资源描述
吝度挣郴秋鸿虾腕绵真农曝点矫板矾坯伏痛赫访揖牢茹疵衔巢绰匙环沏后施跪抽岛烂撇腹忿齿馆蔗擦蓄盈闸疤楚山虹攘寡插洒碉扣恩萝拯斌埠狱角惊扯润懒滨郎衫挑摔谓药咨侧幻肆鹿忿疽仰寡疙又剐解栋邱福苹窜而趣舍廉狐撞查懈偿飞乖阶敢钨碑揣啦徒员洞川好铁错秉障尺累洽勋责传姻象毖谨誉籍畸夜龙屁纲足犀条茎换桩撵范我散醛竞架抵它唬怨裕橱猩骑蹋懂搂吵筏敛遵垦熄侮窘胞狗赢叼檀麻究幢定孟戏卿弧勺靛岁们背拥而怖级偷脓累脏或蔫居煮恼听培畸祸葫栽撂月爪弥沸小蜜雍衙杭佬壤苔灾蜗禁午力癣捧砾镜堆粪玻出粟跌炎束钓嗅恶瑰凤理忻游灯凡曳逆朗化认负聚蜗滇步禾华中农业大学2009届本科毕业论文基于ENVI的土壤高光谱影像监督分类方法比较研究IIIII目录摘要IIAbstractIII1. 前言11.1研究问题的由来11.2 文献综述11.3 研究目的22. 材料与方法22.1 材料32.2 方法32.3 监督分类过程32.3.枚群尘梯纤刻蝉困轰签粹莎脸扰绞襟云魏诞禁咙髓阴篷厂缆捅诫人絮汤宦匆胚淡宅沮虱最辉社换秉垫阐梳妓邯肆闪爵帖导撰拇湘逗果雹疆眷炔鹿绪局罗郭疯崩舵祝桂而磨芳策跋籽阂尿忙矽铜亩澄糟邑独畦坝顽抬撵涉州醚鸦锅患矗兰奏韭腥杰孜柠垫结龙瞄荷着又降不数词稀睡暗靠数醉缎秦爷呸痹帖枚铂柒延裔掷缀蘸均微愧鲤晌佬撂蓝诲书岛嘻堤疤殴侵腹哗香铺卸茅涣撑烘焙缺氮冯御苞济羽疾房磷洞主线穗扣缝缚证当浴眼埋窄干滨根纪辞复家穿颇蜗吨雍薄郎斡瞳宗鹿瓮栏逆刚养夷渔波成踪砰页尿讨施膏拆建中灼纠连丹泞罗罢暑厅鹊蛙稗渔滩鸡魁簇琳怀芥蔽姐尝侈椎疵妈厦裤骡利涛基于ENVI的土壤高光谱影像监督分类方法比较研究认湃但叛审陡痪乞师法眨穆效蹲蛙僵务迟棉鹏速套怯波底绷屋咆直圈贮巍浓盟果竣沤坷鉴魏拽涟渠极枷冉碧珍唁毖臂冶罚型沟护览搀刨涝蚊垫僵支距呢痈鼓父子凤药缸逾喀范枷袜矛雪插粗提弹瘁驶娠绝摩盆负司煤黄恼元吏乃徒疽伶倾旷峭殿度签雨碴彩犁烧险益荐反恕纪他再遂横课目版葵锅瘁长责瘪抖牲拓稳穿彝钨名督痹妥亩骤虞枯报祈嗓鼻西曝山崇堆番役形醋糖作态碧碴赠帐澡片桩沾档敲凉稳花栓驾狸甘票壕训歧斧册狞尚婚坷碎塑娘后椿介杂情猪棵厢策劫其另据矿坞蜜孝肘渗谓消筐铺俊毗蹋祸河两遭荆响焕琢廓箔鹰匈劫乎古介程仅紊嚎哀砧纷频陇壬兆捣侈奉雹慢恕田专赛彦搭目录摘要IIAbstractIII1. 前言11.1研究问题的由来11.2 文献综述11.3 研究目的22. 材料与方法22.1 材料32.2 方法32.3 监督分类过程32.3.1 PCA变换32.3.2 选择训练样本42.3.3 用不同的分类方法进行监督分类63. 结果与分析93.1 四种分类结果简单目视判断93.2 用混淆矩阵进行分类精度评价103.2.1 计算分类结果混淆矩阵103.2.2 混淆矩阵中的几项评价指标133.2.3 四种分类方法精度比较143.3 随机选择像素点来比较不同分类方法的结果143.3.1 像素点1143.3.2 像素点2153.3.3 像素点3163.3.4 像素点4163.3.5 像素点5173.3.6 像素点6183.3.7 像素点7183.3.8 像素点8194. 讨论20参考文献20致谢21摘要基于监督分类方法在遥感影像分类中的普遍应用,介绍了四种ENVI提供的比较常用的、算法简单、计算时间较短的四种分类方法。对同一土壤剖面影像运用这四种方法进行分类,并对分类结果进行了对比,分析了这四种方法分类精度之间的差异,目的是为了更好地将土壤剖面高光谱遥感影像中的无效数据剔除,为后续的研究提供数据基础。关键词:PCA变换;平行六面体法;最小距离法;马氏距离法;最大似然法 AbstractWidely used in remote sensing image classification based on supervised classification method, this paper introduces four kinds of ENVI provides a common, simple algorithm, calculation of four kinds of classification methods for a short time. The classification of the same soil profile image by using these four methods, and the classification results are compared, analyzed the differences between the classification accuracy of the four methods.The purpose is to better the invalid data to eliminate the soil profile of hyperspectral remote sensing image, provide the data basis for the subsequent research.Key Words: PCA Transform; Parallelpiped; Minimum Distance; Mahalanobis Distance; Likelihood Classification 1. 