粘贴的报告没有图片，完整原始数据，处理数据，以及课程报告看链接
https://download.csdn.net/download/qq_54263076/87291310?spm=1001.2014.3001.5503
烟台市遥感图像的分类与制图
Classification and Mapping of Remote Sensing Images
in yantai city
目录
第一章绪论
第1节 选题依据与意义
遥感图像分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。
利用计算机对遥感数字图像进行分类难度很大。遥感图像是从遥远的高空成像的，成像过程要受传感器、大气条件、太阳位置等多种因素的影响。影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声，因此人们需要从不完全的信息中尽可能精确地提取出地表场景中感兴趣的目标物。遥感影像信息量丰富，与一般的图像相比，其包容的内容远比普通的图像多，因而内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。遥感图像的地域性、季节性和不同成像方式更增加了计算机对遥感数字图像进行解译的难度。
遥感图像分类的目的：基于地物或现象的波谱特征、空间特征、时相特征进行地物专题属性的种类识别及空间分布范围的确定，并结合地学-生物学规律分析研究目标物及背景环境的时间-空间-成因关联及演化机制。
由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感图像智能化解译，快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库，这是实现遥感图像自动理解的基础研究之一，因此具有重要的理论意义和应用前景。
图1.1 遥感分类在农业方面成熟检测与产量评估
图1.2 遥感分类技术在土地调查方面应用
第2节 国内外研究现状
随着各国对遥感技术需求的不断提高，已有的遥感图像计算机分类如监督分类和非监督分类，由于存在诸多的问题所以已经不能完全满足人们的需要。近些年来产生了许多新的理论与新的方法，并且不断为人们所接受。众多的实验和实践表明。利用传统方法与新的方法相结合可以提高遥感图像的精确度，从而能够更好地为人们所利用。
1.2.1国内研究现状
我国对于面向对象分类方法的研究近些年才着力研究，黄慧萍等将高分辦率遥感影像作为数居源,够多尺度动态分割和面向对象分类的方树大庆市城市绿地进行信息提取，实现了快速获取城市绿地信息的目标。杜凤兰等将IKONOS高分辨率影像与面向对象的分类防法结合将土地覆盖进行了精确的分类。覃先林等将Quickbird影像作为数据源， 将影像分割后采用面向对象的分訪法提取树冠信息，取得了较好的效果。莫登奎等将ikonos影像作为数据源，够尺度盼割和模糊分类的面向对象的分类方法，将株洲市作为研究区,提取其城乡结合部的土地覆盖和利用信息,实现了地覆盖信息的快速获取。郭亚鸽等则选择北京市i门头沟区的HJ一1影像, 尺盼割，并基于光谱、纹理、几何等信息构建隶属度函数,腼向对象的分訪法叫高精度的提取了该区森林植被信息。洁等选择荷兰Flevoland地区L波段的全极化SAR影像用不同的分割尺度进行面向对象分类，分类精度高达93.32%。
1.2.2国外研究现状
国外对面向对象分方法的研究较我国要早的多，上世纪70年代即开始运用于 遥感影像的解译工作。SchapeA与BaatzM针对高分辨率遥感影像所独有的一些特征提出了面向对象这一分钫法。Ketting和Landgrebe提出了 同质性对象提取的优点并提出了ECHO分割算法。Hofman采用面向对象的分类方法结合纹理信息、光谱信息及背景信息等对Ikonos中的非正式居民地进行信息提取,获得了较好的效果[15]。Bauer等将文也纳作为研究区，利用该地区的遥感影像做土地利用份类,发现面向对象的分方法效率高，精度高。 Sande等将ikonos 卫星影像作为数据源，进行洪水灾害的评价,发现用面向对象的方法可以十分有效的获得所需要的结果。
第3节 研究内容与技术路线
图像分类就是基于图像像元的数据文件值,将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法:非监督分类与监督分类，本实验将依次介绍这两种分类方法。
1.3.1非监督分类
