大二下大禮包遙感原理

1504班第三小組遙感原理實習(xí)報告小組成員分工數(shù)據(jù)采集：張正博K均值法遙感影像分類：楊德臻，董港ISODATA法遙感影像分類：張雨姝，張涵笑最大似然法遙感影像分類：湯舒暢，陳川PPT制作：張正博CONTENTS01K均值法PartOne02ISODATAPartTwo03最大似然法PartThreeCONTENTS01K均值法PartOne楊德臻，董港K均值法參數(shù)的確定各種類別在波段上可行性分析K均值法參數(shù)的確定調(diào)整各項參數(shù)，多次試驗后發(fā)現(xiàn)，迭代次數(shù)太少分類效果不好，迭代次數(shù)太多，分類時間太長且效果提示不明顯，于是選擇了迭代5次。432波段合成圖像764波段合成圖像K均值法可行性分析K均值法可行性分析整體效果。經(jīng)過多次嘗試，最終發(fā)現(xiàn)：對432波段合成的圖像進行K均值分類，農(nóng)田類分類效果較好。K均值法可行性分析對764波段合成的圖像進行K均值分類，河流湖泊類分類效果較好。。對764波段合成的圖像進行K均值分類，城市群類分類效果較好。CONTENTS02ISODATAPartTwo張雨姝，張涵笑ISODATA預(yù)處理—關(guān)于條帶預(yù)處理—波段合成非監(jiān)督分類—ISODATA分類后處理ISODATA預(yù)處理—關(guān)于條帶打開下載的原始影像，發(fā)現(xiàn)有”裂縫“，使圖像成為條帶狀。上網(wǎng)搜索后發(fā)現(xiàn)原因如下。使用插件進行了修復(fù)。ISODATA預(yù)處理—波段合成

TM/ETM+的波段設(shè)置如下：

1—藍

2—綠

3—紅

4—近紅外

5—中紅外

6—熱紅外

7—中紅外

8(Pan)—全色

經(jīng)查找資料和嘗試，發(fā)現(xiàn)band5+4+3的合成圖像不僅類似于自然色，較為符合人類的視覺習(xí)慣，而且其信息量豐富，能充分顯示各種地物影像特征的差別，對影像分類十分有利。故采用543合成圖像進行分類，合成圖效果如下：ISODATA非監(jiān)督分類—ISODATA原始影像的大小為7991×6941，即包含五千多萬像素，543合成圖同樣如此。ISODATA需設(shè)置的基礎(chǔ)參數(shù)有6個，而如此巨大的樣本容量不利于每類最小像素數(shù)、類內(nèi)標準差閾值、聚類中心距離閾值等參數(shù)的設(shè)置。經(jīng)嘗試，直接對原圖分類的效果的確不理想。故截取了圖上512×512的一塊區(qū)域，對它進行分類。

ISODATA非監(jiān)督分類—ISODATA在ENVIClassic主菜單欄點擊Classification/Unsupervisied/IsoData，選擇待分類的512×512圖像。

ISODATA非監(jiān)督分類—ISODATA接下來輸入?yún)?shù)。最初，觀察圖像后，欲分為水體、植被、建筑物三類，考慮到圖中像素約25萬，將每類最小像素數(shù)設(shè)為4萬，其它參數(shù)設(shè)置如圖。由上而下依次為：—允許的類別數(shù)目—最大迭代次數(shù)—改變閾值（當?shù)螖?shù)達到最大，或當次迭代中，每類類別變化的像素比例都小于改變閾值，則結(jié)束迭代）—每類最小像素數(shù)—每類樣本標準差閾值—聚類中心之間距離的閾值—一次迭代中可以歸并的類別的最多對數(shù)

ISODATA非監(jiān)督分類—ISODATA分類結(jié)果如下。我們認為軟件默認配色效果不理想，故重新配色如右（左圖為默認配色）。

ISODATA非監(jiān)督分類—ISODATA在分類后圖像的窗口中，選擇Overlay/Classification，在InteractiveClassTool窗口中，可對分類結(jié)果進行操作。如編輯類名、顏色：

ISODATA非監(jiān)督分類—ISODATA改變某些參數(shù)后，圖像被分為4類，而對比原圖，發(fā)現(xiàn)其將房屋與裸地（如道路）分離，而兩者在3類時均隸屬于建筑物（左為原圖）。

