V:1.0 精選方法
遙感影像分類方法實驗報告
2020- -6 6- -8 8
遙感影像分類方法實驗報告
實驗報告
遙感影像分類方法實驗報告
目錄
1 實驗目的 ....................................................................................................................................... 7 2 實驗數據 ....................................................................................................................................... 7 3 實驗內容 ....................................................................................................................................... 7 4 實驗步驟 ....................................................................................................................................... 8
對人口矢量數據（shapefile ）進行投影轉換 ................................................................. 8
文件投影坐標的檢查 ........................ 8
將 將 投 影 坐 標 轉 換 為WGS_1984_UTM_Zone_16N ........... 9
對遙感影像進行幾何精校正（以經過投影變換的人口矢量數據為基準）
................... 10
在 在 ENVI 軟件的加載 ...................... 10
對遙感影像進行幾何精校正（以矢量數據為基準）
............................................... 10
用矢量圖層對遙感影像進行裁剪 .. 14
將 將 Pan 波段和多光譜波段進行融合，并對融合效果進行定性和定量評價 ............... 15
兩種融合方法的原理 ...................... 15
進行 Gram-Schmidt Spectral Sharpening融合 ................................................... 16
遙感影像分類方法實驗報告
融合效果進行定性評價 .................. 18
融合效果進行定量評價( 軟件提供的計算方法 法) ...................................................... 19
融合效果進行定量評價(Matlab 編程計算) ........................................................... 21
遙感影像融合定量分析代碼 .......... 25
生成住房密度柵格影像 ..................... 28
兩表的連接 ...................................... 28
計算房屋密度 .................................. 29
直接柵格化 ...................................... 30
IDW 插值 ........................................ 30
對房屋密度圖進行重分類 .............. 31
將住房密度柵格影像作為額外的通道與ETM+ 多光譜波段進行疊加 ................ 32
監督分類（融合方法為 HSV ，波段為 5 ，4， ，3 ）
......................................................... 33
打開 Google Earth 影像作為監督分類的參照 照 ....................................................... 33
建立興趣區 ...................................... 34
訓練樣區的選擇 .............................. 36
訓練樣區的評價 .............................. 37
遙感影像分類方法實驗報告
執行監督分類 .................................. 40
分類后處理 ...................................... 41
評價結果分析 .................................. 44
分類結果面積統計 .......................... 45
分類結果 .......................................... 48