运用ISODATA (Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。分类还有一个前提，那就是:假定遥感影像上同类地物在同样条件下具有相同的光谱信息特征。如果产生的光谱万一不一定对应于操作者想要的类别，且操作者较难对产生的类别进行控制，比如图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱无法保持其连续性，从而使不同图像之间的对比变得困难。
非监督分类一般要经过以下几个步骤:初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
图1.3 非监督分类步骤
2.监督分类
比非监督分类更多地要用户来控制，监督分类又称训练场地法、训练分类法，是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术，即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类。常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类可根据应用目标和区域，有选择地决定分类类别，可控制样本的选择，避免了非监督分类中对光谱集群组的重新归类。但认为其人为主观因素较强，操作者所选择的训练样本有可能不是很典型并且有可能不能反映图像的真实情况，所以图像中同一类别的光谱差异和人为因素，有可能造成样本没有代表性，并且训练样本的选取和评估需要花费较多的人力和时间
监督分类一般要经过以下几个步骤:建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。
图1.4 监督分类步骤
第二章 理论依据
常用的遥感影像的自动分类判读方法有决策理论方法（统计方法）和句法（结构法）方法。常见的分类放大一般为统计识别模式，如最大似然法、K-最近判别法等。决策理论方法是被识别的模式（对象）中，提取一组反映模式属性的测量值，称之为特征，并将模式特征定义在一个特征空间中，利用统计原理对特征空间来区分有不同特征的模式，大道分类的目的。决策理论方法在很多领域都有应用。在遥感影像的计算机分类中，最常用的方法是基于图像数据所代表的地物光谱特征的统计模式识别法，因而这里的模式识别对象是指遥感图像中的地物，所用的特征是地物的光谱特征及其表征参数。近年来发展的分类新方法多采用句法方法，这类方法有人工神经网络方法、模糊数学方法、专家系统法和决策树分法等。
遥感图像计算机分类方法中使用的鉴别函数：进行集群的划分，即要在不同特征点分布集群之间划出分类界线（面），关键是要对各种集群的分布规律进行统计描述，然后选择一个合理的鉴别函数作为进行集群分类的依据。
常用的判别函数有两种：
（1）、距离判别函数。其基本思想为通过计算机谱空间中任意像素点K到各地无类别集群中心位置M的距离d,计算一直地物一集群之间灰度值的相似程度进行计算。
（2）、概率判别函数（贝叶斯判别函数）。该方法的基本思想就是先统计各类集群的特征点在光谱特征空间的分布情况，即各类别集群的光谱特征空间中的概率分布函数为先验已知的，要确定X的象元的类别，只需要分别计算它落在各类别区域内的概率，则概率值最大的相应类别即是k象元的类别。
遥感影像的统计分类又分为两种：分别是非监督分类和监督分类。
1、非监督分类法又称为空间集群和聚类分析，是一种边学习边分类的方法。即在对影像进行识别分类时，由于事先不知道影像上有哪几类地物，所以要对地物进行分类，分类之后再进行识别。该分类是基于给类地物的自然集群特性不同，分类参数也不一样，利用各类别的统计特性来进行地物的分类识别。非监督分类法的核心是出事类别参数的选定以及它的迭代调整问题。但在非监督分类的情况下，并无初始已知类别的先验知识可用。因而，先假定初始参量，并通过预分类处理来形容集群。再由集群的统计参数来调整预定的参量，接着再聚类，再调整，如此不断迭代，直至有关参量的变动在容忍的变动范围内为止。通过这个过程来使判别函数的一确定。
遥感图像上的同类地物在相同的条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域。而不同的地物，光谱特征不同，归属于不同的光谱空间区域，这是非监督分类的理论依据。该分类的方法主要是通过系统聚类来进行的。聚类就是把一组像素按照相似性分为若干类，目的是使得同一类别的像素之间的距离尽可能小，而不同类别的像素之间的距离尽可能大。其算法的核心是初始类别参数的确定，以及它的别带调整问题。主要算法有分级级群法、ISODATA法（迭代自组织数据分析技术）和K-均值算法等。根据地物的光谱特征记性分类，受认为因素的影响较少，不需要对地面信息有详细的了解，而且算法成熟，操作简单，所以被广泛应用。在初步分析图像时，用非监督分类的方法来研究数据的自然集群分布请鲁昂是很有价值的。
图2.1 ISODATA法流程
