envi监督分类

envi监督分类

-

2023年3月6日发(作者：数字表达)

ENVI中几种监督分类方法精度比较

遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，

最大似然法，神经网络法以及支持向量机法等。文章将就以上所述的五种常用的

监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8OLI数据进行土地覆

盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行

浅析，进而对实际的生产以及应用做出借鉴。

标签：监督分类；平行六面体；神经网络；支持向量机；分类精度

Abstract：Thecommonmethodsofsupervisedclassificationofremotesensing

imagescanbedividedinto：parallelepipedclassifiermethod，Mahalanobisdistance

method，maximumlikelihoodmethod，neuralnetworkmethodandsupportvector

paper，thelandcoverandutilizationofthesameLandsat8

OLIdatainWeizhouTown，WenchuanCountyareclassifiedbythefivecommon

ingthe

classificationaccuracyofvariousmethods，wemadeananalysisofthecausesofthe

differences，andthenidentifytheiractualproductionandapplication.

Keywords：supervisedclassification；parallelepiped；neuralnetwork；support

vectormachine；classificationaccuracy

1概述

遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分

析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不

重叠的各个子空间之中。遥感图像的分类的主要依据是不同地物在图像上会反映

出不同的亮度值（DN值），从而可以区分不同地物的差异。例如，河流、民宅、

林地、草地、耕地等。

2ENVI中基于遥感光谱图像分类方法

遥感影像通过亮度值或者像元值的高低差异（反映地物的光谱信息）以及空

间变化（反映地物的空间信息）来表示不同地物的差异与区别，这是区分不同影

像地物的物理基础。遥感影像分类就是利用计算机通过对遥感影像中各地类的光

谱信息和空间信息进行分析，选择其中所包含的特征，将图像中的每个象元按照

某种规则或者算法划分成为不同的类别，之后获得遥感影像中与实际地物所对应

的信息，从而实现遥感影像的分类。

遥感图像的分类分为监督分类与非监督分类。

非监督分类与监督分类最本质的区别是是否存在训练样本。若不存在训练样

本则称为非监督分类，非监督分类使用的算法是对影像上的光谱信息进行自动的

聚合，聚合之后的所生成的不同地类需要后期人工进行判读；若存在训练样本则

称为监督分类，监督分类是在计算机分类之前人工对影像选择若干样本区域的位

置与样本类型，之后选择不同的分类器或不同的算法将影像中其他区域归入不同

的样本中。无论是非监督分类还是监督分类都是基于光谱的分类方法，及基于遥

感影像灰度值的分类方法。

3实验区选择及实验方法

本文所选择的实验区为四川省阿坝州汶川县的Landsat-8OLI为数据源，对

原始数据进行6，5，4波段RGB真彩色合成（增强植被水域的对比）。选择汶川

县威州镇为实验区，进行土地利用分类，以确定各种分类方法的精度比较。

3.1训练样本可分离性判断

在进行分类之前，先进行人工样本选取，创建5个ROI感兴趣区训练样本，

为耕地，住宅用地，林地/草地，水域和其他，并且分别用黄色，红色，绿色，

蓝色以及紫色表示。然后先计算样本的可分离性。用Jeffries-Matusita和

TransformedDivergence参数表示。这两个参数的值在0～2.0之间，大于1.9说

明样本之间的可分离性良好，小于1.8需重新選取样本，小于1即考虑将两样本

合成一类样本。本次工区样本的可分离性为图1所示。

本实验工区样本之间本分离性均大于1.85，属于合格样本。

3.2分类器选择与使用