分類結果評價與分析 ......................... 49
未加入房屋密度圖層的分類結果評價與分析 析 ....................................................... 49
加入 IDW 插值房屋密度圖層的分類結果評價與分析 ........................................... 50
加入直接柵格化房屋密度圖層的分類結果評價與分析 ....................................... 51
加入重分類后 IDW 插值房屋密度圖層的分類結果評價與分析 ........................... 52
從總精度與 Kappa 系數對分類結果進行評價 價 ....................................................... 53
分類結果總體評價 .......................... 54
和 與其他訓練樣區的分類精度和 Kappa 系數的計算 ............................................... 55
決策樹分類 ......................................... 57
決策樹分類原理 .............................. 57
遙感影像分類方法實驗報告
數據預處理 ...................................... 57
指數的計算 ...................................... 59
執行決策樹 ...................................... 62
不同參數設置的對比 ...................... 66
5 實驗體會 ..................................................................................................................................... 69
實驗中存在的問題 ............................. 69
軟件平臺使用 ..................................... 72
實驗總結 ............................................. 72
遙感影像分類方法實驗報告
1 實驗目的
① 掌握 ArcGIS10 和對遙感圖像處理的基本操作與原理 ② 熟悉幾何精校正的方法，掌握 ENVI 軟件對遙感影像進行幾何精校正 ③ 掌握全色波段與多光譜波段的融合方法和原理，學會對融合效果進行定性定量分析 ④ 熟悉掌握 ArcGIS的柵格化方法和 IDW插值方法 ⑤ 熟悉監督分類的方法和基本原理，掌握 ENVI 軟件中進行監督分類 ⑥ 了解監督分類后評價過程，對分類結果進行精度評價和分析 ⑦ 掌握 Erdas的空間建模方法以及原理 ⑧ 了解 RuleGen 算法，掌握決策樹分類方法 2 實驗數據
① 帶屬性數據的 shapefile：
② 帶有陸地面積字段的矢量圖層：
③ GoogleEarth_原始拼接：
④ 研究區域的多光譜波段數據：
⑤ 研究區域的全色波段數據：
⑥ 監督分類參照影像：Google Earth 3 實驗內容
① 對人口矢量數據（shapefile）進行投影轉換：WGS_1984_UTM_Zone_16N ② 對遙感影像進行幾何精校正（以經過投影變換的人口矢量數據為基準）：
（1）
對多光譜波段（30 m空間分辨率）進行幾何精校正（小于個像元）；
（2）
對 Pan 波段（15 m空間分辨率）進行幾何精校正（小于個像元）；
遙感影像分類方法實驗報告
③ 將 Pan 波段和多光譜波段進行融合（自選至少一種融合算法），并對融合效果進行定性和定量評價； ④ 生成住房密度柵格影像：
（1）
直接柵格化；
（2）
IDW 插值； ⑤ 將住房密度柵格影像作為額外的通道（或波段）與 ETM+多光譜波段進行疊加； ⑥ 進行監督分類和分類后處理（Post-Classification，Expert Rules）
⑦ 利用 ERDAS軟件的空間建模（Spatial Modeler）進行水體信息（MNDWI 指數）和植被信息（NDVI指數）的提取； ⑧ 利用“自動閾值決策樹分類算法”進 Marion County 的土地利用/覆蓋分類信息提取（使用的數據：原始各波段+MNDWI+NDVI+ISODATA 等，或其他有益的波段組合）
① 探討“自動閾值決策樹分類算法”中的各個參數意義及如何設置更合理
② 對分類結果進行評價與分析 ⑨ 對分類結果進行精度評價和分析； 4 實驗步驟
對人口矢量數據（shapefile ）進行投影轉換
文件投影坐標的檢查 根據實驗要求，人口矢量數據（shapefile）進行投影坐標應為：WGS_1984_UTM_Zone_16N
在 ArcGIS 軟件的圖層右擊 Properties，在 Layer Properties 的 Source 下查看投影信息，如圖 1。得到的投影坐標為 ：GCS_North_American_1983，與實驗要求不符合，需進行投影轉換。
遙感影像分類方法實驗報告
圖 1
將投影坐標轉換為 WGS_1984_UTM_Zone_16N