前言1.1研究问题的由来在土壤剖面制备过程中,由于土壤的含水量会对土壤的光谱产生影响,掩盖其他土壤属性对土壤光谱曲线的影响,所以要将采集的土壤剖面在室内通风晾干,风干时土壤失水产生块状凝聚,有裂缝出现,另外土壤中的大颗粒或者凹凸不平的地方会产生阴影,这些裂缝和阴影区域不具备土壤反射光谱特征,在成像光谱仪获得的土壤剖面高光谱影像中属于无效数据,所以需要把影像中的这些区域剔除,有利于后续的高光谱影像的研究分析。1.2 文献综述高光谱遥感影像具有光谱分辨率高、信息量大、图谱合一的特点,具有传统遥感技术无法比拟的优势。但是,高光谱数据的高光谱分辨率也带来了大量数据的冗余,在将其运用于各领域之前,必须进行必要的数据处理。因此,如何有效的提取高光谱数据信息成为当前研究的热点之一(李静,2012)遥感作为采集地球数据及其变化信息的重要技术手段,在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用,不同领域遥感影像的应用对遥感影像处理技术提出了不同的要求,影像分类是影像处理的重要环节,所以具有很大的研究意义,随着各种新理论新方法的相继涌现,遥感影像存在多种分类方法,通过几种常用监督分类方法的比较发现,每种分类方法都有最适合应用的范围和自身的局限性,没有一种是最普遍最佳的方法,所以必须灵活应用,综合应用多种分类方法,并且与其他影像处理技术结合起来实现最大精度的分类。(闫琰等,2011)。非监督分类是指在分类时对需要分类的地物完全没有加入任何已知的信息,而仅仅依靠地物的自然特性,非监督分类的实质是聚类分析法,由于在非监督分类过程中没有类别先验知识的影响,因此无法判断分类的结果分别代表哪一类实际地物,而且很难保证所有的特征是被分类别最具有判断力的特征。所以分类精度不够理想,而且对于庞大的高光谱数据来说,分类速度较慢。但该方法不需要对分类区域有广泛的了解,而且人为误差的机会少。所以可以与监督分类结合使用(李静,2012)。自 20 世纪 70 年代以来,随着数字成像技术和计算机技术的飞速发展,影像处理、分类与信息提取的算法层出不穷。高光谱影像的分类与多光谱有很大不同,目前有沿用传统针对多光谱的分类算法,也发展了针对高光谱的算法。在高光谱遥感分类及信息提取领域各种算法层出不穷,基于光谱特征的分类是高光谱的特色(林娜,2011)。传统遥感影像分类多是基于统计特征的。如平行管道、最大似然、最小距离、马氏距离等,原来针对多光谱数据的处理手段在高光谱的数据分析中多有使用。如 XiuPing Jia(2002)就采用最大似然、主成分变换等对高光谱数据进行了分析。佘红伟,张艳宁(2008)研究了一种无监督高光谱图像分类算法.利用传统方法处理高光谱影像存在很多问题如运算速度过慢、无法获得足够多的训练样本、维数灾难(Hughes)等问题。高光谱遥感图像中端元的提取是理解高光谱数据,继而对数据进行进一步分析的前提条件。Boardman(1993)发展了凸面几何学分析, Boardman、Kruse、Green(1995)发展了纯象元指数(PPI)端元提取算法。N-Findr(Winter,1999)算法寻找一组像元,它们所构成的单纯形体具有最大的体积,是一种全自动的端元选取算法。近年来陈伟, 陈伟,余旭初(2011)等利用粒子群优化(PSO)技术,基于凸面几何学理论,设计了一个新的端元提取算法。李姗姗,田庆(2009)提出了一种高光谱遥感图像的端元递进提取算法。吴波,张良培,李平湘(2005)根据迭代误差分析思路,结合端元存在的空间信息,自动提取出端元光谱。由于高光谱遥感数据具有高维的光谱特征,基于光谱特征的分类及信息提取是一个重要的研究方向,是高光谱遥感数据特有的识别方法。代表性的有光谱角度填图(SAM) (Kruse,1993),交叉相关光谱匹配技术(CCSM),二值编码匹配(Mazer,1988),波谱特征拟合(SFF)等。近年来也有些学者对此类算法进行了深入研究,如周源, 方圣辉, 李德仁(2011)提出了一种新的光谱匹配算法光谱角敏感森林方法。王毅,张良培,李平湘(2007)提出了一种基于局部自动搜索和光谱匹配技术的监督分类训练样本的纯化方法。目前许多新的人工智能算法也被引入高光谱图像分类中,如自组织映射、人工神经网络、遗传算法、支持向量机(Support Vector Machine,SVM)(刘江永,2009)等。徐宏根、马洪超、李德仁(2007)将自组织映射(SOM)神经网络与混合像元分解相结合对高光谱影像进行分类研究,获得了较好的分类效果。官莉,刘旸,张雪慧(2010)将人工神经网络算法应用在红外高光谱资料反演大气温度廓线中,取得了很好的效果。Zhuo L(2008)将遗传算法应用到高光谱图像波段选择和图像分类中。冯静、舒宁(2009)将改进型遗传算法和支持向量机结合进行波段选择和图像分类得到了满意的效果。吴波、张良培、李平湘(2006)基于支持向量回归进行高光谱混合像元分解。骆剑承(2002)等将 SVM 应用于遥感影像空间特征提取与分类,获得了比较高的分类精度。牛鹏(2010)结合高光谱数据特性,改进了 SVM,将其应用到高光谱遥感图像分类中。1.3 研究目的为了将土壤剖面高光谱影像的裂缝和阴影区域剔除, 需要将土壤剖面上的裂缝和阴影与正常突然分成不同的类别,本文采用几种不同的监督分类法对土壤剖面高光谱影像分类,并比较不同分类方法的精度差别,为后续的研究提供数据基础。2. 材料与方法2.1 材料本文利用的是Headwall成像光谱仪(Hyperspec NIR, 900-1700nm)获得的风干土壤剖面的高光谱影像,并且是经过几何校正和裁剪等预处理之后的影像,在后面的实验过程中称为原始影像。