2、监督分类法是一种先识别后分类的方法。与非监督分类不同，监督分类最显著的特
点是在分类前对人们对遥感图像上某些样区中影像地物的类别属性已有了先验知识，也就是要从图像中选取所有要区分的各类地物的样本，用于训练分类器。一般是在图像中选取具有代表性的区域作为训练区，由训练区得到各类别的统计数据，进而对整个图像进行分类。主要方法有线性判别法、最大似然法、最小距离法和平行多面体法等。
该方法首先要进行分类的训练，即选择一些有代表性的试验区（样区），用样区内的各
种地物的光谱特征（如波谱响应空间）来训练计算机，使计算机取得识别分类判别规则的先验知识。再根据这些先验知识来对未知类别像素进行分类识别。在监督分类中，样区的选择是十分重要的，选择样区需要遵循以下原则：○1样区的选择要有代表性；○2样区内的地物是单一的；○3样区内的地物类别是已知的。
监督分类的关键是训练样本和训练场地的选择，其选择的质量关系到分类能否取得良好的效果。在选择训练样本时要充分考虑研究区地物的光谱特征和分布区域特征并结合大量的野外调查，才能保证所选取的训练赝本具有较好的代表性。同时，训练样本的数目至少要能够满足建立分类所用判别函数的要求，以克服各种偶然因素的影响。
监督分类相对于费监督分类来说，具有一定的优势。但是同时也存在误分、漏分的情况。该方法在分类前要配合好人工目视解译，这对于目视解译的人员要具有对地物属性的先验知识有较强的要求。
图2.2 监督分类与非监督分类的优缺点比较
第1节 概况
烟台市地处山东半岛中部，位于东经119°34′～121°57′，北纬36°16′～38°23′。东连威海，西接潍坊，西南与青岛毗邻，北濒渤海、黄海，与辽东半岛对峙，并与大连隔海相望，共同形成拱卫首都北京的海上门户。最大横距214公里，最大纵距130公里。总面积1.37万平方公里，其中市区面积2722.3平方公里。海岸线曲长702.5公里，海岛曲长206.62公里。
地形地貌方面， 烟台地形为低山丘陵区，山丘起伏和缓，沟壑纵横交错。山地占总面积的36.62％，丘陵占39.7％，平原占20.78％，洼地占2.90％。低山区位于市域中部，主要由大泽山、艾山、罗山、牙山、磁山、蛤山卢山、山昔山、昆嵛山、玉皇山、招虎山等构成，山体多为花岗岩，海拔在500米以上，最高峰为昆嵛山，海拔922.8米。丘陵区分布于低山区周围及其延伸部分，海拔100～300米，起伏和缓，连绵逶迤，山坡平缓，沟谷浅宽，沟谷内冲洪积物发育，土层较厚。因烟台市域降水较充沛，空气湿润，气候温和，低山丘陵一年四季林木葱茏，明媚如画。春天，满山苍翠，花香袭人；夏日，郁郁葱葱，一片生机；秋季，果林红叶，五彩纷呈；到隆冬时节，银装素裹，玲珑剔透。
图3.1 山东省烟台市坡度分级图
河流方面，市域内中小河流众多，长度在5公里以上河流121条，其中流域面积300平方公里以上的河有五龙河、大沽河、大沽夹河、王河、界河、黄水河和辛安河。主要河流以绵亘东西的昆嵛山、牙山、艾山、罗山、大泽山所形成的“胶东屋脊”为分水岭，南北分流入海。向南流入黄海的有五龙河、大沽河；向北流入黄海的有大沽夹河和辛安河；流入渤海的有黄水河、界河和王河。其特点，河床比降大，源短流急，暴涨暴落，属季风雨源型河流。其冲积形成的小平原，沙土层厚而肥沃，盛产苹果、大樱桃、梨和葡萄。
海岛方面，烟台市北、西北部濒临渤海，东北和南部临黄海。有大小基岩岛屿63个，似颗颗珍珠镶嵌在大海之中。面积较大的有芝罘岛、南长山岛、养马岛。有居民的岛15个，分别为长岛县的南长山岛、北长山岛、大黑山岛、小黑山岛、庙岛、砣矶岛、大钦岛、小钦岛、南隍城岛、北隍城岛，龙口市的桑岛，芝罘区的崆峒岛，牟平区的养马岛，海阳市的麻姑岛、鲁岛。沿海表层水温变化较外海明显且幅度较大，年平均水温11℃～14℃之间。海水表层盐度年平均28～31‰左右。潮汐自莱州到龙口沿海为不正规半日潮，龙口到牟平以及海阳市沿海为正规半日潮。海岸地貌主要分岩岸和砂岸两种，西起莱州市虎头崖，东至牟平东山北头，是曲折的岩岸，海蚀地貌显著；其余多为砂岸。烟台海岸与海岛交相辉映，海光山色秀丽，名胜古迹众多，是游览避暑胜地。
景观方面，烟台山青水秀，气候宜人，有丰富的自然景观和人文景观。尤其是夏季，海风抚面，清爽可人；山花烂漫，沁人心脾；海光山色，交相辉映。既是避暑纳凉之胜地，也是各地游客旅游观光的理想境地。市内旅游景区众多，有国家5A级旅游景区3处、4A级18处、3A级32处、2A级22处，获“中国优秀旅游城市”称号。
气候方面，烟台市属暖温带大陆性季风气候，与同纬度内陆地区相比具有雨水适中、空气湿润、气候温和的特点，可谓冬无严寒、夏无酷暑。全市年平均降水量524.9毫米，年平均气温13.4℃，年平均日照时数2488.9小时。烟台四季分明，各季气候独具特色。