ISODATA分類后處理觀察上述分類結(jié)果，發(fā)現(xiàn)存在不少細碎“圖斑”，這很大程度上是因為某些地物孤懸在外，未連成片。（回看圖）如，在成片的植被（耕地、林地等）中有一些獨幢的房屋。從某種意義上來說，這體現(xiàn)了ISODATA分類的準確性和細致性；但從專題制圖和實際應(yīng)用的角度，這些孤立地物可以適當?shù)睾雎圆挥?。故我們對分類結(jié)果進行再處理，剔除這些細碎圖斑。我們采用ENVI提供的Majority分析，用類似于卷積濾波的方法將較大類別中的虛假像元歸到該類中。即，定義一個變換核尺寸，用變換核中占主要地位（像元數(shù)最多）的像元類別代替中心像元（小圖斑）的類別。類似于濾波，變換核尺寸越大，則處理后結(jié)果越平滑。

ISODATA分類后處理考慮到裸地的相當一部分為道路，比較細長，故在選擇被平滑的類別時可以不選裸地，以免將道路平滑掉。各種平滑處理后的效果如后。

ISODATA分類后處理未平滑

3x3_全部平滑ISODATA分類后處理3x3_全部平滑

3x3_不處理裸地（右圖保留長江大橋）ISODATA分類后處理3x3_全部平滑

5x5_全部平滑ISODATA分類后處理5x5_全部平滑

5x5_不處理裸地（右圖道路適當保留）CONTENTS03最大似然法PartThree湯舒暢，陳川最大似然法分類原理波段融合操作樣區(qū)的合理性解釋精度評定最大似然法最大似然分類法將衛(wèi)星遙感多波段數(shù)據(jù)的分布當作多維正態(tài)分布來構(gòu)造判別分類函數(shù)。其基本思想是：各類的已知像元的數(shù)據(jù)在平面或空間中構(gòu)成一定的點群；每一類的每一維數(shù)據(jù)在自己的數(shù)軸上形成一個正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成該類的一個多維正態(tài)分布，有了各類的多維分布模型，對于任何一個未知類別的數(shù)據(jù)向量，都可反過來求它屬于各類的概率；比較這些概率的大小，看屬于哪一類的概率大，就把這個數(shù)據(jù)向量或這個像元歸為該類。分類原理最大似然法波段融合最大似然法波段融合操作采用NIR（5），RED（4），GREEN（3）波段分別作為R,G,B波段進行波段融合操作。在ENVIClassic軟件中選擇BasicTools-LayerStacking在對話框中點擊ImportFile，選擇相應(yīng)的波段后進行影像融合，得到標準假彩色圖像。從波段融合結(jié)果可以看出，影像中植被保存較好。最大似然法波段融合操作勾選RegionofInterest，在遙感影像上采集每一類地物對應(yīng)的選區(qū)。通過不同的顏色與命名來區(qū)別每一類的地物。本次分類選取山體，植被，城鎮(zhèn)植被，城鎮(zhèn)，長江，湖水六個地物類，同時將影像邊緣黑色區(qū)域單獨設(shè)置一個邊緣類，該類不參與精度評定但是參與最大似然分類。每一類地物選取10個選區(qū)來保證地物類的完整。最大似然法波段融合操作驗證可分離性：點擊RegionsofInterest-ROISeparability。對分類地物之間的可分離性進行評定。當每一類地物之間的可分離性在1.8-2.0之間時，符合要求。最大似然法波段融合操作點擊SupervisedClassification-MaximumDistanceClassification,選擇文件為543波段融合影像。在選擇所有地物類后，確定閾值為0.5，確定輸出文件的輸出路徑和文件名后開始分類。最大似然法波段融合操作合理性解釋：因為本波段的影像分類主要是對于植被進行分類的，因此在對于植被的分類結(jié)果上，分類結(jié)果較好，能將植被與城鎮(zhèn)植被兩種植被類型較好的分清楚。同時，對于城鎮(zhèn)，分類效果較好，但是大部分農(nóng)田區(qū)域分成了城鎮(zhèn)。對于長江和湖泊的分類情況，長江與湖泊整體分類情況較好，但是存在部分區(qū)域?qū)⒑磪^(qū)域分為長江區(qū)域，因此結(jié)果仍然存在誤差。最大似然法精度評定由可分離性精度評定可知，所有的分類類別結(jié)果均在1.939-2.0之間，符合1.8-2.0的范圍，因此可分離性滿足要求最大似然法波段融合操作采用SWIR2（7），SWIR1（6），Red（4）波段分別作為R,G,B波段進行波段融合操作。由影像顯示，城鎮(zhèn)地區(qū)顯示較為清楚。因此本波段組合側(cè)重于城鎮(zhèn)區(qū)域的區(qū)分。最大似然法波段融合操作按照上述步驟進行分類，分城鎮(zhèn)，植被與水域三類，設(shè)置閾值為0.5，分類效果如下：最大似然法精度評定最大似然法波段融合操作采用SWIR1（6），NIR（5），Blue（2）分別作為R,G,B波段進行影像融合，融合效果如下