點(diǎn)擊關(guān)注 關(guān)注我們吧~

監(jiān)督分類，又稱訓(xùn)練分類法，用被確認(rèn)類別的樣本像元去識(shí)別其他未知類別像元的過(guò)程。

它就是在分類之前通過(guò)目視判讀和野外調(diào)查，對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性有了先驗(yàn)知識(shí)，對(duì)每一種類別選取一定數(shù)量的訓(xùn)練樣本，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣區(qū)的統(tǒng)計(jì)或其他信息，同時(shí)用這些種子類別對(duì)判決函數(shù)進(jìn)行訓(xùn)練，使其符合于對(duì)各種子類別分類的要求，隨后用訓(xùn)練好的判決函數(shù)去對(duì)其他待分?jǐn)?shù)據(jù)進(jìn)行分類。使每個(gè)像元和訓(xùn)練樣本作比較，按不同的規(guī)則將其劃分到和其最相似的樣本類，以此完成對(duì)整個(gè)圖像的分類。

遙感影像的監(jiān)督分類一般包括以下 6 個(gè)步驟，如下圖所示：

本文以 Landsat tm5 數(shù)據(jù) Can_tmr.img 為數(shù)據(jù)源，需要數(shù)據(jù)進(jìn)行聯(lián)系的朋友，可以私信大水牛哦~

第一步：類別定義/特征判別

根據(jù)分類目的、影像數(shù)據(jù)自身的特征和分類區(qū)收集的信息確定分類系統(tǒng)；對(duì)影像進(jìn)行特征判斷，評(píng)價(jià)圖像質(zhì)量，決定是否需要進(jìn)行影像增強(qiáng)等預(yù)處理。這個(gè)過(guò)程主要是一個(gè)目視查看的過(guò)程，為后面樣本的選擇打下基礎(chǔ)。

啟動(dòng) ENVI，打開(kāi)待分類數(shù)據(jù)：can_tmr.img。以 R:TM Band 5，G: TM Band 4，B：TM Band 3 波段組合顯示。

通過(guò)目視可分辨六類地物：林地、草地/灌木、耕地、裸地、沙地、其他六類。

第二步：樣本選擇

（1） 在圖層管理器 Layer Manager 中，can_tmr.img 圖層上右鍵，選擇“New Region Of Interest”，打開(kāi) Region of Interest (ROI) Tool 面板，下面學(xué)習(xí)利用選擇樣本。

1) 在 Region of Interest (ROI) Tool 面板上，設(shè)置以下參數(shù)：

2) 默認(rèn) ROIs 繪制類型為多邊形，在影像上辨別林地區(qū)域并單擊鼠標(biāo)左鍵開(kāi)始繪制多邊形樣本，一個(gè)多邊形繪制結(jié)束后，雙擊鼠標(biāo)左鍵或者點(diǎn)擊鼠標(biāo)右鍵，選擇 Complete and Accept Polygon，完成一個(gè)多邊形樣本的選擇；

3) 同樣方法，在圖像別的區(qū)域繪制其他樣本，樣本盡量均勻分布在整個(gè)圖像上；

4) 這樣就為林地選好了訓(xùn)練樣本。

注：1、如果要對(duì)某個(gè)樣本進(jìn)行編輯，可將鼠標(biāo)移到樣本上點(diǎn)擊右鍵，選擇 Edit record 是修改樣本，點(diǎn)擊 Delete record 是刪除樣本。

2、一個(gè)樣本 ROI 里面可以包含 n 個(gè)多邊形或者其他形狀的記錄（record）。

3、如果不小心關(guān)閉了 Region of Interest (ROI) Tool 面板，可在圖層管理器 Layer Manager上的某一類樣本（感興趣區(qū)）雙擊鼠標(biāo)。

