遥感图像的分类与变化监测最终版Word格式文档下载.docx

遥感图像的分类与变化监测最终版Word格式文档下载.docx

《遥感图像的分类与变化监测最终版Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《遥感图像的分类与变化监测最终版Word格式文档下载.docx（27页珍藏版）》请在冰豆网上搜索。

LT51290392009083BJC00

2001年影像

2009年图像

2.数据处理

2.1图像格式的转换

2.1.1格式转换

利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。

2.1.2多波段图像的融合

在interpreter工具中利用imageinterpreter中的layerstack进行1--7图像的融合，为后面的处理提供基础。

2.1.3图像的裁剪

利用龙泉地区边界图对已融合的图像进行裁剪，这里要用到interpreter中的mask工具

裁剪结果：

左为01年，右为09年

3.非监督分类

3.1非监督分类的定义

非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计（聚类）分析的方法。

根据待分类样本特征参数的统计特征，建立决策规则来进行分类。

而不需事先知道类别特征。

把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。

是模式识别的一种方法。

一般算法有：

回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。

3.2非监督分类处理

打开裁剪后的图像，利用classifier中的非监督分类工具将两期影像均分为水体、植被1、植被2、耕地1、耕地2、建筑1、建筑2这七个类别。

打开两个图像的属性框根据地物类别改变颜色。

分类结果图：

第一幅为01年，第二幅为09年。

3.3精度评估结果

01年：

CLASSIFICATIONACCURACYASSESSMENTREPORT

-----------------------------------------

ImageFile:

f:

/龙泉/01nianfeijiandu.img

UserName:

sumsung

Date:

SatJun1310:

30:

142015

ACCURACYTOTALS

----------------

ClassReferenceClassifiedNumberProducersUsers

NameTotalsTotalsCorrectAccuracyAccuracy

---------------------------------------------------

Unclassified000------

Class1444100.00%100.00%

Class2111100.00%100.00%

Class3020------

Class4222100.00%100.00%

Class5222100.00%100.00%

Class652240.00%100.00%

Class7121100.00%50.00%

Totals151512

OverallClassificationAccuracy=80.00%

-----EndofAccuracyTotals-----

KAPPA（K^）STATISTICS

---------------------

OverallKappaStatistics=0.7606

ConditionalKappaforeachCategory.

------------------------------------

ClassNameKappa

---------------

Unclassified0.0000

Class11.0000

Class21.0000

Class30.0000

Class41.0000

Class51.0000

Class61.0000

Class70.4643

-----EndofKappaStatistics-----

09年：

CLASSIFICATIONACCURACYASSESSMENTREPORT

c:

/users/sumsung/09nianfeijiandu.img

SatJun1312:

10:

122015

Class1111100.00%100.00%

Class2121100.00%50.00%

Class3333100.00%100.00%

Class443375.00%100.00%

Class5444100.00%100.00%

Class6121100.00%50.00%

Class7100------

Totals151513

OverallClassificationAccuracy=86.67%

OverallKappaStatistics=0.8361

Class20.4643

Class31.0000

Class60.4643

Class70.0000

4.监督分类

4.1监督分类的定义：

监督分类（supervisedclassification）又称训练场地法，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，是模式识别的一种方法。