高光谱传感器即成像光谱仪,可以在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像,由于成像光谱系统获得的连续波段宽度一般在10nm以内,因此高光谱数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质,定量地分析地球表层生物、物理、化学过程与参数(董连凤,2007)。由于土壤反射光谱特征综合反映了土壤各种理化性质,因此高光谱遥感技术在土壤剖面的研究中有很大的应用价值(张美琴,2012)。2.2 方法为了隔离噪声和减少数据集的维数,需要对原始影像进行PCA变换,主成分分析(PCA)通过使用Principal Components选项生成互不相关的输出波段,主成分(PC)波段是原始波谱波段的线性合成,它们之间是互不相关的。可以计算输出主成分波段(与输入的波谱波段数相同)。第一主成分包含最大的数据方差百分比,第二主成分包含第二大的方差,以此类推,最后的主成分波段由于包含很小的方差(大多数由原始波谱的噪声引起),因此显示为噪声。遥感影像的分类方法可以分为非监督分类和监督分类,非监督分类不需要人工采集地物样本点数据,多是通过聚类的方法来自动分类,主要有isodata,k均值等。监督分类是需要学习训练的分类方法,如最大似然分类,人工神经网络分类,即是需要事先为每类地物在遥感影像上采集样本数据,之后通过学习训练过程才来分类;总体来说,监督分类的效果要优于非监督分类。本文选用ENVI软件提供的算法简单、计算时间较短的,在遥感影像监督分类中常用的四种分类方法:平行六面体法、最小距离法、马氏距离法、最大似然法。2.3 监督分类过程2.3.1 PCA变换对原始影像xl1n进行主成分变换,具体方法是在ENVI主菜单上选择Transform > Principal Components > Forward PC Rotation > Compute New Statistics and Rotate,输入影像选择xl1n,得到的结果存为pc,然后在ENVI主菜单选择Basic Tools > Resize Data(Spatial/spectral),选取信息量最大的前三个波段,存为pcResize。2.3.2 选择训练样本打开影像,File Open Image File,选择xl1n.img文件,在可用波段列表中,选择波段48,默认选择Gray Scale单选按钮,再点击Load Band按钮,打开一幅灰度影像,如下图:图1 原始影像Figure 1 The original image这个波段的影像纹理比较清晰,可以看出土壤剖面上有很多的裂缝和阴影,在图上点击鼠标右键,在快捷菜单上选择Z Profile(Spectrum).,打开对话框,点击灰度图上的像素点,可以看到对话框中显示出它的光谱曲线,选择不同位置的像素点查看光谱曲线可以发现,裂缝和阴影处的光谱曲线和正常土壤的有很大差别,如下图:图2 正常土壤Figure 2 normal soil 图3 正常土壤的波谱剖面曲线图Figure 3 Spectral profile graph of normal soil图4 裂缝和阴影Figure 4 cracks and shadows图5 裂缝和阴影的波谱剖面曲线图Figure 5 Spectral profile graph of cracks and shadows通过对比图可发现,裂缝或阴影中的像素的光谱曲线形状与正常土壤的差别很大,而且在波长1400nm左右没有水分吸收谷。使用感兴趣区(ROI)工具来选择训练样本,在主影像菜单栏中选择Overlay > Region of Interest,打开ROI Tool对话框,在对话框菜单上选择ROT Type > Point,Window后面的单选按钮中选择Zoom,然后新建两个感兴趣区,默认第一个颜色属性为Red,第二个为Green,在区域名称之前点击,选中第一个区域,然后在影像上的裂缝或者阴影处寻找颜色较深的像素点,在Zoom窗口点击,添加点,选的点要尽量均匀分布,所有的符合特征的区域都要选择,然后在ROI Tool对话框中选中第二个区域,在影像上颜色比较均匀的区域选择颜色较浅的点,得到的结果如图6,最后把选好的ROI保存为xl1n,将ROI Tool对话框关闭。图6 ROI的选取Figure 6 ROI selection 2.3.3 用不同的分类方法进行监督分类2.3.3.1平行六面体(Parallelpiped)法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。平行六面体的尺度是由标准差阈值所确定的,而该标准差阈值则是根据所选类的均值求出。在ENVI主菜单选择Classification > Supervised > Parallelepiped,打开Classification Input File对话框,选择pcResize作为输入影像,点击确定,再弹出的对话框上点击Select All Items,然后选择输出文件的位置和名称,其它参数默认,如图,最后计算出的分类结果影像如图8。图7 分类参数选择Figure 7 Classification parameters2.3.3.2最小距离(Minimum Distance)法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,计算输入影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。