在 Arcgis 軟件的工具箱中的 Define Projection 工具，設置輸入數據為：，坐標系統為 GCS_WGS_1984，在工具箱中的 工具，設置輸入數據：，導入遙感影像的投影坐標系，即 GCS_WGS_1984（如圖 2）。
遙感影像分類方法實驗報告
圖 2
對遙感影像進行幾何精校正（以經過投影變換的人口矢量數據為基準）
在 ENVI軟件的加載 在 ENVI軟件中，File -> Open Vector File，選擇 ，設置好參數，生成 evf 文件（如圖 3）。
圖 3
對遙感影像進行幾何精校正（以矢量數據為基準）
在 ENVI分別打開遙感影像 img 和矢量文件 vef，選擇 Map -> Registration -> Select GCPs : image to map，以矢量數據為基準,設置好投影，如圖 4。
圖 4
遙感影像分類方法實驗報告
在 ENVI 中，在 zoom窗口下采集控制點，這次實驗采集的控制點數為 13 個，控制點的主要定位在道路與道路之間的交叉點，如圖 5，其控制點的 RMS Error 為，如圖 6，如圖 7 為 20 個控制點的采集情況。
圖 5
圖 6
圖 7 選擇校正參數輸出結果，在 Ground Control Points Selection 窗口選擇 Option -> Warp File ，如圖 8；數學模型為 Polynomial，設定參數為 2，從采樣方法為最臨近法，如圖 9。
遙感影像分類方法實驗報告
圖 8
圖 9
如圖 10、11 為幾何校正前后，矢量圖層與遙感影像吻合度的對比，可以明顯看出，經過幾何校正后的遙感影像與矢量圖層吻合程度有明顯的改善，有部分水體邊界不吻合，這主要是由于水體會隨時間而改變；而街區與道路吻合程度良好。
圖 10
遙感影像分類方法實驗報告
圖 11 如圖 12 為對多光譜波段（30 m空間分辨率）進行幾何精校正后的遙感影像；如圖 13 為對 Pan 波段（15 m空間分辨率）進行幾何精校正后的遙感影像。
圖 12
遙感影像分類方法實驗報告
圖 13
用矢量圖層對遙感影像進行裁剪
在 ENVI 中打開文件，將該圖層轉換成 ROI，如圖 14。
圖 14
通過 ROI進行裁剪遙感影像，選擇 Basic Tools ->Subset Data via ROIs ；選擇轉換好的 ROI進行裁剪，如圖 15。
遙感影像分類方法實驗報告
圖 15 同樣，對 pan 波段的遙感影像進行裁剪，得到遙感影像如圖 16。
圖 16
將 將 Pan 波段和多光譜波段進行融合，并對融合效果進行定性和定量評價
兩種融合方法的原理
Gram-Schmidt 可以對具有高分辨率的高光譜數據進行銳化。
① 從低分辨率的波譜波段中模擬出一個全色波段。
② 對該全色波段和波譜波段進行 Gram-Schmidt 變換，其中模擬的全色波段被作為第一個波段。
③ 用 Gram-Schmidt 變換后的第一個波段替換高空間分辨率的全色波段。
④ 應用 Gram-Schmidt 反變換構成 pan 銳化后的波譜波段。
Gram-Schmidt Spectral Sharpening 方法進行圖像增強能夠比較好的保留原多光譜圖像的光譜信息，使遙感影像的融合保留多光譜影像的增強效果。
用 PC 可以對具有高空間分辨率的光譜圖像進行銳化。
① 先對多光譜數據進行主成分變換。
遙感影像分類方法實驗報告
② 用高分辨率波段替換第一主成分波段，在此之前，高分辨率波段已被縮放匹配到第 一主成分波段，從而避免波譜信息失真。
③ 進行主成分逆變換。函數自動地用最近鄰、雙線性或三次卷積技術將多光譜數據重采樣到高分辨率像元尺寸。
進行 Gram-Schmidt Spectral Sharpening 融合 在 ENVI軟件中，選擇 Transform -> Image Sharpening -> Gram-Schmidt Spectral Sharpening ，在 Select Low Spatial Resolution Multi Band Input File 中選擇 多光譜波段，Spatial Subset 為 Full Scene，Spectral Sunset為 8 個波段，如圖 17。
圖 17
在 Select High Spatial Resolution Pan Input File 窗口中選擇 全色波段，如圖 18。
圖 18 Select Method for Low Resoution Pan 選擇 Average of Low Resolution Multispectral File：利用多光譜波段的平均值來模擬低分辨率的全色波段。Resampling 選擇 Nearest Neighbor，Output Result 選擇保存路徑，如圖 19。
遙感影像分類方法實驗報告
圖 19
進行 PC Spectral Sharpening 融合
在 ENVI軟件中，選擇 Transform -> Image Sharpening -> PC Spectral Sharpening ，在 Select Low Spatial Resolution Multi Band Input File 中選擇 多光譜波段，Spatial Subset 為 Full Scene，Spectral Sunset 為 8個波段，如圖 20。
圖 20
在 Select High Spatial Resolution Pan Input File 窗口中選擇 全色波段，如圖 21。