其他方面：
图3.2 山东省烟台市公路图
第2节 数据源
Landsat-7是美国的陆地卫星计划（Landsat）中的第七颗，美国航空航天局Landsat-7卫星于1999年4月15日在加利福尼亚范登堡空军基地用Delta II 火箭发射。卫星携带增强型专题制图仪（Enhanced Thematic Mapper ，ETM+）传感器。自2003年6月以来，该传感器已采集并传输了扫描线校正器（SLC）故障导致的数据间隙数据。
ETM+，1999年4月15日，以保持地球图像、全球变化的长期连续监测。传感器是增强型专题绘图仪 ETM+(Enhanced Thematic Mapper)，星上设绝对定标，提高了对地观测分辨率和定位质量，调整了辐射测量精度、范围和灵敏度，通过增益减少了强反射体造成的高亮度饱和效应。该设备增加了一个15m分辨率的全色波段，热红外通道的空间分辨率也提高了一倍，达到了60m，每一景覆盖面积:185km*170km，重叠率:赤道上相邻两景图像旁向重叠率7.3%，轨道方向重叠率为5%，band6分别具有高、低增益两种图像数据，bandl-5、7增益随季节变化可调整。
本次报告的数据是于地理空间数据云下载的，云量为0%，于2000-10-18拍摄的Landsat-7卫星影像数据范围位置
图3.3 遥感影像LE71200342000292BJC00范围
图3.4 下载数据文件
第四章 数据处理
第1节 图像预处理
4.1.1 图像校正
地理空间数据云下载的0云量数据已经进行过了图像大气校正，辐射校正，几何校正，不需要进一步预处理。
4.1.2 波段合成
点击“Basic Tools”—“Layer Stacking”,这时就打开了波段合成窗口，然后点击“Import file”,打开波段输入窗口。我们从中可以选择输入波段。完成波段顺序调整后，就可以直接点击“OK”,这样就会生成一个新合成的波段图像（选取波段1，2，3，4，5，7）。
图4.1 合成波段1，2，3，4，5，7图像
图4.2 3,2,1波段合成
4.1.3 图像裁剪
由于下载的图像太大，迭代计算过于缓慢，所以需要进行裁剪。
在file/save as中，进入文件选择面板，Spatial Subset打开右侧的裁剪区域，并进行编辑。
可手动选择裁剪区域，红框为裁剪区域
图4.3 裁剪范围和大小
4.1.4 裁剪图像统计基本统计量
点击菜单Basic Tools→Statistics→Compute Statistics，对图像进行统计选中统计项目：直方图、协方差、协方差图像，确定。设定完成后的对话框如图所示（先点击协方差Covariance，才能显示Covariance Image选项）。
图4.4 裁剪图像波段3，2，1合成
图4.5 裁剪图像基本统计量
第2节 非监督分类-动态聚类（ISODATA）
打开ENVI,选择主菜单->Classification->Unsupervised->lsoData或者K-Means。
这里选择IsoData， 在选择文件时候，可以设置空间或者光谱裁剪区。， 按默认设置，之后跳出参数设置。下面进行参数设置举例。
图4.6 IsoData参数介绍
4.2.1 情况1
图4.7 情况1 lsoData参数
图4.8 情况1非监督分类结果
4.2.2 情况2
图4.9 情况2 lsoData参数
图4.10 情况2非监督分类结果
第3节 监督分类-最小距离法（Minimum Distance）
4.3.1 创建感兴趣区域
Overlay->Region of interest打开ROI Tool工具，点击“new region”，定义新的种类，人工选择分类的区域。
图4.11 感兴趣区域ROI
图4.12 ROI范围及其分布
4.3.2 查看可分离性
在“ROI tool”对话框菜单点击“options—compute ROI separability”并进入。
图4.13 可分离性分析
4.3.3 根据ROI对整幅地图进行分类
选取的训练区保存以后。进行分类。主菜单- Classification-supervise-Minimum Distance,选取需要分类的原来地图，再选择训练集。
图4.14 分类结果图
4.3.4 统计结果分析
选择Classification-Post Classification-Class Statistics
图4.15 以含沙量少举例进行统计量分析
4.3.5 误差分析
选择Classification-Post Classification-Confusion Matrix-using Ground Truth ROI
图4.16 对分类结果进行误差分析
第4节 制图