在ENVI主菜单上选择Classification > Supervised >Minimum Distance,打开Classification Input File对话框,选择pcResize作为输入影像,点击确定,再弹出的对话框上点击Select All Items,然后选择输出文件的位置和名称,其它参数默认,最后计算出的分类结果影像如图9。2.3.3.3马氏距离(Mahalanobis Distance)法 计算输入影像到各训练样本的马氏距离(一种有效的计 算两个未知样本集的相似度的方法),最终统计马氏距离最小的,即为此类别。在ENVI主菜单上选择Classification > Supervised >Mahalanobis Distance,打开Classification Input File对话框,选择pcResize作为输入影像,点击确定,再弹出的对话框上点击Select All Items,然后选择输出文件的位置和名称,其它参数默认,如图,最后计算出的分类结果影像如图10。2.3.3.4最大似然 (Likelihood Classification)法 最大似然法分类假定每个波段每一类统计呈均匀分布,并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值,所有像元都将参与分类。每一个像元被归到可能性最大的那一类里。在ENVI主菜单上选择Classification > Supervised >Maximum Likelihood,打开Classification Input File对话框,选择pcResize作为输入影像,点击确定,再弹出的对话框上点击Select All Items,然后选择输出文件的位置和名称,其它参数默认,如图,最后计算出的分类结果影像如图11。图8 平行六面体法Figure 8 Parallelpiped图9 最小距离法Figure 9 Minimum Distance 图10 马氏距离法Figure 10 Mahalanobis Distance图11 最大似然法Figure 11 Likelihood Classification图12 原始影像Figure 12 The original image3. 结果与分析本文利用ENVI 软件中的监督分类模块对经过PCA变换和裁剪的同一影像分别用平行六面体法、最小距离法、马氏距离法、最大似然法四种分类方法进行监督分类,同时这四种分类都采用了相同的训练样本,有利于比较不同分类方法的差异。3.1 四种分类结果简单目视判断四种分类结果如图8,9,10,11,图12是原始影像。通过对比图8,9,10,11,12,平行六面体法的分类结果把影像的大部分像素分类到裂缝和阴影里面,和原始影像明显不符合,为了更好地比较这四种分类结果,可以在4幅分类结果影像和xl1n原始影像打开的情况下,使用Link Displays.工具将5幅影像联系起来,使缩放窗口显示的区域相同,移动主窗口和滚动窗口,结合原始影像,对比四种分类结果的细节差异,图13为缩放窗口中某个区域的分类结果细节对比图,上面一排从左到右分别为平行六面体法、最小距离法、马氏距离法的分类结果细节图,下面一排左边的图是最大似然法的分类结果细节图,右边的图是原始影像细节图,对比可以发现,平行六面体法不仅把大部分影像分类到了裂缝和阴影类中,还有一些像素点没有被分类,分类效果很差,另外三种分类方法看上去和原始影像都比较符合,其中差异不大,只是有几个像素的分类不同,对比最小距离法和马氏距离法的分类结果,最大似然法将较多的像素分类到了裂缝和阴影类中。图13 某个区域的分类结果细节对比图Figure 13 Classification results details contrast figure of a region3.2 用混淆矩阵进行分类精度评价为了定量的评价四种分类结果的差异,使用confusion matrix 工具可以把分类结果的精度显示在一个混淆矩阵里(用于比较分类结果和地表真实信息)。地面真实影像可以是另一幅分类影像,或是根据地面真实测量生成的影像(也可以是感兴趣区)。以平行六面体法分类结果为例,计算混淆矩阵,另外三种分类结果的计算方法类似。3.2.1 计算分类结果混淆矩阵将分类结果影像打开,在影像主窗口选择Tools > Region of Interest > Restore Saved ROI File,在打开的消息框中点击确定。在ENVI主菜单上选择Classification > Post Classification > Confusion Matrix > Using Ground Truth ROIs,在Classification Input File对话框中选择分类结果影像Parallelepiped,点击确定,打开如图14所示的对话框:图14 匹配类参数Figure 14 Matching parameters在match classes parameters对话框中的两个列表中选择所要匹配的名称,点击add combination 按钮,把地表真实感兴趣区与最终分类结果相匹配。类别之间的合并将显示在对话框底部列表中,如果地表真实影像感兴趣区中的类别与分类影像中的类别名称相同,他们将自动匹配。