON”选择框，能将结果叠加显示在Display窗口。（4）在InteractiveClassTool对话框，选择Options→Editclasscolors/names，调出ClassColorMapEditing对话框。（5）在ClassColorMapEditing对话框中，选择对应的类别，在ClassName中输入重新定义的类别名称，同时修改颜色。（6）重复上述步骤，直到所有的类别定义完毕。图1-9编辑分类名称和颜色（7）在InteractiveClassTool对话框中，选择File→SaveChangestoFile，保存修改结果。（8）合并子类。在主菜单中，选择Classification→PostClassification→CombineClasses。在CombineClassesInputFile对话框中选择定义好的分类结果。单击OK弹出CombineClassesParameters对话框。（9）在CombineClassesParameters对话框中，从SelectInputClass中选择合并的类别，从SelectOutClass中选择并入的类别，单击AddCombination，把它们添加到合并方案中。图1-10分类类别的合并（10）点击OK,在CombineClassesOutput对话框的RemoveEmptyClasses项中选择“YES”，移除空白类。（11）选择输出路径，单击OK。（12）评价分类结果与监督分类方法一样，可参考前面步骤。1.6.3将IKONOS多光谱影像4个波段与全色波段数据进行融合（1）打开ENVI软件，点击File→OpenImageFile，打开图像konospan.img，在AvailableBandList对话框中，选中konospan.img，点击右键，选择Editheader，点击OK，得到konospan.hdr。（2）新建一个记事本，将konospan.hdr拖入其中，查看konospan.img的头文件，如图1-11所示。图1-11头文件（3）在ENVI主菜单，点击BasicTools→ResizeData，在弹出的对话框中，选择multispectral.img，点击OK，在接下来弹出的ResizeDataParameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径。将重置了大小后的图像bj_resize按432的RGB模式显示，如图1-12所示。图1-12Band4、3、2合成RGB（4）将bj_resize图像以432的RGB模式在Display#1中显示，在ENVI主菜单，启动融合功能，点击Transform→ImageSharpening→HSV。在弹出HighResolutionInputFile的对话框中，选择konspan.img文件，OK。（5）通过融合，获得空间分辨率为1m的多波段图像，如图1-13。图1-13以432的RGB模式显示1.6.4将1m的融合图像降低空间分辨率，得到5m和15m的图像。（1）在ENVI主菜单，点击BasicTools→ResizeData，选择输入文件为bj_HSV，在ResizeDataParameters对话框中，点击SetOutputDimsbyPixelSize，将像元大小改为5米。图1-14修改像元大小（2）点击OK，设置存储路径，得到空间分辨率为5米的影像。图1-15设置重置图像参数（3）用相同的办法得到空间分辨率为15米的影像。图1-16修改像元大小1.6.5对空间分辨率为1m、5m和15m的影像进行分类。（1）首先对空间分辨率为1m的图像进行监督分类，可参照1.6.1的步骤。（2）利用相同的分类模板对5m分辨率的图像进行分类。首先需要进行转换，在Display#1中显示5m分辨率的图像，在Display#2中显示1m分辨率的图像，分别打开两窗口的ROI工具，在Display#2的ROITool对话框中点击File→RestoreROI，加载之前采集的ROI，如图1-17。图1-17两幅图像的ROITool对话框（3）在#2ROITool中点击File→ExportROIstoEVF，在File→ExportROIstoEVF对话框设置相关参数，如图1-18所示。图1-18设置转换参数（4）点击OK，在弹出的AvailableVectorsList对话框中，选择图层1，点击LoadSelected。这样矢量格式的ROI显示在Display#1中，如图1-19。图1-19带有矢量ROI的图层（5）在VectorParameters对话框中，点击File→ExportActiveLayertoROIs，这样在Display#1中就生成了与Display#2中对应的ROI，在Display#2中点击右键GeograghicLink，在#1ROITool中，选中一个ROI，点击Goto，窗口中会显示该ROI的位置，根据右侧Display#2的颜色修改#1ROITool中的ROI的颜色，直到#1ROITool中所有的ROI颜色修改完毕，如图1-20所示。图1-20修改ROI颜色（6）修改完颜色后，点击#1ROITool中选择Options→MergeRegions，对ROI进行合并，例如合并绿色ROI时，选择一个绿色ROI作为baseROI，选择全部绿色ROI参与合并，点击OK，则绿色ROI被合并成一个ROI，再用同样的方法合并其他颜色的ROI。使用新的模板进行马式距离监督分类。图1-21ROI合并（7）用同样的方法对空间分辨率为15m的图像进行分类。图1-22ROI合并完成1.5.6分别对1m、5m和15m的图像进行分类精度评价。图1-231m分类精度表图1-245m分类精度表图1-2515m分类精度表1.7练习题（1）用实验提供的另一个数据konospan.img，自行练习非监督分类的过程。（2）用数据multispectral.img，用最大似然法进行监督分类。1.8实验报告（1）根据实验操作过程，列出监督分类和非监督分类有哪些关键性操作步骤？（2）根据实验结果，分析不同空间分辨率的遥感影像与遥感影像分类精度的关系。1.9思考题（1）为什么要将多波段图像multispectral.img重置大小后和全色波段影像进行融合？（2）为什么在绘制地物ROI的时候，每类地物的ROI数量不能过少？（3）如何使用分辨