??本文介紹基于ENVI軟件，實現(xiàn)最小距離法、最大似然法與支持向量機三種遙感圖像監(jiān)督分類方法的具體操作，同時進行分類后處理操作，并對不同分類方法結(jié)果加以對比分析。
1 分類需求
??我們先來看一下本文需要實現(xiàn)的需求?，F(xiàn)有一景北京部分地區(qū)高分一號遙感影像數(shù)據(jù)，空間分辨率為16米，如下圖所示；我們需要對其加以分類操作，因此稱其為“待分類影像”。
??此外，為了方便我們在進行分類前的目視解譯（因為是用監(jiān)督分類方法），還有一景同地區(qū)谷歌地球遙感影像數(shù)據(jù)，空間分辨率為0.00002 °，如下圖所示；將其下稱“參考影像”。
??這里需要注意，本文中待分類影像數(shù)據(jù)與參考影像數(shù)據(jù)之間地理參考信息是匹配的，即同一地物在兩景遙感影像中的位置是一致的；因此，我們可以直接開始后續(xù)的遙感影像分類操作。而若二者地理參考信息不匹配，則需要進行地理配準，具體方法可以參考基于ENVI的遙感影像柵格圖層手動地理配準方法（https://blog.csdn.net/zhebushibiaoshifu/article/details/118970315）或ENVI自動批量生成地面控制點實現(xiàn)柵格遙感影像自動地理配準（https://blog.csdn.net/zhebushibiaoshifu/article/details/124631718）這兩篇文章。
??明確了具體需求，接下來就可以開始監(jiān)督分類操作。
2 具體操作
2.1 ROI區(qū)域繪制
??首先，我們需要手動繪制兩個感興趣區(qū)（ROI）文件，分別作為本次遙感影像監(jiān)督分類的訓練數(shù)據(jù)與精度驗證數(shù)據(jù)。
??在左側(cè)待分類影像的圖層名稱處右鍵，選擇“New Region Of Interest”選項。
??隨后，彈出“Region of Interest (ROI) Tool”窗口。我們首先在該窗口的“ROI Name”選項中輸入第一個繪制的地物類型名稱，這里就以“林地”為例進行繪制。
??隨后，選擇“Geometry”一欄中的第一個選項，便可以在地圖中進行林地地物的繪制；每對一個區(qū)域完成繪制，雙擊鼠標左鍵即可保存。
??繪制過程中，如果在待分類影像中無法看清具體的地物，則可以借助空間分辨率相對更高的參考影像，對地物的具體類型進行辨認。
??多次重復上述繪制操作，從而將研究區(qū)域不同空間位置的林地地物盡可能均勻地標注出來。
??完成對某一類型地物的繪制后，選擇“Region of Interest (ROI) Tool”窗口中的“New ROI”選項，開始對下一地物進行繪制。
??在這里，我們緊接著以“水體”為例進行第二種地物類型的繪制。
??在繪制過程中，為了保證后期監(jiān)督分類的準確性，一定需要細心。例如，對于需要將“林地”與“草地”加以區(qū)分的分類應用需求，在繪制ROI區(qū)域時一定需要注意區(qū)別樹木與草木。例如下圖就可以明顯看到樹木與草木區(qū)域之間的差別。
??在繪制過程中，可以定時選擇“Region of Interest (ROI) Tool”窗口中的“File”→“Save”選項，從而對已經(jīng)繪制的數(shù)據(jù)進行保存。
??在對不同地物類型進行繪制時，在左側(cè)圖層列表的ROI文件處右鍵，選擇“Save As…”，即可對ROI文件實現(xiàn)另存；默認保存格式為.xml格式。如果需要.roi格式的文件，大家可以查看ENVI感興趣區(qū)（ROI）文件由XML格式轉(zhuǎn)換為ROI格式的方法（https://blog.csdn.net/zhebushibiaoshifu/article/details/123613209）。
??通過上述操作，對全部需要進行分類的地物完成ROI的繪制，并在左側(cè)圖層列表中ROI文件處右鍵，選擇“Save”，即可保存當前ROI文件。
??接下來，我們需要對繪制好的ROI文件進行波譜可分離性計算。這里的波譜可分離性代表ROI文件中每兩個地物類型之間的可分離情況，數(shù)值越大表示這兩個地物類型的差異越大，分類效果越好；如果數(shù)值較低（一般認為小于1時就較低），表示兩類地物之間的差異較小，分類效果可能不佳，可以重新劃分ROI區(qū)域或?qū)⒍吆喜ⅰ?/p>
??在“Toolbox”中選擇“Region of Interest”→“ROI Separability”選項。
??在彈出的文件選擇窗口中，輸入待分類影像。
??隨后，選擇需要參與計算的ROI地物類型。
??隨后，即可獲取波譜可分離性計算結(jié)果頁面。