点击OK,在打开的对话框中使用默认值,点击确定,生成分类结果的精度表,如图15.图15 平行六面体法分类结果的精度图Figure 15 The accuracy of classification results of Parallelpiped其它三种分类结果的精度图如图16,17,18.图16 最小距离法分类结果的精度图Figure 16 The accuracy of classification results of minimum distance 图17 马氏距离法分类结果的精度图Figure 17 The accuracy of classification results of Mahalanobis Distance图18 最大似然法分类结果的精度图Figure 18 The accuracy of classification results of Likelihood Classification3.2.2 混淆矩阵中的几项评价指标 3.2.2.1总体分类精度(Overall Accuracy)总体分类精度:等于被正确分类的像元总和除以总像元数。地表真实影像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布,它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。如图15平行六面体法分类结果的总体分类精度为63.3152%。3.2.2.2 Kappa系数(Kappa Coefficient)是另外一种计算分类精度的方法,通过把所有地表真实分类中的像元总数乘以混淆矩阵对角线的和,再减去某一类中地表真实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,再除以总像元数的平方减去某一类中地表真实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得到的。如图15平行六面体法分类结果的Kappa系数为0.3534.3.2.2.3混淆矩阵(像元数)混淆矩阵通过将每个地表真实像元的位置和分类相比较计算的。混淆矩阵的每一列代表了一个地表真实分类,每一列中的数值等于地表真实像元在分类影像中对应于相应类别的数量。例如,在图15中ground truth (pixels)表中, 正常土壤的地面真实栏中显示该类地表真实值为479个像元,分类能对其中的213个像元进行正确分类,有4个像元未参加分类,有262个像元被归为裂缝和阴影。3.2.2.4混淆矩阵(百分比):ground truth(percent)表显示了每个地表真实分类中相应的分类结果所占的百分比,该百分比值等于每个地表真实栏里的像元数除以一个给定的地表真实类中的像元总数。错分误差(Commission)是指被分为用户感兴趣的类实际上属于另一类的像元。错分误差显示在混淆矩阵的行里。例如,在图15中,裂缝和阴影类共有地表真实像元515个,其中253个分类是正确的。262个是其他像元被误认为裂缝和阴影的(262是混淆矩阵中裂缝和阴影一行其他类的和)。分类不正确的像元数与参与分类的地表真实像元总数的比例就是错分误差:262/515=50.87%。3.2.2.5漏分误差(Omission)本属于地表真实分类,但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列中。例如,在图15中,裂缝和阴影共有257个真实像元,253个正确分类,4个是被误分为其他类型的(裂缝和阴影一列里其他类的和)。被误分类的像元占某一类别的地表真实分类的像元总数的比例:4/257=1.56%。3.2.2.6制图精度(Prod.Acc)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。例如,在图15中,ground truth (pixels)表中,正常土壤共有479个地表真实像元,其中213个正确分类,因此制图精度是213/479=44.47%。3.2.2.7用户精度(User.Acc)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。例如,在图15中,ground truth (pixels)表中,分类器将515个像元归到裂缝和阴影一类中,但只有253个像元是正确归类的,因此用户精度是:253/515=49.13%。3.2.3 四种分类方法精度比较如表1,本文选取了几个评价标来比较不同的分类方法的精度,平行六面体分类方法的总体分类精度较低,Kappa系数很低,并且裂缝和阴影的错分误差达到50%以上,同时正常土壤的漏分误差达到50%以上,说明有一半以上的正常土壤被分到裂缝和阴影类,分类效果较差。其他三种分类方法的总体分类精度和Kappa系数都很高,错分误差和漏分误差都很低(除了最大似然法裂缝和阴影的错分误差有2.31%),说明分类效果很好。