图像分类Word文档格式.docx
- 文档编号:16303892
- 上传时间:2022-11-22
- 格式:DOCX
- 页数:40
- 大小:1.32MB
图像分类Word文档格式.docx
《图像分类Word文档格式.docx》由会员分享,可在线阅读,更多相关《图像分类Word文档格式.docx(40页珍藏版)》请在冰豆网上搜索。
重复b、c步骤,添加所有待分类兴趣区,如图1。
图1定义训练样本
2)从散点图上获取ROI
a)在主图像窗口中,选择Tools→2DScatterPlots,在ScatterPlotBandChoice选择框中,选择Band1作为BandX,Band4作为BandY(选择相关性较小的波段)。
b)在散点图上,用鼠标左键点击包围所需要区域的多边形的顶点。
使用鼠标右键,闭合多边形并完成选择。
当该区域被闭合时,散点图中所选择的DN值范围内的像元用彩色凸出显示在主窗口中。
为了确定散点图与显示窗口中的地物的对应关系,在Options→Image:
Dance选择情况下,按住鼠标中键可以看到一定范围(Options→SetPatchSize)散点图与显示图像的对应关系。
图2二维散点图
c)如果对所绘制区域不满意,可从类别中删除像元:
在散点图中,选择Class→White。
围绕要删除的像元绘制多边形,右键确定后,像元恢复白色。
也可在散点图中单击右键,选择ClearClass。
d)选择像元后,在散点图中单击右键,选择NewClass,重复b、c步骤。
e)在所有的区域绘制好后,在散点图中单击右键,选择ExportAll,系统将结果导入ROITool对话框中。
f)在ROITool对话框中设定ROIName及Color。
评价训练样本
ENVI使用计算ROI可分离性(ComputeROISeparability)工具来计算任意类别间的统计距离,这个距离用于确定两个类别间的差异性程度。
类别间的统计距离是基于下列方法计算的:
Jeffries-Matusita距离和转换分离度(TransformedDivergence),来衡量训练样本(ROI)的可分离性。
a)在ROITool对话框中,选择Options→ComputeROISeparability。
b)在文件选择对话框,选择输入影像,单击OK。
c)在ROISeparabilityCalculation对话框中,单击SelectAllItems按钮,对所有ROI进行可分离性计算,单击OK,计算结果显示如图3。
图3训练样本可分离性计算报告
说明:
ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和TransformedDivergence。
在对话框底部,根据可分离性值由小到大列出感兴趣区组合。
这两个参数的值为0~2.0,大于1.9说明样本间可分离性好,属合格样本;
小于1.8需重新选择样本;
小于1,考虑将两类样本合成一类样本。
d)在ROITool对话框中,选择File→SaveROIs,选择SelectAllItems,将所有训练样本保存为外部文件(.roi)。
1.2.执行监督分类
根据分类的复杂度、精度需求等选择一种分类器。
主菜单→Classification→Supervised→分类器类型()。
还包括应用于高光谱数据的波谱角(SpectralAngleMapperClassification)、光谱信息散度(SpectralInformationDivergenceClassification)和二进制编码(BinaryEncodingClassification)分类方法。
表1监督分类器说明
分类器
说明
平行六面体
(Parallelpiped)
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,就被划分至其对应的类别中。
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。
最小距离
(MinimumDistance)
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,计算输入图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,该像元就归入到该类中。
马氏距离
(MahalanobisDistance)
计算输入图像到各训练样本的马氏距离(一种有效计算两个未知样本集相似度的方法),最终统计马氏距离最小的,即为此类别。
最大似然
(MaximumLikelihood)
假设每一个波段的每一类统计都呈正态分布,计算给定像元属于某一训练样本的似然度,像元最终被归并到似然度最大的一类中。