File-QuickMap-New QuickMap进行制图
设置制图参数如下
图4.17 制图参数
同理，制图出来其他俩种方法，最后保存为img格式
图4.18 非监督分类情况1制图结果
图4.19 非监督分类情况2制图结果
图4.20 监督分类制图结果
第1节 图像预处理
根据上图4.5,得到剪裁图像的基本统计量
表4.1 裁剪图像基本统计量表
| Dims: Full Scene (4,000,000 points) |
||||||
| Basic Stats |
Min |
Max |
Mean |
Stdev |
Num |
Eigenvalue |
| Band 1 |
3 |
255 |
43.658274 |
25.042121 |
1 |
2702.035712 |
| Band 2 |
5 |
255 |
59.768986 |
33.949658 |
2 |
265.394610 |
| Band 3 |
13 |
169 |
61.696959 |
30.001472 |
3 |
43.723459 |
| Band 4 |
23 |
244 |
54.368211 |
15.470793 |
4 |
6.994249 |
| Band 5 |
30 |
216 |
56.546250 |
7.924719 |
5 |
4.888090 |
| Band 6 |
50 |
228 |
69.916067 |
6.528138 |
6 |
1.502476 |
表4.2 裁剪图像波段协方差矩阵
| Covariance |
Band 1 |
Band 2 |
Band 3 |
Band 4 |
Band 5 |
Band 6 |
| Band 1 |
627.107801 |
826.885373 |
642.386743 |
333.772606 |
80.984724 |
2.513784 |
| Band 2 |
826.885373 |
1152.579289 |
956.140294 |
401.841544 |
68.315723 |
-33.788604 |
| Band 3 |
642.386743 |
956.140294 |
900.088323 |
275.124606 |
12.477733 |
-65.268538 |
| Band 4 |
333.772606 |
401.841544 |
275.124606 |
239.345427 |
95.658881 |
45.587036 |
| Band 5 |
80.984724 |
68.315723 |
12.477733 |
95.658881 |
62.801166 |
45.365044 |
| Band 6 |
2.513784 |
-33.788604 |
-65.268538 |
45.587036 |
45.365044 |
42.616589 |
表4.3 裁剪图像波段相关系数矩阵
| Correlation |
Band 1 |
Band 2 |
Band 3 |
Band 4 |
Band 5 |
Band 6 |
| Band1 |
1 |
0.97261 |
0.855033 |
0.861523 |
0.408083 |
0.015377 |
| Band2 |
0.97261 |
1 |
0.938736 |
0.76508 |
0.253923 |
-0.152456 |
| Band3 |
0.855033 |
0.938736 |
1 |
0.592754 |
0.052482 |
-0.333251 |
| Band4 |
0.861523 |
0.76508 |
0.592754 |
1 |
0.780241 |
0.451377 |
| Band5 |
0.408083 |
0.253923 |
0.052482 |
0.780241 |
1 |
0.876896 |
| Band6 |
0.015377 |
-0.152456 |
-0.333251 |
0.451377 |
0.876896 |
1 |
表4.4 裁剪图像波段特征向量矩阵
| Eigenvector |
Band 1 |
Band 2 |
Band 3 |
Band 4 |
Band 5 |
Band 6 |
| Band 1 |
-0.468252 |
-0.650921 |
-0.548677 |
-0.232294 |
-0.041945 |
0.016596 |
| Band 2 |
-0.302963 |
0.00902 |
0.511889 |
-0.570557 |
-0.436645 |
-0.360426 |
| Band 3 |