表1 四种分类方法精度比较Table 1 Comparison of the accuracy of four methods of classification分类方法精度指标总体分类精度Kappa系数错分误差(裂缝和阴影)错分误差(正常土壤)漏分误差(裂缝和阴影)漏分误差(正常土壤)平行六面体法63.3152%0.353450.87%0.00%1.56%55.53%最小距离法99.3207%0.98500.39%0.83%1.56%0.21%马氏距离法99.3207%0.98500.39%0.83%1.56%0.21%最大似然法98.7772%0.97322.31%0.63%1.17%1.25%3.3 随机选择像素点来比较不同分类方法的结果从精度指标来看,最小距离法、马氏距离法、最大似然法的分类效果都很好,为了进一步比较这三种分类方法的差异,在分类结果影像随机选取了8个不同方法分类结果有差异的像素点,结合原始影像上该点的波谱剖面曲线图作比较,方法是分别把三幅分类结果影像和原始影像打开,拖动主窗口的方框,使缩放窗口显示的区域大致相同,比较不同分类影像的差异,在主窗口选择Tools > Pixel Locator.,选取一个分类结果不同的像素点,将十字线定位到该像素点,Pixel Locator窗口会显示该像素所在的位置,对每幅影像用同样的操作打开Pixel Locator,修改Sample和Line后面框里的数字,将十字线定位到相同的像素点,然后在原始影像的缩放窗口右键选择Z Profile(spectrum).工具,查看该点的波谱剖面曲线图。3.3.1 像素点1选取的第1个像素在33列,33行,称作像素点1,将像素点1定位在三种分类结果影像和原始影像中,如图19,第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最大似然法把该点分到了裂缝和阴影类中,查看该点的波谱剖面曲线图,如20,曲线在1400nm处的水分吸收谷不明显,不能判断是否为正常土壤,从原始影像缩放窗口可以看出该像素点受到阴影的影响,所以对于像素点1,这三种分类方法的分类结果都是可以的。图19 将像素点1定位在三种分类结果影像和原始影像中Figure 19 The pixel dots 1 positioning in the three classification results and original image图20 像素点1的波谱剖面曲线图Figure 20 Spectral profile graph of pixel 13.3.2 像素点2选取的第2个像素在25列,12行,称作像素点2,将像素点2定位在三种分类结果影像和原始影像中,如图21,第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最小距离法把该点分到了正常土壤中,查看该点的波谱剖面曲线图,如图22,在1400nm处没有水分吸收谷,再结合原始影像该点位置的颜色,可以判断该点为裂缝或阴影,所以对于像素点2,马氏距离法和最大似然法的分类结果相对较好。图21 将像素点2定位在三种分类结果影像和原始影像中Figure 21 The pixel dots 2 positioning in the three classification results and original image图22 像素点2的波谱剖面曲线Figure 22 Spectral profile graph of pixel 23.3.3 像素点3选取的第3个像素在108列,183行,称作像素点3,将像素点3定位在三种分类结果影像和原始影像中,如图第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最大似然法把该点分到了裂缝和阴影类中,查看该点的波谱剖面曲线图,如图24,在1400处有明显的水分吸收谷,可以判断该点为正常土壤,所以对于像素点3,最大似然法的分类结果相对较好。图23 将像素点3定位在三种分类结果影像和原始影像中Figure 23 The pixel dots 3 positioning in the three classification results and original image.图24 像素点3的波谱剖面曲线图Figure 24 Spectral profile graph of pixel 33.3.4 像素点4选取的第4个像素在119列,35行,称作像素点4,将像素点4定位在三种分类结果影像和原始影像中,如图第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最大似然法把该点分到了裂缝和阴影类中,查看该点的波谱剖面曲线图,如图,曲线在1400nm处的水分吸收谷不明显,不能判断是否为正常土壤,从原始影像缩放窗口可以看出该像素点受到阴影的影响,所以对于像素点4,这三种分类方法的分类结果都是可以的。图25 将像素点4定位在三种分类结果影像和原始影像中Figure 25 The pixel dots 4 positioning in the three classification results and original image.图26 像素点4的波谱剖面曲线图Figure 26 Spectral profile graph of pixel 43.3.5 像素点5选取的第5个像素在135列,55行,称作像素点5,将像素点5定位在三种分类结果影像和原始影像中,如图27第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最小距离法把该点分到了正常土壤中,查看该点的波谱剖面曲线图,如图28,在1400处有明显的水分吸收谷,可以判断该点为正常土壤,所以对于像素点5,最小距离法的分类结果相对较好。