（2）在圖像上右鍵選擇 New ROI，或者在 Region of Interest (ROI) Tool 面板上，選擇

工具。重復(fù)“林地”樣本選擇的方法，分別為草地/灌木、耕地、裸地、沙地、其他 5 類選擇樣本；

（3）如下圖為選好好的樣本。

（4）計(jì)算樣本的可分離性。在 Region of Interest (ROI) Tool 面板上，選擇 Option>Compute ROI Separability，在 Choose ROIs 面板，將幾類樣本都打勾，點(diǎn)擊 OK；

（5）表示各個(gè)樣本類型之間的可分離性，用Jeffries-Matusita, Transformed Divergence 參數(shù)表示，這兩個(gè)參數(shù)的值在0~2.0 之間，大于1.9 說(shuō)明樣本之間可分離性好，屬于合格樣本；小于1.8，需要編輯樣本或者重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本。

注：1、在圖層管理器 Layer Manager 中，可以選擇需要修改的訓(xùn)練樣本。

2、在Region of Interest (ROI) Tool 面板上，選擇Options > Merge (Union/Intersection) ROIs，在 Merge ROIs 面板中，選擇需要合并的類別，勾選 Delete Input ROIs。

（4）在圖層管理器中，選擇 Region of interest，點(diǎn)擊右鍵，save as，保存為.xml格式的樣本文件。

注：1、早期版本的感興趣文件格式為.roi，新版本的為.xml，新版本完全兼容.roi文件，在Region of Interest (ROI) Tool面板上，選擇 File>Open 打開(kāi).xml或.roi文件。

2、新版本的.xml 樣本文件（感興趣區(qū)文件）可以通過(guò)，F(xiàn)ile>Export>Export to Classic 菜單保存為.roi 文件。

第三步：分類器選擇

根據(jù)分類的復(fù)雜度、精度需求等確定哪一種分類器。目前ENVI的監(jiān)督分類可分為基于傳統(tǒng)統(tǒng)計(jì)分析學(xué)的，包括平行六面體、最小距離、馬氏距離、最大似然，基于神經(jīng)網(wǎng)絡(luò)的，基于模式識(shí)別，包括支持向量機(jī)、模糊分類等，針對(duì)高光譜有波譜角（SAM），光譜信息散度，二進(jìn)制編碼。下面是幾種分類器的簡(jiǎn)單描述，大家可以簡(jiǎn)單了解一下。

l 平行六面體（Parallelepiped）

根據(jù)訓(xùn)練樣本的亮度值形成一個(gè)n維的平行六面體數(shù)據(jù)空間，其他像元的光譜值如果落在平行六面體任何一個(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū)域，就被劃分其對(duì)應(yīng)的類別中。

l 最小距離（Minimum Distance）

利用訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在特征空間中的中心位置，計(jì)算輸入圖像中每個(gè)像元到各類中心的距離，到哪一類中心的距離最小，該像元就歸入到哪一類。

l 馬氏距離（Mahalanobis Distance）

計(jì)算輸入圖像到各訓(xùn)練樣本的協(xié)方差距離（一種有效的計(jì)算兩個(gè)未知樣本集的相似度的方法），最終技術(shù)協(xié)方差距離最小的，即為此類別。

l 最大似然（Maximum Likelihood）

假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。

l 神經(jīng)網(wǎng)絡(luò)（Neural Net）

指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過(guò)程。

l 支持向量機(jī)（Support Vector Machine）

支持向量機(jī)分類（Support Vector Machine 或 SVM）是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory 或 SLT）基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。SVM 可以自動(dòng)尋找那些對(duì)分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率。

l 波譜角（Spectral Angle Mapper）

它是在 N 維空間將像元與參照波譜進(jìn)行匹配，通過(guò)計(jì)算波譜間的相似度，之后對(duì)波譜之間相似度進(jìn)行角度的對(duì)比，較小的角度表示更大的相似度。

監(jiān)督分類到這里還沒(méi)有完成，我們下篇繼續(xù)！