??由于波譜可分離性的計算是基于每兩個ROI地物類型分別進行的，因此所得結(jié)果也是成對出現(xiàn)的；為了更直觀地獲取計算結(jié)果，我們可以直接對結(jié)果頁面的后半部分進行瀏覽。其中，這里是按照升序排列的——大于1.9表明兩種地物類型的分離情況較好，而較小的數(shù)值（比如上圖中草地與裸土的波譜可分離性只有1.48）表明兩種地物類型的分離情況不太理想。
??我們可以對分離情況不太理想的地物類型區(qū)域加以修改，從而提升其與其它地物類型的波譜可分離性。例如，我這里就對裸土的區(qū)域加以再一次的修改，以期獲取更高的波譜可分離性。
??對修改后的ROI文件重新計算波譜可分離性，得到新的結(jié)果如下圖所示（這里我將原本“林地”類型的名稱修改為“Forest”了）。
??可以看到，修改后ROI文件的波譜可分離性最小值由原先的1.48升至1.68，說明對地物類型區(qū)域的修改是有效果的。
??通過以上方法，我們獲取了一個完整的ROI文件。我們選擇將這一文件作為后續(xù)監(jiān)督分類過程中的輸入數(shù)據(jù)，即分類的標準依據(jù)，因此將其文件名稱命名為Classification.xml。此外，由于后期還需要對不同方法的分類結(jié)果加以精度評定，因此需要再一次執(zhí)行上述操作，再生成一個包含有與第一個ROI文件相同的地物類型的新ROI文件，作為精度評定的依據(jù)；我們這里將其命名為Test.xml。這里需要注意，兩個ROI文件中各地物類型的區(qū)域盡量不要繪制到同一個地物。
2.2 最小距離法
??接下來，我們就開始基于最小距離法的監(jiān)督分類操作。
??在“Toolbox”中選擇“Classification”→“Supervised Classification”→“Minimum Distance Classification”選項。
??在彈出的分類數(shù)據(jù)輸入窗口中，我們選擇待分類影像數(shù)據(jù)。
??隨后，進入“Minimum Distance Parameters”窗口。首先，在左上角“Select Classes from Regions”一欄中選擇需要進行分類的地物類型。接下來，“Set Max stdev from Mean”與“Set Max Distance Error”表示分類的閾值，前者表示以在平均值上加減一個標準差的范圍作為閾值，后者表示以某個像元的像素作為閾值；超出上述范圍的像素都不會納入分類。隨后，在右側(cè)配置分類結(jié)果圖像與分類結(jié)果規(guī)則圖像的保存路徑。關(guān)于分類方法的原理與參數(shù)的詳細解釋，大家可以點擊左下角的“Help”查閱；我這里就直接用了默認的參數(shù)。
??隨后，單擊“OK”執(zhí)行對應操作；獲取的分類結(jié)果圖像如下圖所示。
2.3 最大似然法
??接下來，我們就開始基于最大似然法的監(jiān)督分類操作。
??在“Toolbox”中選擇“Classification”→“Supervised Classification”→“Maximum Likelihood Classification”選項，如下圖所示。
??在彈出的分類數(shù)據(jù)輸入窗口中，我們選擇待分類影像數(shù)據(jù)。
??隨后，進入“Maximum Likelihood Parameters”窗口。首先，在左上角“Select Classes from Regions”一欄中選擇需要進行分類的地物類型。接下來，“Set Probability Threshold”一欄表示分類閾值，小于指定可能性的像元都不參與分類。隨后，“Data Scale Factor”用以將帶有縮放系數(shù)的遙感影像像元數(shù)值恢復至原先的數(shù)值。隨后，在右側(cè)配置分類結(jié)果圖像與分類結(jié)果規(guī)則圖像的保存路徑。關(guān)于分類方法的原理與參數(shù)的詳細解釋，大家可以點擊左下角的“Help”查閱；我這里就直接用了默認的參數(shù)。
??隨后，單擊“OK”執(zhí)行對應操作；獲取的分類結(jié)果圖像如下圖所示。
2.4 支持向量機
??接下來，我們就開始基于支持向量機的監(jiān)督分類操作。
??在“Toolbox”中選擇“Classification”→“Supervised Classification”→“Support Vector Machine Classification”選項，如下圖所示。
??在彈出的分類數(shù)據(jù)輸入窗口中，我們選擇待分類影像數(shù)據(jù)。
