遥感影像分类精度与空间分辨率的关系验证.docx
- 文档编号:23050242
- 上传时间:2023-04-30
- 格式:DOCX
- 页数:22
- 大小:4.32MB
遥感影像分类精度与空间分辨率的关系验证.docx
《遥感影像分类精度与空间分辨率的关系验证.docx》由会员分享,可在线阅读,更多相关《遥感影像分类精度与空间分辨率的关系验证.docx(22页珍藏版)》请在冰豆网上搜索。
遥感影像分类精度与空间分辨率的关系验证
实验一遥感影像分类精度与空间分辨率的关系验证
实验目的:
1、掌握相同传感器多光谱影像与全色影像融合方法;
2、掌握监督分类的基本流程;
3、验证遥感影像分类精度与空间分辨率的关系。
实验要求:
1、对多光谱影像和全色影像进行融合;
2、利用马氏距离法进行监督分类;
理论基础:
高分辨率影像能反映更多细节信息,但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降(同物异谱和异物同谱现象更严重),通过不同分辨率遥感分类精度的比较来验证这一理论。
原始实验数据:
北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS全色波段(两者成像时间都是2002年8月26日,即是同一传感器同时成像,植被覆盖情况一致),全色波段影像大小4000*4000。
class1.roi是1m空间分辨率的参考分类ROI模板。
实验步骤:
1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合,操作如下:
(1)打开图像bjikonospan.img和bjikonosmultispectral.img,在Availablebandlist对话框中,选中bjikonospan.img,点击右键,选择Editheader,查看bjikonospan.img的头文件。
记录该文件的行列数,下图1~2。
图1
图2查看头文件
(2)在ENVI主菜单,点击BasicTools→ResizeData,在弹出的对话框中,选择bjikonosmultispectral.img,点击OK,在接下来弹出的ResizeDataParameters对话框中,Samples后输入4001,点击回车,Lines后输入4001,点击回车,设置存储路径,OK。
将重置了大小后的图像bj_resize按432的RGB模式显示,与前两个图像对比,观察其变化。
图3
图4重置图像大小
(3)重置大小后的图像已经可以与全色图像进行融合,将bj_resize图像以432的RGB模式在Display#1中显示,在ENVI主菜单,点击Transform→ImageSharpening→HSV
图5启动融合功能
图6
在接下来弹出HighResolutionInputFile(高空间分辨率输入文件)的对话框中,选择bjikonspan.img文件,OK。
图7选择高空间分辨率影像
图8确定参数,选择存储位置
通过以上步骤得到了空间分辨率为1m的IKONOS多波段图像,如下图:
图9
2、将1m的融合图像降低空间分辨率,得到5m和15m空间分辨率的数据,操作如下:
在ENVI主菜单,点击BasicTools→ResizeData,选择输入文件为bj_HSV
图10
在接下来弹出的ResizeDataParameters对话框中,点击SetOutputDimsbyPixelSize
图11
将像元大小改为5m,如下图所示。
图12修改像元大小
点击OK,设置存储路径,得到空间分辨率为5m的影像。
图13设置重置图像参数
利用相同的方法得到空间分辨率为15m的影像。
3、对空间分辨率为1m、5m和15m的影像进行分类
操作如下:
打开空间分辨率为1m的影像,点击ENVI主菜单BasicTools→RegionofInterest→ROITool,如下图,在Window选项中点选Zoom,表示在Zoom窗口绘制ROI。
图14ROITool对话框
点击ROITool对话框中的ROIType,经常使用的类型包括Polygon、Rectangle和Ellipse。
图15选择ROI类型
接下来便可以绘制ROI,在主影像窗口中选择合适的位置,在Zoom窗口绘制,绘制好图形后点击右键确认。
将绘制好的ROI更名为waterbody,颜色改为蓝色,继续在图像上的水域部分绘制ROI(每类地物ROI数量不少于3个,人工建筑类地物ROI数量不少于5个,人工建筑类用地的颜色种类较多,ROI应包含所有颜色的人工建筑)。
绘制好水体的ROI后,点击ROITool对话框的NewRegion按钮,绘制其它类地物的ROI。
图16水体ROI
地物类别分为8类,分别为:
有作物农田(cultivated_farmland)、无作物农田(uncultivated_farmland)、林地(woodland)、草地(grassland)、水体(waterbody)、人工建筑(artificial_building)、裸土(nudeland)和道路(road)。
根据以上分类要求得到的ROI分类模板如下图:
图17最终分类模板
在ROITool对话框中点击File→SaveROIs,保存ROI文件。
在ENVI主菜单,点击Classification→Supervised(监督分类)→MahalanobisDistance(马氏距离)
图18启动分类功能
选择输入文件为bj_HSV,在接下来弹出的MahalanobisDistanceParameters对话框中,按下图19设置参数,点击OK。
图19马氏距离参数设置
得到的分类结果图如下:
图20分类结果图
下面介绍如何使用相同的分类模板对5m分辨率的图像进行分类,由于之前的ROI是在1m分辨率时采集的,不能直接应用在5m分辨率的图像上,需要进行如下转换:
在Display#1中显示5m分辨率的图像,在Display#2中显示1m分辨率的图像,分别打开两窗口的ROI工具,在Display#2的ROITool对话框中点击File→RestoreROI,加载之前采集的ROI。
如下图:
图21
在#2ROITool中点击File→ExportROIstoEVF,
图22
在ExportROIstoEVF对话框按下图23设置参数:
图23设置转换参数
点击OK,在弹出的AvailableVectorsList对话框中,选择图层1,LoadSelected。
图24
这样,矢量就显示在Display#1中,
图25
在VectorParameters对话框中,点击File→ExportActiveLayertoROIs,下图26~27
图26
图27
这样在Display#1中就生成了与Display#2中对应的ROI,在Display#2中点击右键GeograghicLink,
图28地理连接
在#1ROITool中,选中一个ROI,点击Goto,窗口中会显示该ROI的位置。
根据右侧Display#2的颜色修改#1ROITool中的ROI的颜色,按这种方法修改全部ROI的颜色。
图29
修改完颜色后,点击#1ROITool中Options→MergeRegions
图30
在接下来弹出的对话框中对ROI进行合并,例如合并绿色ROI时,选择一个绿色ROI作为baseROI,选择全部绿色ROI参与合并,点击OK,则绿色ROI被合并成一个ROI,再用同样的方法合并其他颜色的ROI,ROI合并结束后,修改ROI名称,使用这个模板进行马氏距离监督分类。
图31ROI合并
再按上述流程对空间分辨率15m的图像进行分类。
4、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)。
记录了总体精
度、制造者以及用户的准确度、Kappa系数、混淆矩阵以及代理和冗长误差,精度评价操作如下:
在ENVI主菜单,按如下流程操作
图32启动分类后评价
图33
系统会根据已打开的ROI文件匹配分类情况,点击OK,下图34
图34
图35
得到分类精度评价表,
图36
分别对1m、5m和15m的分类图像进行精度评价,注意ROI文件要匹配。
分析不同分辨率影像分类的精度,通过对比分析,验证遥感影像分类精度与空间分辨率的关系。
实验成果:
1、提交降低分辨率后的影像数据文件;
2、5m分辨率的分类模板ROI文件;
3、分类结果数据文件以及精度检验样本分布图的截屏。
- 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:
- 遥感 影像 分类 精度 空间 分辨率 关系 验证
![提示](https://static.bdocx.com/images/bang_tan.gif)