遙感影像分類方法實驗報告
圖 21
Resampling 選擇 Nearest Neighbor，Output Result 選擇保存路徑，如圖 22。
圖 22
融合效果進行定性評價 如圖 23 為原始遙感影像與經過 Gram-Schmidt Spectral Shaping 處理后的影像。
圖 23
遙感影像分類方法實驗報告
從圖 23，我們可以得到，Gram-Schmidt Spectral Shaping 處理后的影像總體上來說分辨率有很大的提高，清晰度高，光譜信息比較豐富，但顏色的匹配還不是很理想，整個影像的色調基本上一致，呈現出泛紅的現象，地物之間的辨別基本上是通過影像上的灰度信息，而色彩提供的信息量較少，區分度不高。
如圖 24 為原始遙感影像與經過 PC Spectral Sharpening 處理后的影像。
圖 24 從圖 24，我們可以得到，PC Spectral Sharpening處理后的影像清晰度高，涵蓋的地物信息量大，顏色的畸變很小，和 Gram-Schmidt Spectral Shaping 處理的影像效果類似，顏色的匹配還不是很理想，整個影像的色調基本上一致，呈現出泛紅的現象，色彩不夠豐富。在水域的地方顏色與原來的為黑色變成了青色，顏色變化差異較大。
定性評價結論，從圖 23、24，我們可以了解到提高空間分辨率效果最好的是 Gram-Schmidt Spectral Shaping ；光譜變化較小的是 PC Spectral Sharpening，但在水域的區域上，Gram-Schmidt Spectral Shaping 保持這原始影像的色彩。
融合效果進行定量評價(軟件提供的計算方法) 在實驗中，波段的選取為 4，3，2波段。
在主窗口中，右擊選擇 Z Profile，對比三個影像的情況(如圖 25)。
遙感影像分類方法實驗報告
圖 25 從圖 25，我們可以得到，經過融合后，在 Value上都有所增加，band1從 90 -> 100；說明了融合后影像的亮度信息提高了。但 PC 和 GS兩者的 Value通過圖上很難分辨出區別。
圖 26 X Profile
圖 27 Y Profile 在 ENVI 軟件中，選擇 Basic Tools ->Stayistics ->Compute Statistics，如圖 28。
圖 28
如表 1 為原始影像、PC 融合后影像和 GS融合后影像的部分統計參數。
表 1
遙感影像分類方法實驗報告
圖 29
圖 30 從圖 29、30，兩張折線圖上我們可以直觀的了解原始影像、PC 融合后影像和 GS 融合后影像在亮度信息上的關系。在均值上，PC 融合影像和 GS 融合影像均有所增加，但是從幅度上來看，PC 融合影像的均值增加的幅度較大，較 GS 融合影像更有利于目視判讀。在方差上，與原始影像相比較 PC 融合影像的方差有所增加，而 GS 融合影像的方差大幅下降，不利于目視判讀。因此，在亮度指標上最好的為 PC 融合，其次為 GS融合。
融合效果進行定量評價(Matlab 編程計算) 此次實驗從融合影像的亮度信息，清晰程度，光譜保持程度，信息豐富程度等多角度進行評價分析，相比傳統的單一定量評價全面，能夠減少評價的隨機性，使得定量評價更加科學全面。主要通過 4 方面進行統計分析：①亮度信息，針對融合后影像亮度信息進行評價，主要包括均值和標準差等指標。②清晰度，評價融合影像的清晰程度，主要包括平均梯度和空間頻率等指標。③光譜信息，評價融合后影像的光譜變形情況,包括扭曲程度,相關系數等指標。④信息量,評價融合后信息量的保持或增加程度，主要包括信息熵,交叉熵和互信息等指標。以下公式中，影像函數為 Z(X，Y) ，影像的行數和列數分別為 M 和 N，影像的大小則為 M×N。
亮度信息
均值(z) 影像均值是像素的灰度平均值,對人眼反映為平均亮度。如果均值適中,則影像效果良好,其定義為:
N My x zzNjj iMi??? ?? ? 1 1) , (
標準差(σ)
遙感影像分類方法實驗報告
標準差反映了影像灰度相對于灰度平均值的離散情況，在某種程度上，標準差也可用來評價影像反差的大小。若標準差大，則影像灰度級分布分散,影像的反差大，可以看出更多的信息，其公式為：
N Mz y x ZNjj iMi?? ??? ?? ?21 1) ) ( (?
方差(D) 方差反映了灰度相對于灰度均值的離散情況，方差越大，則灰度級分布越分散。此時，圖像中所有灰度級出現的概率越趨于相等，從而包含的信息量趨于越大。方差計算公式為：
21) (??? ?nii iN D DN p D
清晰度
平均梯度(G) 平均梯度可敏感地反映影像對微小細節反差表達的能力，可用來評價影像的清晰程度，還可同時反映出影像中微小細節反差和紋理變化特征，其計算公式為：
? ??????????? ??112 2112)) , (( )) , (() 1 )( 1 (1Njij iij iMiyy x Zxy x ZN MG
空間頻率(SF) 空間頻率反映了一幅影像空間的總體活躍程度，空間頻率越大，說明融合效果越好。它包括空間行頻率 RF 和空間列頻率 CF組成，其公式為：
211 1)] , ( ) , ( [1?? ????? ? j iNjj iMiy x Z y x ZN MRF
211 1)] , ( ) , ( [1j iNjj iMiy x Z y x ZN MCF?? ????? ? 總體的空間頻率值取 RF和 CF的均方根，即：
2 2CF RF SF ? ?