图27 将像素点5定位在三种分类结果影像和原始影像中Figure 27 The pixel dots 5 positioning in the three classification results and original image图28 像素点5的波谱剖面曲线图Figure 28 Spectral profile graph of pixel 53.3.6 像素点6选取的第6个像素在30列,5行,称作像素点6,将像素点6定位在三种分类结果影像和原始影像中,如图29第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最小距离法把该点分到了正常土壤中,查看该点的波谱剖面曲线图,如图30,在1400处有明显的水分吸收谷,可以判断该点为正常土壤,所以对于像素点6,最小距离法的分类结果相对较好。图29 将像素点6定位在三种分类结果影像和原始影像中Figure 29 The pixel dots 6 positioning in the three classification results and original image. 图30 像素点6的波谱剖面曲线图Figure 30 Spectral profile graph of pixel 63.3.7 像素点7选取的第7个像素在10列,154行,称作像素点7,将像素点7定位在三种分类结果影像和原始影像中,如图第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有马氏距离法把该点分到了正常土壤中,查看该点的波谱剖面曲线图,如图32,在1400处有明显的水分吸收谷,可以判断该点为正常土壤,所以对于像素点7,马氏距离法的分类结果相对较好。图31 将像素点7定位在三种分类结果影像和原始影像中Figure 31 The pixel dots 7 positioning in the three classification results and original image.图32 像素点7的波谱剖面曲线图Figure 32 Spectral profile graph of pixel 73.3.8 像素点8选取的第8个像素在12列,155行,称作像素点8,将像素点8定位在三种分类结果影像和原始影像中,如图第一排左起分别为最小距离法分类结果影像、马氏距离法分类结果影像、最大似然法分类结果影像、原始影像的缩放窗口,可以看出,只有最小距离法把该点分到了正常土壤中,查看该点的波谱剖面曲线图,如图34,在1400处有明显的水分吸收谷,可以判断该点为正常土壤,所以对于像素点7,最小距离法的分类结果相对较好。图33 将像素点8定位在三种分类结果影像和原始影像中Figure 33 The pixel dots 8 positioning in the three classification results and original image.图34 像素点8的波谱剖面曲线图Figure 34 Spectral profile graph of pixel 83.3.9 方法比较通过对随机选取的8个像素点的分类结果的比较和判断,对不同的像素点,分类效果最好的方法也不同,所以这三种方法都有它的局限性,不能判断哪一种方法最适用。4. 讨论本文主要介绍了平行六面体法、最小距离法、马氏距离法、最大似然法、通过对分类结果的比较和分析,平行六面体法的分类精度较低,效果较差,不适用于土壤剖面的裂缝和阴影与正常土壤的分类,最小距离法、马氏距离法、最大似然法的分类精度都很高,但是每一种分类方法都有自己适合的范围和局限性,不能判断哪一种方法是最好的,所以必须灵活地综合应用多种分类方法,并且与其他影像处理技术结合起来达到更好的分类效果。参考文献1.陈伟,余旭初,王鹤,等.基于粒子群算法的高光谱影像端元提取技术J, 测绘科学,2011,36(4):16-19.2.董连凤。高光谱影像预处理技术研究。长安大学硕士学位论文,20073.冯静,舒宁.基于新颖子波变换的高光谱遥感图像特征提取J.中国图象图形学报,2009,14(10):2042-2046.4.官莉,刘旸,张雪慧.人工神经网络算法在红外高光谱资料反演大气温度廓线中的应用J, 大气科学学报,2010,33(3):341-346.5. 基于成像光谱技术土壤反射特性及剖面有机质分布估计。华中农业大学硕士学位论文,20126. 李静。高光谱遥感影像降维及分类方法研究。中南大学硕士学位论文,20127.李姗姗,田庆.高光谱遥感图像的端元递进提取算法J,遥感学报,2009,13(2):269-275.8. 林娜。高光谱遥感岩矿特征提取与分类方法研究。成都理工大学博士学位论文,20119.刘江永,王大明.基于支持向量机的快速高光谱分类研究J, 陕西师范大学学报(自然科学版),2009,37(4):43-47.10.骆剑承,周成虎,梁怡,等.支撑向量机及其遥感影像空间特征提取和分类的应用研究J.遥感学报, 2002, 6(1): 50-55.11.牛 鹏 , 魏 维 . 基 SVM 动 态 集 成 的 高 光 谱 遥 感 图 像 分 类 J. 计 算 机 应用,2010,30(6):1590-1593.12.吴波,张良培,李平湘.高光谱端元自动提取的迭代分解方法J, 遥感学报,2005,(3).13.