神经网络
(NeuralNet)
指用计算机模拟人脑的结构,用许多小的处理单元模拟生物的神经元,用算法实现人脑的识别、记忆、思考过程应用于图像分类。
支持向量机
(SuportVectorMachine)
支持向量机是一种建立在统计学习理论基础上的机器学习方法。
SVM可以自动寻找哪些对分类有较大区分能力的支持向量,由此构造出分类器,可以将类与类之间的间隔最大化,因而有较好的推广性和较高的分类准确率。
a)在主菜单中,选择Classification→Supervised→Parallelpiped,在文件输入对话框中选择TM分类图像,单击OK按钮打开Parallelpiped参数设置对话框。
b)SelectClassesfromRegions:
单击SelectAllItems,选择全部训练样本。
c)SetMaxstdevfromMean:
设置标准差阈值。
有三种类型:
①None:
不设置标准差阈值;
②SingleValue:
为所有类别设置同一标准差阈值;
③MultipleValues:
分别为每一个类别设置标准差阈值。
此处设置SingleValue,值为3.0。
d)单击Preview,可在右边窗口中预览分类结果,单击ChangeView可改变预览区域。
e)选择分类结果的输出路径及文件名。
f)设置OutRuleImages为”Yes”,选择规则图像输出路径及文件名。
g)设置完毕,如图4,单击OK按钮执行分类。
图4平行六面体分类器参数设置
a)在主菜单中,选择Classification→Supervised→MinimumDistance,在文件输入对话框中选择TM分类图像,单击OK按钮打开MinimumDistance参数设置对话框。
此处设置SingleValue,值为4.0。
d)SetMaxDistanceError:
设置最大距离误差。
以DN值方式输入一个值,距离大于该值的像元不被分入该类(若不满足所有类别的最大距离误差,它们就被归为未分类类别)。
此处选择None。
e)单击Preview,可在右边窗口中预览分类结果,单击ChangeView可改变预览区域。
f)选择分类结果的输出路径及文件名。
g)设置OutRuleImages为”Yes”,选择规则图像输出路径及文件名。
h)设置完毕,如图5,单击OK按钮执行分类。
图5最小距离分类器参数设置
a)在主菜单中,选择Classification→Supervised→MahalanobisDistance,在文件输入对话框中选择TM分类图像,单击OK按钮打开MahalanobisDistance参数设置对话框。
c)SetMaxDistanceError:
g)设置完毕,如图6,单击OK按钮执行分类。
图6马氏距离分类器参数设置
a)在主菜单中,选择Classification→Supervised→MaximumLikelihood,在文件输入对话框中选择TM分类图像,单击OK按钮打开MaximumLikelihood参数设置对话框。
c)SetProbabilityThreshold:
设置似然度的阈值。
输入0~1的值,似然度小于该阈值不被分入该类。
不设置似然度阈值;
为所有类别设置同一似然度阈值;
分别为每一个类别设置似然度阈值。
d)DataScaleFactor:
输入一个数据比例系数。
这个比例系数是一个比值系数,用于将整型反射率或辐射率数据转化为浮点型数据。
例如,如果反射率数据为0~10000,则设定的比例系数就为10000。
对于没有定标的整形数据,也就是原始DN值,将比例系数设为2n-1(n为数据的比特数)。
h)设置完毕,如图7,单击OK按钮执行分类。
图7最大似然分类器参数设置
a)在主菜单中,选择Classification→Supervised→NeuralNet,在文件输入对话框中选择TM分类图像,单击OK按钮打开NeuralNet参数设置对话框。
c)Activation:
选择活化函数,包括对数(Logistic)和双曲线(Hyperbolic)。
d)TrainingThresholdContribution:
输入训练贡献阈值(0~1)。
该参数决定了与活化节点级别相关的内部权重的贡献量。
它用于调节节点内部权重变化。
训练算法交互式地调整节点间的权重和节点阈值,从而使输出层和相应误差达到最小。
将该参数设置为0不会调整节点的内部权重。
适当调整节点的内部权重可以生成一副较好的分类图像,但是如果设置的权重太大,对分类结果会产生不良影响。
e)TrainingRate:
设置权重调节速度(0~1)。
参数值越大则使训练速度越快,但也增加摆动或者使训练结果不收敛。
f)TrainingMomentum:
输入一个0~1的数。
该值大于0时,在”TrainingRate”文本框中键入较大值不会引起摆动。
该值越大,训练的步幅越大。
该参数的作用是促使权重沿当前方向改变。
g)TrainingRMSExitCriteria:
指定RMS误差值为何值时停止训练。
RMS误差值在训练过程中将显示在图表中,当该值小于输入值时,即使还没有达到迭代次数,训练也会停止,然后开始进行分类。
h)NumberofHiddenLayers:
键入所用隐藏层的数量。
要进行线性分类,键入值为0。
没有隐藏层,不同的输入区域必须与一个单独的超平面线性分离。
要进行非线性分离,输入值应该大于或等于1,当输入的区域并非线性分离或需要两个超平面才能区分类别时,必须拥有至少一个隐藏层才能解决这个问题。
两个隐藏层用于区分输入空间,空间中的不同要素也不临近,也不相连。
i)NumberofTrainingIterations:
输入用于训练的迭代次数。
j)MinOutputActivationThreshold:
输入一个最小输出活化阈值。
如果被分类像元的活化值小于该阈值,在输出的分类中该像元将被归入未分类中(unclassified)。
k)选择分类结果的输出路径及文件名。
l)设置OutRuleImages为”Yes”,选择规则图像输出路径及文件名。
m)设置完毕,如图8,单击OK按钮执行分类。
图8神经网络分类器参数设置
图9训练过程
图10RMS误差图表
a)在主菜单中,选择Classification→Supervised→SupportVectorMachine,在文件输入对话框中选择TM分类图像,单击OK按钮打开SupportVectorMachine参数设置对话框。
c)KernelType下拉列表中的选项有Linear、Polynomial、RadialBasisFunction以及Sigmoid。
若选择Polynomial,设置一个核心多项式(DegreeofKernelPolynomial)的次数用于SVM。
最小值为1,最大值为6。
若选择Polynomial或Sigmoid,使用向量机规则需要为Kernel指定”theBias”,默认值是1.若选择Polynomial、RadialBasisFunction、Sigmoid,需设置”GammainKernelFunction”参数。
这个值是一个大于0的浮点型数据。
默认值是输入图像波段数的倒数。
d)PenaltyParameter:
这个参数控制了样本错误与分类刚性延伸之间的平衡。
默认值是100。
e)PyramidLevels:
设置分级处理等级,用于SVM训练和分类处理过程。
若该值为0,将以原始分辨率处理;
最大值随着图像的大小而改变。
f)PyramidReclassificationThreshold(0~1):
当PyramidLevels值大于0时,需要设置这个重分类阈值。
g)ClassificationProbabilityThreshold:
为分类设置概率阈值,如果一个像素计算得到所有的规则概率小于该值,该像素将不被分类。
范围是0~1,默认是0。
h)选择分类结果的输出路径及文件名。
i)设置OutRuleImages为”Yes”,选择规则图像输出路径及文件名。
j)设置完毕,如图11,单击OK按钮执行分类。
图11支撑向量机分类器参数设置
上述六种分类器中均可生成规则影像(RuleImage),它可用来对分类结果进行评估,若需要还可根据指定阈值重新进行分类。
在不同分类方法所生成的规则影响中,像元值代表了不同的信息,如表2所示。
表2部分分类器中规则图像的像元值意义
平行六面体(Parallelpiped)
满足平行六面体准则的波段数
最小距离(MinimumDistance)
到类中心的距离和
马氏距离(MahalanobisDistance)
到类中心的距离
最大似然(MaximumLikelihood)
像元属于该类的概率
1.3.评价分类结果
执行监督分类之后,需要对分类结果进行评价。
ENVI提供多种评价方法,包括分类结果叠加、混淆矩阵(ConfusionMatrices)和ROC曲线(ROCCurves)。
下面进行介绍:
分类结果叠加
1)在Display中显示TM影像
2)在主图像窗口中,选择Overlay→Classification,在InteractiveClassToolInputFile选择框中选择分类结果。
单击OK按钮打开InteractiveClassTool对话框。
3)在InteractiveClassTool对话框中,勾选类别前面的”On”选择框,就能将此类结果叠加显示在Display窗口上。
通过目视判断的方法评价分类结果的准确性。