用ENVI监督分类模块进行监督分类时，采用不同的分类器时选择相同的人

工训练样本区域以比较不同分类方法的分类精度。选择

toolbox→Classification→SupervisedClassification中找到不同类型的分类器。本文

以支持向量机（Supportvectormachines，SVM）为例进行分类使用。

在SupervisedClassification中选择Supportvectormachines，点击所需要分类

的图像进入SVM参数设置面板。SVM参数设置面板为图2。

参数意义如下：

（1）KernelType下拉列表里选项有Linear，Polynomial，RadialBasis

Function和Sigmoid。a.如果选择Polynomial，设置一个核心多项式（Degreeof

KernelPolynomial）的次数用于SVM，最小值是1，最大值是6。

b.如果选择Polynomial或者Sigmoid，使用向量机规则需要为Kernel指定the

Bias，默认值是1。

c.如果选择是Polynomial，RadialBasisFunction，Sigmoid，需要设置Gamma

inKernelFunction参数。这个值是一个大于零的浮点型数据。默认值是输入图像

波段数的倒数。

（2）PenaltyParameter：这个值是一个大于0的浮点型数据。这個参数控制

了样本错误与分类刚性延伸之间的平衡，默认值是100。

（3）PyramidLevels：设置分级处理等级，用于SVM训练和分类处理过程。

如果这个值为0，将以原始分辨率处理；最大值随着图像的大小而改变。

（4）PyramidReclassificationThreshold（0～1）：当PyramidLevels值大于0

时候需要设置这个重分类阈值。

（5）ClassificationProbabilityThreshold：为分类设置概率域值，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。

（6）选择分类结果的输出路径及文件名。

（7）设置OutRuleImages为Yes，选择规则图像输出路径及文件名。

（8）单击OK按钮执行分类。

4分类结果与精度验证

在对实验工区进行土地分类之后，再进行分类后处理。采用混淆矩阵进行精

度验证，将不同方法的分类以及Kappa系数进行对照比较。

4.1分类结果与后处理结果

使用平行六面体，马氏距离，最大似然，神经网络和支持向量机对工区进行

分类及后处理后所得结果分别为图3-图7所示。

4.2混淆矩阵精度验证

在分类结束后对不同方法的分类后处理结果通过混淆矩阵进行对照。本文以

水域为例，分别对相关的精度因子进行比较，如表1所示。

5结束语

本文通过对五种监督分类方法的比较分析发现神经网络，支持向量机在总体

分类精度，错分误差和漏分误差方面均明显优于最大似然，平行六面体、马氏距

离，分类精度最高。而最大似然法次之，前三者分类精度均高于平行六面体和马

氏距离。

神经网络和支持向量机的明显优点：

（1）神经网络具有学习能力和容错特性并且无需就模型作出假定，不需要

对数据考虑是否存在正态分布或者连续性分布。能够在特征空间上形成任意的多

边界决策面，再在动态中调节决策边界。在计算均值和方差时采用多次迭代，直

到输出结果达到与传统的目视解译结果满足误差要求。

（2）支持向量机是建立在统计学习理论上的机器学习方法。可以自动寻找

在间隔区边缘的训练样本点，从而区分有较大区分能力的支持向量，将类与类之

间的间隔最大化。

目前，没有哪一种分类是绝对最准确，最实用的，对于具体的问题，还是需

要具体分析。每种分类方法都有各自的优劣性与实用性，选择最适应条件的分类

方法才能达到分类精度的最优化。随着遥感技术的日新月异，综合运用各种方法

进行理论创新必将提高今后遥感影像分类精度的不断上升。

参考文献：

[1]赵文吉.ENVI遥感影像处理专题与实践[M].北京：中国环境科学出版社，

2007，04.

[2]童庆禧，张兵，郑兰芬.高光谱遥感原理、技术与应用[M].北京：高等教

育出版社，2006，06.

[3]王一达，沈熙玲，谢炯.遥感图像分类方法综述[J].遥感信息，2006：67-71.

[4]杨树文.遥感数字图像处理与分析ENVI5.x实验教程[M].北京：电子工业

出版社，2015，06.

[5]欧阳霞辉.ArcGIS地理信息系统大全[M].北京：科技出版社，2010，11.

[6]李石华，王金亮，毕艳.遥感图像分类方法研究综述[J].国土资源遥感，

2015：1-6.