遙感影像分類方法實驗報告
光譜信息
扭曲程度(D) 扭曲程度 D是指融合影像 F像素灰度平均值與源影像 A像素灰度平均值之差，也可以說是融合影像與源影像的差值影像的灰度平均值,它的表達式為：
? ?? ????Mji i i iMiy x A y x FN MD1 1) , ( ) , (1 它反映融合影像和源多光譜影像在光譜信息上的差異大小和光譜特性變化的平均程度。
相關系數(ρ) 融合影像與源影像的相關系數能反映兩幅影像光譜特征的相似程度,其定義如下：
21211 1) , ( ) , () , ( ) , (a y x A f y x Fa y x A f y x Fj iNjj iMij iNjj iMi? ?? ??? ?? ?? ?? ??
其中，f 和 a 分別為融合影像與源影像的均值。通過比較融合前后的影像相關系數可以看出多光譜影像的光譜信息的改變程度。
信息量
信息熵(E) 影像的信息熵值是衡量影像信息豐富程度的一個重要指標。對于一幅單獨的影像,其灰度分布為} , , , , {1 1 0 ??L ip p p p p ? ? ，ip為灰度值等于 i 的像素數與影像總像素數之比。根據 Shannon 信息論的定理,一幅影像的信息熵為:
????102logLii ip p E
融合影像的熵越大,融合影像所含的信息越豐富,融合質量越好。
交叉熵(C) 交叉熵可以用來測定兩幅影像灰度分布的信息差異。設源影像和融合影像的灰度分布分別為：} , , , , {1 1 0 ??L ip p p p p ? ? 和 } , , , , , {1 1 0 ??L iq q q q q ? ? ，則交叉熵定義為:
????10logLiiiiqpp C
遙感影像分類方法實驗報告
交叉熵是評價兩幅影像差別的重要指標，它直接反映了兩幅影像對應像素的差異。對融合影像前的源影像和融合結果影像求交叉熵,即可得到融合影像與源影像的差異。差異越小，則該融合方法從源影像提取的信息量越多。
互信息(MI)
互信息是信息論中的一個重要概念，它可作為兩個變量之間相關性的量度,或一個變量包含另一個變量的信息量的量度。F與 A, B 的互信息分別表示為FAMI 和FBMI ：
? ??????10210) ( ) () , (log ) , (LiA FFAFALkFAi p k pi k pi k p MI
? ??????10210) ( ) () , (log ) , (LiB FFBFBLkFBi p k pi k pi k p MI
式中：Ap ，Bp 和Fp 分別是 A，B 和 C 的概率密度； ) , ( i k p FA 和 ) , ( i k p FB 分別代表兩組影像的聯合概率密度。互信息的值越大，表示融合影像從源影像中獲取的信息越豐富，融合效果越好。
通過定量評價分析對 2種融合方法進行評價。評價內容包括亮度信息、清晰度、光譜信息和信息量等4 個方面。試驗證明這些評價參數能夠很好地反映遙感影像融合效果。融合結果參數評價指標見表所示。
1) 亮 度信息 由 表 第 一 列亮度信息 可 以 看出 2 種融 合 方 法的均值有 所降低,方差和標 準 差 有所增加； 清晰度
2)由表 第 二 列可以看出,3 種融合方法的平均梯度和空間頻率都小于原始的多光譜影像,說明融合后的結果影像減少了細節紋理信息，使影像的清晰度降低了。
3)光譜信息
亮度信息 清晰度
均值 方差 標準差 平均梯度 空間頻率 b8
Stack
PC
GS
光譜信息 信息量
扭曲程度 相關系數 信息熵 交叉熵 互信息 b8
Stack
PC
GS
遙感影像分類方法實驗報告
依據表中的第三列可以看出 GS融合扭曲程度最小,而相關系數最大,因此 GS融合的光譜信息保持得最好。
4)信息量 通過信息熵可以看出 GS 融合所得的結果信息量最大；從交叉熵看到，GS融合和 PC 融合的結果交叉熵依次減小，說明融合后的結果影像與源影像對應像素差異也依次減小,即 GS 融合保留原始圖像信息量最多,PC 融合保留最少；從互信息也可以得到同樣規律。而通過定性評價分析不能得出圖像攜帶的信息量，它僅僅是通過比較分析圖像的亮度信息進行比較評價的。
遙感影像融合定量分析代碼
Dfusion=imread("C:\Users\Administrator\Desktop\RS1\"); Dlow=imread("C:\Users\Administrator\Desktop\RS1\"); Dhigh=imread("C:\Users\Administrator\Desktop\RS1\"); [rh,ch]=size(Dhigh); Dlowh=imresize(Dlow,[rh,ch],"bicubic"); mean=mean2(Dlow);
%均值 meanf=mean2(Dfusion); DIF=abs(meanf-mean);
%扭曲程度 Std=std2(Dfusion);
%標準差 Std2=std2(Dlowh); Ds=Std^2;