要求训练区域具有典型性和代表性。

判别准则若满足分类精度要求，则此准则成立；

反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

常用算法有：

判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

4.2研究区地物类型的判定

根据龙泉地区土地利用类型的实际状况，确定主要地物有水体、植被、耕地和建筑。

由于实际地物中地物又可以往下细分，所以将植被分为植被1、植被2，耕地分为耕地1、耕地2，建筑也分为1和2。

4.3结合高分辨率的遥感影像对地物进行判定

水体：

从左到右分别为高分影像，01年湖泊图像，09年湖泊图像

植被：

从左到右分别为高分影像，01年植被1和09年植被

耕地：

从左到右分别为高分影像，01年耕地和09年耕地

建筑：

从左到右分别为高分影像，01年建筑和09年建筑。

4.42001年的目视解译结果

地物类别

特征

水体

条状或面状，深蓝色或黑色

植被1

淡红色，面状

植被2

暗红色，块状

耕地1

灰色，块状

耕地2

深灰色，不规则分布

建筑1

白色，块状

建筑2

灰白色，块状

4.5建立监督分类模板

根据地物的光谱信息，利用AOI方法建立不同地物所代表的模板。

由于将地物类别分为7类，所以建立7个模板分别对应7个地物类型。

以下是建立的2001年的分类模板

以下是建立的2009年的分类模板

4.6监督分类结果对比

4.6.1监督分类模板精度评估

模板的数学统计与均值折线图：

（以水体为例）

2009年各用地类别的值和均值统计表：

地物类型

统计值

TM1

TM2

TM3

TM4

TM5

TM6

TM7

最大值

11

123

20

25

29

30

72

最小值

7

119

14

21

23

27

66

均值

8.843

119.657

16.552

22.455

24.903

28.545

69.59

均方差

0.848

0.814

1.23

0.656

0.793

0.543

1.005

57

148

101

64

51

46

94

45

142

86

54

44

40

49.915

144.394

93.38

57.817

47.113

41.62

89.211

2.322

1.459

3.352

2.093

1.26

0.868

1.502

74

75

58

106

49

60

62

98

140

61

66.368

145.561

108.376

67.577

68.91

54.116

98.206

2.282

1.216

3.213

2.047

2.005

1.476

1.928

36

133

68

39

80

128

53

50

32

76.523

34.287

33.497

60.508

65.154

130.677

29.215

2.607

1.09

3.793

3.522

1.594

1.126

1.635

135

85

76

84

132

52

33

31.838

133.225

69.742

64.251

36.138

36.049

78.69

2.976

0.752

4.144

4.281

1.845

1.154

1.513

35

131

71

93

48

92

24

127

59

70

41

27.379

128.182

63.576

83.227

43.894

44.409

88.894

1.266

1.425

1.349

5.613

2.399

0.927

2.081

145

96

69

47

42

56

37

78

48.061

142.621

91.197

61.909

42.424

38.03

80.773

2.665

1.2

2.579

2.778

2.294

1.081

4.7监督分类重编码

监督分类虽然知道实地有哪些地物，但由于同类异谱现象，分类时还需要将相同的地物类分成若干个光谱类进行处理。

将植被1、植被2归为植被一类，耕地1、耕地2归为耕地，建筑1、建筑2归为建筑这一类。

01年监督分类重编码：

重编码结果图：

09年监督分类重编码：

09年监督分类重编码结果：

4.8聚类分析

分类结果中会产生一些很小的图斑，这些图斑从制图和实际考虑，都需要去掉。

在Erdas中用clump工具对监督分类的结果图像进行聚类分析，结果如下：

4.9去除分析

去除分析是去除聚类结果图中的小于一定大小的块，并将删除的小图斑合并到相邻的最大类当中。

01年去除分析：

09年去除分析：

5.GIS中的制图综合

在遥感中完成图像的重编码等工作后，在GIS中导入图像，将其由栅格转面并进行制图综合和叠加分析等工作。

5.1制图综合步骤及结果

以下是截取的部分步骤示意图：

编辑图例：

更改图例：

添加字段：

图层属性：

专题地图：

5.2数据分析

本次实验的目的是进行遥感图像分类与变化监测，研究分析四川省成都市龙泉驿区从2000年~2014年这5年时间内土地利用类型的变化。

所以在Arcmap中首先使栅格转面，然后进行制图综合，包括图像融合和图层叠加运算，相交后进行计算，导出最后的结果：

面积

2001年

2009年

植被

耕地

建筑

总计

2.271761227

0.395786154

0.000616197

2.668163578

0.554289351

199.4990953

29.44444847

12.6900295

242.1878626

0.005764644

94.85319285

63.32999029

48.54856325

206.737511

35.82161387

43.84071022

27.31841103

106.9807351

2.831815222

330.5696882

136.615149

88.55761997

558.5742723