-0.422496 |
-0.343105 |
0.620629 |
0.303528 |
0.363274 |
0.307407 |
| Band 4 |
0.181819 |
-0.409208 |
0.087416 |
0.595383 |
-0.343735 |
-0.56499 |
| Band 5 |
0.67603 |
-0.530622 |
0.208588 |
-0.334429 |
-0.062358 |
0.319661 |
| Band 6 |
0.142746 |
-0.097404 |
0.024323 |
-0.249103 |
0.744024 |
-0.594913 |
可见3，5波段相关系数最低，为0.052482，1，2波段相关系数最高，为0.972610
第2节 非监督分类
根据图x可以发现，迭代次数越高，分类效果越好。但是并不是类别越多，分类效果越好，不然会将同一类别的不同表现形式分成多个种类，导致不能很好的区别地物。所以说根据图像选择合适准确的参数是很重要的。
第3节 监督分类
4.3.1 根据上图4.13可分离性
Input File: LE71200342000292BJC00图像-裁剪
表4.5 ROI可分离性表
| ROI Name: (Jeffries-Matusita, Transformed Divergence) |
| 沙少海域 [Red] 64002 points: 沙多海域 [Green] 33295 points: (1.90700017 1.99680265) 植被 [Blue] 7310 points: (2.00000000 2.00000000) 建筑 [Yellow] 1375 points: (1.99999713 2.00000000) 裸地 [Cyan] 1176 points: (2.00000000 2.00000000) |
| 沙多海域 [Green] 33295 points: 沙少海域 [Red] 64002 points: (1.90700017 1.99680265) 植被 [Blue] 7310 points: (2.00000000 2.00000000) 建筑 [Yellow] 1375 points: (1.99999999 2.00000000) 裸地 [Cyan] 1176 points: (2.00000000 2.00000000) |
| 植被 [Blue] 7310 points: 沙少海域 [Red] 64002 points: (2.00000000 2.00000000) 沙多海域 [Green] 33295 points: (2.00000000 2.00000000) 建筑 [Yellow] 1375 points: (1.96008483 1.99902926) 裸地 [Cyan] 1176 points: (1.94247443 1.98940802) |
| 建筑 [Yellow] 1375 points: 沙少海域 [Red] 64002 points: (1.99999713 2.00000000) 沙多海域 [Green] 33295 points: (1.99999999 2.00000000) 植被 [Blue] 7310 points: (1.96008483 1.99902926) 裸地 [Cyan] 1176 points: (1.99831129 1.99985295) |
| 裸地 [Cyan] 1176 points: 沙少海域 [Red] 64002 points: (2.00000000 2.00000000) 沙多海域 [Green] 33295 points: (2.00000000 2.00000000) 植被 [Blue] 7310 points: (1.94247443 1.98940802) 建筑 [Yellow] 1375 points: (1.99831129 1.99985295) |
可以看出，五个类别的相互可分离性都大于1.9，所以具有良好的可分离性，可以很好的进行分类。
4.3.2 根据上图4.15统计结果分析
表4.6 分类后统计量表
| Unclassified: 0 points (0.000%) (0.0000 Meters) |
| 沙少海域 [Red] 64002 points: 703,334 points (17.583%) (633,000,600.0000 Meters) |
| 沙多海域 [Green] 33295 points: 458,110 points (11.453%) (412,299,000.0000 Meters) |