4)若部分分类结果不准确,有两种处理方法:
合并到别的类别中:
a)在InteractiveClassTool对话框中,在并入类别前面的色块单击左键,让这个类别处于激活状态(ActiveClass)。
b)选择Edit→Mode:
PolygonAddtoClass。
c)选择Edit→PolygonType:
Polygon。
d)在EditWindow项中,选择Zoom。
e)在Display窗口上,定位到需要修改的分类结果区域,按住左键绘制多边形区域,单击右键确认形状,在此单击右键确认修改。
删除并归类到Unclassified:
a)在需要删除类别前面的色块单击左键,让这个类别处于激活状态(ActiveClass)。
c)选择Edit→Setdeleteclassvalue,设置删除部分后的值。
默认为Unclassified。
d)选择Edit→PolygonType:
e)在EditWindow项中,选择Zoom。
f)在Display窗口上,定位到需要删除的区域,按住左键绘制多边形区域,单击右键确认形状,在此单击右键确认删除。
图12交互检查控制对话框
混淆矩阵
使用ConfusionMatrix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)。
ENVI可以使用一副地表真实图像或地表真实感兴趣区来计算混淆矩阵。
1)地表真实图像
当使用地表真实图像时,可以为每个分类计算误差掩膜图像,用于显示哪些像元被错误归类。
计算之前先打开一个真实的分类图。
a)在主菜单中,选择Classification→PostClassification→ConfusionMatrix→UsingGroundTruthImage。
b)在ClassificationInputFile对话框中选择分类结果。
c)在GroundTruthInputFile对话框中,选择地表真实图像。
d)在MatchClassesParameters对话框中,选择所要匹配的名称,再单击AddCombination按钮,把地表真实类别与最终分类结果相匹配。
类别之间的匹配将显示在对话框底部的列表中。
如果地表真实图像中的类别与分类图像中的类别名称相同,它们将自动匹配。
单击OK按钮,输出混淆矩阵。
图13分类匹配设置窗口
e)在混淆矩阵输出窗口的OutputConfusionMatrix中,选择像素(Pixels)和百分比(Percent)。
图14混淆矩阵输出对话框
f)选择误差图像输出路径及文件名。
g)单击OK按钮,输出混淆矩阵。
图15混淆矩阵报告
2)地表真实感兴趣区
使用地表真实感兴趣区之前,需准备反映地表真实地物信息的ROI文件。
可以在高分辨率图像上,通过目视解译获取各个分类的地表真实感兴趣区;
也可以通过野外实地调查,根据调查数据生成地表真实感兴趣区。
a)在主菜单中,选择BasicTools→RegionofInterest→RestoreSavedROIFile,打开验证感兴趣区文件。
b)地表真实感兴趣区文件是在不同大小的图像上定义的,需要将地表真实感兴趣区文件与分类结果文件相匹配,有两种情况:
无地理参考和有地理参考。
无地理参考:
1在主菜单中,选择BasicTools→RegionofInterest→ReconcileROIs,弹出ReconcileROIs参数对话框。
2在ReconcileROIs参数对话框中,选择相应的地表真实感兴趣区。
3在ReconcileROIs参数对话框中,输入行(Samples)和列(Lines),与分类图像一致,或者单击SetValuesfromSource/DestinationFiles按钮,匹配分类图像的大小。
图16ReconcileROI参数设置
有地理参考:
1在主菜单中,选择BasicTools→RegionofInterest→ReconcileROIsViaMap,弹出ReconcileROIsViaMap参数对话框。
2在ReconcileROIsViaMap参数对话框中,选择相应的地表真实感兴趣区。
3在SelectSourceFilewhereROIwasDrawn对话框中,选择定义验证样本的文件。
4在SelectDestinationFiletoReconcileROIsto对话框中,选择匹配目标文件,也就是图像分类结果。
c)在主菜单中,选择Classification→PostClassification→ConfusionMatrix→UsingGroundTruthROIs。
d)在ClassificationInp
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 图像 分类