湖南省遥感图像处理.ppt

,单击此处编辑文本样式,第二级,第三级,第四级,第五级,单击此处编辑标题样式,单击此处编辑文本样式,第二级,第三级,第四级,第五级,单击此处编辑标题样式,单击此处编辑文本样式,第二级,第三级,第四级,第五级,单击此处编辑标题样式,*,.,*,单击此处编辑文本样式,第二级,第三级,第四级,第五级,单击此处编辑标题样式,*,.,*,单击此处编辑文本样式,第二级,第三级,第四级,第五级,单击此处编辑标题样式,*,.,*,湖南省遥感图像处理,1.,数据下载,1.1 glcf,网站介绍,1.2,数据分析,1.3,数据下载,2,.,1.1 glcf,网站介绍,全称为,Global Land Cover Facility,，即全球土地覆盖设施。,关于,GLCF,全球土地覆盖设备,(GLCF),提供了地球科学数据和制品,帮助大家更好地了解全球环境系统。,GLCF,开发和销售遥感卫星数据和产品说明土地覆盖从地方到全球范围。,3,.,Path Row,Landsat,卫星采用的全球参考系为,WRS(world wide reference system),，是国际上非常具有代表意义的全球参考系之一。,WRS,是依据卫星地面轨迹的重复特性，结合星下点成像特性而形成的固定地面参考网格。其,WRS,参考系网格与,Landsat,卫星数据的成像区域紧密的契合，,WRS,网格的二维坐标采用,PATH,和,ROW,进行标识。,目前,WRS,有两个系统，分别为,WRS1,（,1983,年之前的参考系，,Landsat1-3,号卫星采用此参考系）和,WRS2,（,1983,年之后的参考系，,Landsat4,，,5,，,7,号卫星采用此参考系）。,Path Row,查询：,ROW,：,40,下图为湖南省,Path,和,Row,编号,5,.,6,.,1.3,数据下载,登录,glcf.umiacs.umd.edu/data/,，在此页面，大家可以看到有各种不同的影像分类，像,ASTER,，,QUICKBIRD,，,Landsat,等。,在选择,path,和,row,时，如果需要确认在此查找到的,Path,和,Row,所覆盖的确切范围，可以登录,of Interest,，默认,ROIs,为多边形，按照默认设置在影像上定义训练样本。,3.2,监督分类,在,ROIs,面板中，选择,Option-Compute ROI Separability,计算样本的可分离性。各个样本类型之间的可分离性，用,Jeffries-Matusita,Transformed Divergence,参数表示，这两个参数的值在,02.0,之间，大于,1.9,说明样本之间可分离性好，属于合格样本；小于,1.8,，需要重新选择样本；小于,1,，考虑将两类样本合成一类样本。,THANK YOU,SUCCESS,2025/6/26 周四,16,.,3.2,监督分类,第三步：分类器选择,根据分类的复杂度、精度需求等确定哪一种分类器。目前,ENVI,的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（,SAM,），光谱信息散度，二进制编码。下面是几种分类器的简单描述。,3.2,监督分类,平行六面体,根据训练样本的亮度值形成一个,n,维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。,最小距离,利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。,马氏距离,计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。,3.2,监督分类,最大似然,假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。,神经网络,指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。,3.2,监督分类,支持向量机,支持向量机分类（,Support Vector Machine,或,SVM,）是一种建立在统计学习理论（,Statistical Learning Theory,或,SLT,）基础上的机器学习方法。,SVM,可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。,波谱角,它是在,N,维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。,3.2,监督分类,第四步：分类后处理,分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。,更改类别颜色,可以在,Interactive Class Tool,面板中，选择,Option-Edit class colors/names,更改，也可以在,Display-Color Mapping-Class Color Mapping,。如下图所示，直接可以在对应的类别中修改颜色。,3.2,监督分类,分类统计分析,主菜单,-Classification-Post Classification-Class Statistics,。如下图所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。,3.2,监督分类,练习,栅矢转换,打开主菜单,-Classification-Post Classification-Classification to Vector,，可以将分类后得到的结果转化为矢量格式，或者主菜单,-Vector-Raster to Vector,，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件。,3.2,监督分类,第五步：结果验证,对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是,ROC,曲线，比较常用的为混淆矩阵，,ROC,曲线可以用图形的方式表达分类精度，比较形象。,真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单,-Classification-Post Classification-Confusion Matrix,或者,ROC Curves,来选择。,真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的,TM,影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用,ROI,工具，在,TM,图上均匀的选择,6,类真实参考源。,3.2,监督分类,选择主菜单,Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs,。将分类结果和,ROI,输入，软件会根据分类代码自动匹配，如不正确可以手动更改（下图）。点击,ok,后选择报表的表示方法（像素和百分比），就可以得到精度报表（分类精度评价混淆矩阵图）。,3.2,监督分类,练习,分类精度评价混淆矩阵图,3.2,监督分类,这里说明一下混淆矩阵中的几项评价指标，如下：,总体分类精度,等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的,Overall Accuracy=(1849/2346)78.8150%,。,3.2,监督分类,Kappa,系数,它是通过把所有真实参考的像元总数（,N,）乘以混淆矩阵对角线（,XKK,）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。,Kappa,计算公式,2.2,监督分类,错分误差,指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，林地有,419,个真实参考像元，其中正确分类,265,，,12,个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为,12/419=2.9%,。,漏分误差,指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的耕地类，有真实参考像元,465,个，其中,462,个正确分类，其余,3,个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为,3/465=0.6%,2.2,监督分类,制图精度,是指分类器将整个影像的像元正确分为,A,类的像元数（对角线值）与,A,类真实参考总数（混淆矩阵中,A,类列的总和）的比率。如本例中林地有,419,个真实参考像元，其中,265,个正确分类，因此林地的制图精度是,265/419=63.25%,。,用户精度,是指正确分到,A,类的像元总数（对角线值）与分类器将整个影像的像元分为,A,类的像元总数（混淆矩阵中,A,类行的总和）比率。如本例中林地有,265,个正确分类，总共划分为林地的有,277,，所以林地的用户精度是,265/277=95.67%,。,THANK YOU,SUCCESS,2025/6/26 周四,31,.,