| 植被 [Blue] 7310 points: 1,369,801 points (34.245%) (1,232,820,900.0000 Meters) |
| 建筑 [Yellow] 1375 points: 244,085 points (6.102%) (219,676,500.0000 Meters) |
| 裸地 [Cyan] 1176 points: 1,224,670 points (30.617%) (1,102,203,000.0000 Meters) |
在我所选择的范围中裸地面积占比最大，达30.617%，约1,102,203,000平方米。建筑面积占比最小，达6.102%，约219,676,500平方米
4.3.3 根据上图4.16误差结果分析
Overall Accuracy = (105652/107158) 98.5946%
Kappa Coefficient = 0.9739
表4.7 Commission和Omission分析表
| Class |
Commission(Percent) |
Omission(Percent) |
Commission(Pixels) |
Omission(Pixels) |
| 沙少海域 |
1.57 |
0 |
1023/65025 |
0/64002 |
| 沙多海域 |
0 |
0.97 |
0/32971 |
324/33295 |
| 植被 |
0.56 |
14.98 |
35/6250 |
1095/7310 |
| 建筑 |
2.22 |
4.07 |
30/1349 |
56/1375 |
| 裸地 |
26.74 |
2.64 |
418/1563 |
31/1176 |
表4.8 Prod. Acc和User Acc分析表
| Class |
Prod. Acc(Percent) |
User Acc(Percent) |
Prod. Acc(Pixels) |
User Acc(Pixels) |
| 沙少海域 |
100 |
98.43 |
64002/64002 |
64002/65025 |
| 沙多海域 |
99.03 |
100 |
32971/33295 |
32971/32971 |
| 植被 |
85.02 |
99.44 |
6215/7310 |
6215/6250 |
| 建筑 |
95.93 |
97.78 |
1319/1375 |
1319/1349 |
| 裸地 |
97.36 |
73.26 |
1145/1176 |
1145/1563 |
准确度高达98.5946%，Kappa为0.9739 。
Commission代表画的区域ROI中分类错误像素的百分比。
Omission 代表画的区域ROI中遗漏分类像素的百分比。
可以看出在所画的感兴趣区域ROI中，我对含沙少海域没有遗漏，对沙多海域区域中没有画错；对于裸地的画的区域过大，遗漏的少，但错误分类多，高达26.74%。对于植被画的区域过小，错误的少，遗漏的多，高达14.98%。
第1节 结论
在非监督分类中，计算和操作都比较容易，目视效果来看，非监督分类结果要低于监督分类结果，分类的类别比较散。它是完全依照地物的光谱特征来进行分类，由于不能人为控制，具有较大的不确定性，只能根据图像选择合适准确的参数来降低分类误差。
在监督分类中，完全通过人为选择训练的数据集，可以有选择性的进行分类，获得比较关注的地物信息，并且通过计算可分离性来评估训练集，所以还是较为精准的。但是由于人工分类的局限性，比较容易丢失细小且重要的信息，不利于分类非常混杂地物的分布情况。
第2节 讨论
本次报告只是讨论了俩种比较简单监督分类和非监督分类的常用方法，对于遥感图像分类当然有其他方法。总的来说，目前的遥感分类方法可以归结为以下几大类，目视解译方法、基于统计理论的分类方法、人工智能方法、其他分类方法。
4.2.1 目视解译
目视解译是一种传统的遥感分类方法，是是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用/覆盖的分类。目视解译方法应用广泛，有操作简单、灵活性强等优点，但是目视解译过于好费时间，而且很大程度收到解译人员经验的影响，不同的解译人员由于其解译经验不一样，其解译结果往往差别较大。因此，在很多新的计算机分类方法出现之后，该方法现在往往和计算机自动分类方法进行结合使用，即人机交互目视解译，能够很大程度提高遥感分类精度。
4.2.2 基于统计理论的分类方法
该方法广泛应用于早期的遥感图像分类中，具有很多成熟的算法。根据分类前能否获得训练样本类别这一先验信息可以分成两大类：监督分类和非监督分类。