??隨后，進入“Maximum Likelihood Parameters”窗口。首先，在左上角“Select Classes from Regions”一欄中選擇需要進行分類的地物類型。接下來，在“SVM Options”一欄中對支持向量機的參數(shù)進行配置。
??其中，“Kernel Type”表示核函數(shù)，其每一個下拉選項均表示為一種在數(shù)學上表示核函數(shù)的不同方法；這里核函數(shù)描述的就是對目標地物類型進行預測時，以其周圍數(shù)據(jù)點為參考時的權(quán)重。選擇不同的核函數(shù)，就需要對不同的參數(shù)加以進一步的配置。一般的，我們選擇“Radial Basis Function”即可，這個核函數(shù)可以適用于大部分分類場景。
??這里我們就以“Radial Basis Function”為例來設置。選擇“Radial Basis Function”后，需要對“Gamma in Kernel Function”進行配置，其表示核函數(shù)中的一個參數(shù)。隨后，需要對“Penalty Parameter”參數(shù)進行配置，這個值代表懲罰參數(shù)。接下來，需要對“Pyramid Levels”參數(shù)進行配置，從而決定支持向量機分類過程中所用的圖像分辨率。此外，還需要對“Classification Probability Threshold”參數(shù)進行配置，其表示分類概率閾值，如果某些像元對于任何一個地物類型的概率都小于此值，則該像元將不參與分類。隨后，在右側(cè)配置分類結(jié)果圖像與分類結(jié)果規(guī)則圖像的保存路徑。關(guān)于分類方法的原理與參數(shù)的詳細解釋，大家可以點擊左下角的“Help”查閱；我這里就直接用了默認的參數(shù)。
??隨后，單擊“OK”執(zhí)行對應操作；獲取的分類結(jié)果圖像如下圖所示。
??以上完成了最小距離法、最大似然法與支持向量機三種遙感圖像分類方法的具體操作。
3 精度評定
??接下來，我們需要對三種不同的遙感影像分類方法進行分類結(jié)果的精度評定。
??首先，需要將我們在本文2.1部分完成手動繪制的、作為精度評定依據(jù)的ROI文件Test.xml導入ENVI軟件中；此時，需要將其添加到待計算精度的分類結(jié)果圖像上，我們這里就先以最小距離法所得結(jié)果為例介紹。
??接下來，在“Toolbox”中選擇“Classification”→“Post Classification”→“Confusion Matrix Using Ground Truth ROIs”選項。
??在彈出的分類數(shù)據(jù)輸入窗口中，我們選擇待計算分類結(jié)果精度的圖像數(shù)據(jù)，在這里也就是最小距離法所得結(jié)果圖像。
??隨后，彈出“Match Classes Parameters”選項窗口。
??在這一窗口中，我們需要將Test.xml文件所對應的地物類型與所得分類結(jié)果圖像中地物類型兩兩相匹配；匹配結(jié)果出現(xiàn)在窗口下方的“Matched Classes”欄中。我這里由于Test.xml文件所對應的地物類型與所得分類結(jié)果圖像中地物類型命名是一致的（除了分類結(jié)果圖像中的“Unclassified”），因此在“Matched Classes”欄中已經(jīng)自動生成匹配好的地物類型。
??隨后，點擊“OK”，出現(xiàn)如下所示的參數(shù)配置窗口。我們在第一行中勾選全部選項，并在第二行中選中Yes，從而使得精度報告的呈現(xiàn)的數(shù)據(jù)、指標更多。
??點擊“OK”，即可獲得如下所示的精度報告。其中，我們可以重點關(guān)注分類的總體精度“Overall Accuracy”與Kappa系數(shù)“Kappa Coefficient”。
??隨后，我們對最大似然法與支持向量機所得到的分類結(jié)果圖像依次執(zhí)行以上操作，得到三種圖像分類方法各自的精度評價指標如表1所示。
??關(guān)于最小距離法、最大似然法與支持向量機三種遙感圖像分類方法各自精度的對比分析，置于本文第5部分討論。
4 分類后處理
??通過前述最小距離法、最大似然法與支持向量機三種分類方法，我們獲得了各分類方法得到的直接結(jié)果圖像。而為了使得分類得到的結(jié)果得以更為廣泛的應用，我們往往還需要對其加以進一步處理，即分類后處理。分類后處理一般包括小斑塊處理、分類統(tǒng)計、修改各類別顯示顏色等步驟。
4.1 小斑塊處理