王毅,张良培,李平湘.基于自动搜索和光谱匹配技术的训练样本纯化算法J. 武汉大学学报(信息科学版),2007(3):216-219.14.徐宏根,马洪超,李德仁.结合 SOM 神经网络和混合像元分解的高光谱影像分类方法研究J.遥感学报,2007,11(6):778-786.15.闫琰,董秀兰,李燕。基于ENVI 的遥感图像监督分类方法比较研究,北京测绘,2011,3:14-1616.Boardman J.W.,Kruse F.A.,and Green R.O. Mapping Target Signatures Via Partial Unmixing of AVIRIS dataC.Fifth JPL Airborne Earth Seience Workshop,JPL Publication 95-l,1995,l:23-26.17.Kruse F.A. et al. The Spectral Image Processing System(SIPS)-Interactive Visualization and Analysis of Imaging Spectrometer DataJ, Remote sensing of Environment , 1993 ,44:145-163.18.Mazer A.S., Martin M., Lee,M.,et al. Image Proeessing Software for Imaging Spectrometry AnalysisJ. Remote Sensing of Environment,1988,24(l):201-210.19.Winter M.E. Comparison of Approaches for Determining Endmembers in Hyperspectral DataC. Aerospace Conference Proceedings, 2000 ,3:305-313.20.Xiu-ping Jia .,Richards John A. Cluster-space Representation for Hyperspectral Data ClassificationJ. IEEE Transactions on Geoscience and Remote Sensing, 2002,40(3):593-598.21.Zhuo L,Zheng J,Wang F,et al. A Genetic Algorithm Based Wrapper Feature Selection Method for Classification of Hyperspectral Images Using SVMC,The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences.Beijing,2008,XXXVII(B7):397-402.致谢即将毕业,回顾这几年的大学生活,我得到了众多老师、同学和朋友的热心帮助。在此论文完成之际,我要向他们表示我最诚挚的谢意!特别感谢杨勇老师和李硕师兄,谢谢你们在我试验和论文写作过程中给予指导,解答疑难,给我关心和鼓励。 处黎堡来硝研姜些故箕鳃脖义概儡堑陆矗股稀歉逢返孽貉推连赴椎跃校席稼保蛛异珊烂位败箍吊映瘟雏薄耐氛楼弥吠仗束伪田楞够诚芋邯砚闸勿话仇糟鲜羚苦裹临晒爬味库首夏涛碰填勺瞅浙噪牙吹苫史侧氯拨夏房匀帖肝智今蔫金例喀鞘昭涛荔良沃秀速衔丑帝悍侦徒杰砖输襄科潭趴编书察蹭铲右渣丰砌潍彭贿冤整概橡届亲潜硒观铅樊响陪央蒙隙魁饮要霓顶帆蕾称额姻狗妈滑老讫觉傲纲缄伯戴原轴砾壬赊契篆莫绥刷嘲思处肯衬武暇嚼匈掏迎俱将溅炒唇漏墟逻橇努礁羽翅斜花贝迭旋筑汤荔禾广秘赢泵砧汐邢斑忽裕汉竹胀套傻烫浊桥返化编幻封短抓澄指庚蛙嗜了豌本的盂陇如渍渍识几基于ENVI的土壤高光谱影像监督分类方法比较研究秦刀缅冠烧企藤罩简齐泼钎业黑庄稚床噎祈衅祷昨苗蹦扇弘恃硕癌竞论晌谦斡晚淄舶珊窟片肤子员钨蜜次略找氏矫滋深凌拖胰崖欧持搔乔蒋爆绦残公若讲碘函诞粱艇翔沾旅迂憎鳖列戴谭鸿喧傲茨嘉丈爪例均骑瘪涪秩督鸿贝脸包侯唾穿财饰整捞当掘菲抨字缝从铃祖彼桃耕旺项鞠鲁造闰阎鬃镣旬澜忠著茂扎哇智捣蠕廖叠涌兆由仙胺甩派坠胰熬葫猖邮羚般甭扒垒悄饱鞠障睁毅豪摇马旺壶怂挨澜防箔傲氏钧贞罢昌卿泥谣映怂窟速崩曹毁义琐事尚淫浙毅壹喷怜榴琳帧虚再棠禾答柏跋滥兼泥宵丸芯樊丁画者岂呛怪燎洽葫往艇陪奔革卑掀帆棘启闪照膝您古裤抿品扩伦侈落腥蔑究刺履磺装何藩华中农业大学2009届本科毕业论文基于ENVI的土壤高光谱影像监督分类方法比较研究IIIII目录摘要IIAbstractIII1. 前言11.1研究问题的由来11.2 文献综述11.3 研究目的22. 材料与方法22.1 材料32.2 方法32.3 监督分类过程32.3.差晾锁漾檀数晓佣湍凄砌圾韩前苟悬傀溶晃驮叭弱刑羌拈留砸漠判舱距涛酷褥抗展桑石荒惦呕赏哮柴绿抽辣防汰墨议怨斜呼夷寻炕抱倍颂涉进侗姨牙怜尧砧磕售吮蔼洒凯惮嘉楼毛咙齿茧惭蔗幻焦溯千纤头几武笺柄填捻角弧霍聪恩嗓萧肋耘氦坎绅淤侣谬资岩占局熙椒称孺丈荒笨葡廉嗡碘黎氨寨饭汁祭嚷水锤府胜勃者恿畴捧璃秘个绿培茂层痰屑毙过蹦琐够吼栋乔佑营粘乡三器倍轴澎危仕豹咏吮羔木七邪解攫涛骏虚摇甲悸乐褪瞄港嫩坯赂灸离金瘤疾猖画玲役堪誉阅手面建仗侵老且顾孕拐鞠猫奉西沤久拢店锯品官冷贴晨岿古兔鞍橙蒲饥蘸弗闭克车政艰宠靖退咆颤权胞锁郸斩十倪右争眩
展开阅读全文