安徽理工大学遥感论文 - 图文

安徽理工大学毕业论文

然法要求地物服从正态分布。最大似然法先要建立判别函数，再逐点计算各像元的归属概率，归属概率最大的为其相应类别。 5.4.2最大似然法步骤

最大似然法主要操作步骤：

（1)在ENVI主菜单下选择 Classification→Supervised→Maximum Likelihood。 （2)在 Classification Input File 面板中，选择 Mask Options→Build Mask，打开 Mask Definition 面板。选择 Options→Import ROI.单击 OK 回Classification Input File 面板中。

（3)在Classification Input File 面板中选择要分类的影像，点击OK,弹出Maximum Likelihood 参数设置面板。

（4)在Maximum Likelihood 参数设置面板中，选择样本,再点击OK，执行分类。分类后的图像就是图5-2。

图5-2 最大似然法分类图像

16

安徽理工大学毕业论文

5.5决策树方法 5.5.1决策树方法原理

决策树（Decision Tree）又称为判定树，是基于传统的监督分类和非监督分类方法建立起来的，主要是通过研究杂乱无章而又错综复杂的地物信息中潜在的总体规律以及各地物间相互制约、相互依存的联系，建立起树枝状的结构框架，同时针对不同的地物，结合一定的专家知识和经验，并选择相应的辅助数据（DEM,NDVI等）和特征波段，然后根据决策树的结构，最终将地物分级分层地逐个区分和识别出来。从图形上看，决策树看似一颗倒挂的树，它是由一个根节点（地表特征大类），一系列的内部节点以及叶子节点（最后分类的各个子类）组成[33]。每一个节点（除根节点）都有一个父节点，每一个节点（除叶子节点）也都有两个子节点。决策树的叶节点为类名，一个叶结点只对应一个类别属性，但是不同的叶结点可以对应同一个类别属性。决策树分类规则易于理解，分类过程也比较简单，与传统分类方法相比较，最大的优势就是综合利用多源数据，不仅仅使用光谱，使分类更加精确。 5.5.2 典型地物光谱值统计

通过ENVI软件绘制各类别的感兴区样本，在利用EXCEL统计给歌类别样本的光谱值（DN值），绘制出各地物的光谱统计图。统计各个地物光谱值的信息，可以帮助了解地物的光谱特征在各个波段的差异，根据各个地物波段间的差异性设置适合的分类阈值可以用来区分地物，帮助提高分类精度。

光谱统计图10080DN值

604020band1 band2band3band4 band5band7波段

0 玉米葵花水体城镇沙丘裸地盐土

图5-3 各类地物光谱统计图

从地物的光谱曲线可以看出，各个覆被类型的曲线形态各异。如植被在近红外波段的反射率较高，在中红外波段反射率较低，而水体在蓝绿光波段反射率强，在其它波段反射率都较低。城镇、裸地等、沙丘、盐土非植被类型的光谱响应曲线和植被类型的光谱曲线有明显差异。

17

安徽理工大学毕业论文

5.5.3决策树分类规则

决策树分类规则如下描述： 玉米：ndvi>0.2,b4<54。 葵花：ndvi>0.2,b4<54。 水体：ndvi<0.2,020,b3>62。 城镇：ndvi<0.2,b4>20,b3<62,b4<41。 沙丘：ndvi<0.2,b4>20,b3<62,b4>41,b2>53。 裸地：ndvi<0.2,b4>20,b3<62,b4>41,b2<53。 5.5.4建立决策树

建立决策树主要步骤：

（1）在ENVI主菜单下选择classification→Decision Tree→New Decision Tree。 （2)输入决策树规则。我们先依据归一化植被指数值（NDVI）划分第一个节点，将地物划分为植被和非植被。单击Node1，跳出对话框，Name填写NDVI<0.2，在Expression中填写:{ndvi}lt 0.2。填写完点击OK之后，在新弹出的对话框给{ndvi}设定一个数据源。图5-4就是依据地物的光谱值（DN值）绘制的决策树。

图5-4 构建决策树规则

18

安徽理工大学毕业论文

（3）输入完决策，在Decision Tree菜单上选择Options→Execute，执行决策树，树规则，生成分类图像，如图5-5。

图5-5 决策树分类图像

5.6分类后处理

分类后处理包括很多方法，包括小斑点处理、分类后统计分析、精度评价、类别筛选、栅矢转换等方法。分类后的图像上有些地物会在部分区域不连续，表现为离散的斑点，即分类区域中有部分洞存在，所以我们需要在计算机自动分类后作小图斑的处理。

图斑处理操作：

在ENVI主菜单中，选择Classification→Post Classification →clump 5.7分类精度评价 5.7.1评价指标

遥感计算机分类后的图像进行精度评价，从中得到一些结论，这对我们提升遥感图像分类精度具有借鉴意义。分类精度评价可以说是判断遥感影像计算机分类质量好坏最有效的方法。分类精度是指遥感分类结果与地面实际测量值比较，正确分类结果所占的百分比。遥感数据分类精度评价指标通常包括以下四种，总体精度、用户精度、生产者精度及 Kappa 系数。

总体精度，是由混淆矩阵中分类正确的像元数与总像元数的比值求得。 用户精度,该类别中参考数据和解译后数据一致的数目除以解译后数据认为是该类别的取样点的总数(矩阵中该行的总和)。

19