??我們首先進行小斑塊處理操作。通過這一操作，我們可以將原有分類結(jié)果圖像中零碎的地物類別加以消除，使得分類結(jié)果圖像變得平滑。這一操作有很多方法，包括“Majority/Minority Analysis”“Clump Classes”“Sieve Classes”等。我們這里就對第一種方法進行操作。
??在“Toolbox”中選擇“Classification”→“Post Classification”→“Majority/Minority Analysis”選項。
??在彈出的分類數(shù)據(jù)輸入窗口中，我們選擇待進行小斑塊處理的分類結(jié)果影像數(shù)據(jù)。這里以最小距離法得到的分類結(jié)果為例進行介紹，如下圖所示。
??隨后，彈出“Majority/Minority Parameters”窗口，如下圖所示。首先在“Select Classes”一欄中選中全部的地物類型；隨后，調(diào)整“Analysis Method”，這一參數(shù)表示具體執(zhí)行主要分析還是次要分析。接下來，調(diào)整“Kernel Size”，其表示執(zhí)行小斑塊處理的單個范圍大小，數(shù)值越大得到的處理結(jié)果越平滑。隨后，調(diào)整“Center Pixel Weight”，其表示中心像元的權(quán)重。
??隨后，點擊“OK”，即可獲得小斑塊處理后的結(jié)果圖像。
??隨后，我們對最大似然法與支持向量機所得到的分類結(jié)果圖像依次執(zhí)行以上操作。
4.2 分類統(tǒng)計
??接下來，如果需要實現(xiàn)分類統(tǒng)計，我們可以在“Toolbox”中選擇“Classification”→“Post Classification”→“Class Statistics”選項。
??從而可以實現(xiàn)對分類情況的基本統(tǒng)計值、直方圖、協(xié)方差、協(xié)方差圖等加以計算或繪制。
4.3 修改類別顏色
??最后，我們進行修改各類別顯示顏色這一步驟。在左側(cè)圖層列表中，對任意一張分類結(jié)果圖的任意一個地物類型名稱右鍵，選擇“Edit Class Names and Colors”選項。
??在彈出的“Edit Class Names and Colors”窗口中，按照每一類地物類型的實際情況對其顏色加以修改。
??隨后，點擊“OK”即可完成對該結(jié)果圖的顏色配置。
??接下來，對其它分類結(jié)果圖進行同樣的顏色修改設置。這里對其它圖像進行修改時，可以直接點擊“Import…”選項，利用我們設定好顏色的圖像進行自動設置。
5 結(jié)果對比
??通過表1可知，最小距離法、最大似然法與支持向量機所得遙感影像分類結(jié)果的總體精度分別為82.02%、96.50%與98.18%，Kappa系數(shù)分別為0.7014、0.9318與0.9637。由整體觀之，總體精度與Kappa系數(shù)的提升是同步的，二者增長趨勢與程度較為近似；三種方法中，最小距離法所得結(jié)果精度最低，支持向量機方法所得結(jié)果精度最高，最大似然法位居二者之間。其中，最小距離法精度明顯低于其余二者，其總體進度僅為82%，Kappa系數(shù)僅0.70，而其它兩種方法總體精度均可達90%以上，Kappa系數(shù)均可達0.90以上。支持向量機方法精度水平非常高，總體精度甚至可達98%以上，Kappa系數(shù)達0.96以上，說明這一方法較之最小距離法與最大似然法，更加適合對城市遙感影像的分類工作。
??由三種方法的參數(shù)設定與操作時長來看，最小距離法與最大似然法在方法執(zhí)行的簡單程度與效率方面，較之支持向量機方法更具有優(yōu)勢；支持向量機方法需要調(diào)整的參數(shù)整體較多，且分類時長顯著大于前兩種方法。當然這也是三種分類方法在數(shù)學運算的復雜程度方面具有顯著差異導致的。
??由分類后處理的結(jié)果來看，經(jīng)過小斑塊處理后的遙感影像分類結(jié)果整體更為平滑，但在一定程度上也丟了部分細節(jié)信息。這說明在今后的遙感影像分類應用中需要兼顧結(jié)果圖像平滑程度與細節(jié)信息之間的平衡。
歡迎關(guān)注公眾號/CSDN/知乎/微博：瘋狂學習GIS文章來源：http://www.zghlxwxcb.cn/news/detail-454806.html
文章來源地址http://www.zghlxwxcb.cn/news/detail-454806.html
到了這里，關(guān)于ENVI實現(xiàn)最小距離法、最大似然法、支持向量機遙感圖像監(jiān)督分類與分類后處理操作的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