监督分类是指在样本类别已知的情况下，从训练集出发得出各个类别的统计信息。然后根据这些统计信息结合一定的：别准则对所有像素进行判别处理，使具有相似特征并满足一定判别准则的像素归并为一类。监督分类方法有最小距离法、马氏距离法、最大似然法、神经元网络分类方法、Parzen窗法、K-近邻法、Parallelpip等；非监督分类是在没有先验知识的情况下，通过计算机采用一定的聚类算法对图像进行聚类统计分析的方法，如K-means算法，模糊c-means算法，AP聚类算法等（赫英明，2011）。
4.2.3 人工智能方法
人工智能分类方法有神经网络分类、决策树分类方法、专家系统分类、遗传算法等。
人工神经网络(ANN)：是以模拟人脑神经系统的结构和功能为基础而建立的一种数据分析处理系统，具有对信息的分布式存储，并行处理、自组织、自学习等特点，通过许多具有简单处理能力的神经元的复合作用而具有复杂的非线性映射能力。
决策树分类方法：最早产生于上世纪60年代，到70年代末。该方法首先数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。其上决策树是通过一系列规则对数据进行分类的过程。
专家系统分类方法：是一种智能化的计算机程序或软件系统，能够像专家一样分析和解决复杂的实际问题。专家系统分类的关键是知识的发现和推理技术的运用。
遗传算法(GA)：是1975年美国Michigan大学教授J.Holland首先提出的。遗传算法抽象于生物体的进化过程，通过全面模拟自然选择和遗传机制，形成一种具有“生成+检验”特征的搜索算法。
4.2.4 其他分类方法
其他分类方法有与GIS结合分类方法、分层分类方法、模糊数学分类方法、面向对象分类方法、支持向量机算法、多源信息复合分类法等。
分层分类法：是根据各类目标的光谱、时间、空间等不同特征，采取相应的信息提取方法，分别建立不同的专题信息层，最后把各专题层合并汇总得到整体分类图。
模糊数学分类方法：产生于20世纪60年代中期，美国控制论专家查德（L.A.Zadeh）首先提出了模糊集概念。它是一种以模糊集合论作为基础，针对不确定性事物的分析方法，和普通集合论中事物归属的绝对化不同。模糊分类法的关键在于确定隶属度和隶属函数，然而这一过程比较复杂，至今尚无一般的规则可以遵循。因此，这种方法一直没有得到较好的推广使用。
面向对象的分类方法：是一种面向对象的影像分割技术，其最重要的特点就是分类的最小单元是由影像分割得到的同质影像对象（图斑），而不再是单个像素，可以实现较高层次的遥感图像分类和目标地物提取。面向对象分类方法不仅利用地物本身的光谱信息，而且充分利用地物的空间信息，包括形状、纹理、面积、大小等要素，因此可以提高信息提取的准确性和可靠性。
支撑向量机(SVM)：由Vapnik 提出的，结构风险理论、二次优化理论、核空间理论是SVM的3大基础理论。它是一种基于统计学习理论的新型机器学习算法，通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。
多源信息复合分类法：随着遥感和计算机信息技术的飞速发展，航空航天遥感传感器数据获取技术趋向于“三多”（即多平台、多传感器、多角度）和“三高”（即高空间分辨率、高光谱分辨率、高时相分辨率）。因此，多源信息复合分类法可以充分利用已有遥感信息资源，是提高遥感分类精度的有效方法。多源信息复合分类法主要包括基于影像纹理信息结构的分类法、基于时相信息的频谱分析法、基于多角度信息的分类法、基于多分类器的分类法、基于地学专家知识的分类法。
遥感影像分类领域，分类方法众多，各类算法各具特点，一些新的分类技术相比于传统方法在分类精度上有一定提高，但同时也存在一些不足之处。因此，继续探索先进方法以提高遥感影像的分类精度仍然存在广阔的研究空间。在遥感监测过程中，单一的采用某一种方法往往达不到理想的效果，通常会根据遥感监测的目标，结合两种或者多种分类方法进行分类，以提高分类精度。
参考文献
[1]邓良基. 《遥感基础与应用》中国农业出版社，2009.
[2]陈姝，居为民.《遥感图像分类方法及研究进展》2009
[3]郭丽萍，唐家奎，米素娟，张成雯，赵理君.《基于支持向量遥感图像融合分类方法研究进展》2010.
[4]李灏.《遥感图像分类方法及研究进展》2011.
[5]蒋立军.遥感数字图像处理-实习七遥感数字图像分类处理ppt
[6]杨冰.基于不同分类方法土地利用/覆盖分类精度分析.内蒙古农业大学硕士论文,2008
[7]闫琰.基于ENVI的遥感图像监督分类方法比较研究.北京测绘,2015
[8]杨诺尔.遥感影像分类方法的研究.科技创新导报,2014
[9]李石华，王金亮,毕艳,陈姚，朱妙园,杨帅，朱佳遥感图像分类方法研究综述.国土资源遥感,2005