%方差 Dl=Std2^2; D3=abs(Ds-Dl);
%求差方差 p=imhist(Dfusion(:),8)/numel(Dfusion(:)); r=entropy(Dfusion(:));
%信息熵
c=corr2(Dfusion(:),Dlowh(:));
%相關系數 h1=diff(Dfusion);%求影像差分，反映圖像清晰度 h=mean2(h1); g1=diff(Dlow); g=mean2(g1); G=h-g;%求融合后影像與原影像差分差值
s=size(size(Dlow));
%交叉熵 if s(2)==3;%判斷是灰度圖還是 RGB f1=rgb2gray(Dlow); f2=rgb2gray(Dfusion); else
f1=Dlow;
f2=Dfusion;
遙感影像分類方法實驗報告
end
G1=double(f1); G2=double(f2); [m1,n1]=size(G1); [m2,n2]=size(G2); m2=m1; n2=n1; X1=zeros(1,256); X2=zeros(1,256); result=0; %統計兩圖各灰度級像素 for i=1:m1
for j=1:n1
X1(G1(i,j)+1)=X1(G1(i,j)+1)+1;
X2(G2(i,j)+1)=X2(G2(i,j)+1)+1;
end end for k=1:256
P1(k)=X1(k)/(m1*n1);
P2(k)=X2(k)/(m1*n1);
if((P1(k)~=0)&(P2(k)~=0))
result=P1(k)*log2(P1(k)/P2(k))+result;
end end f=result
s=size(size(Dlow));
%互信息
if s(2)==3;%判斷是灰度圖還是 RGB a=rgb2gray(Dlow); b=rgb2gray(Dfusion); end a=double(Dlow); b=double(Dfusion);
[Ma,Na] = size(a);
[Mb,Nb] = size(b); M=min(Ma,Mb);
N=min(Na,Nb);
%初始化直方圖數組
hab = zeros(256,256);
ha = zeros(1,256);
hb = zeros(1,256);
%歸一化
if max(max(a))~=min(min(a))
a = (a-min(min(a)))/(max(max(a))-min(min(a)));
遙感影像分類方法實驗報告
else
a = zeros(M,N);
end if max(max(b))-min(min(b))
b = (b-min(min(b)))/(max(max(b))-min(min(b)));
else
b = zeros(M,N);
end a = double(int16(a*255))+1;
b = double(int16(b*255))+1;
%統計直方圖
for i=1:M
for j=1:N
indexx =
a(i,j);
indexy = b(i,j) ;
hab(indexx,indexy) = hab(indexx,indexy)+1;
%聯合直方圖
ha(indexx) = ha(indexx)+1;
%a 圖直方圖
hb(indexy) = hb(indexy)+1;
%b 圖直方圖
end end %計算聯合信息熵 hsum = sum(sum(hab)); index = find(hab~=0); p = hab/hsum;
Hab = sum(sum(-p(index).*log(p(index))));
%計算 a 圖信息熵 hsum = sum(sum(ha));
index = find(ha~=0); p = ha/hsum;
Ha = sum(sum(-p(index).*log(p(index))));
%計算 b 圖信息熵
hsum = sum(sum(hb)); index = find(hb~=0);
p = hb/hsum;
Hb = sum(sum(-p(index).*log(p(index))));
%計算 a 和 b的互信息 mi = Ha+Hb-Hab
%計算 a 和 b的歸一化互信息 mi1 = hab/(Ha+Hb);
img = double(img);
%平均梯度
遙感影像分類方法實驗報告
% Get the size of img
[r,c,b] = size(img);
dx = 1;
dy = 1;
for k = 1 : b
band = img(:,:,k);
[dzdx,dzdy] = gradient(band,dx,dy);
s = sqrt((dzdx .^ 2 + dzdy .^2) ./ 2);
g(k) = sum(sum(s)) / ((r - 1) * (c - 1));
end
outval = mean2(g);
[m,n]=size(Dfusion);
%空間頻率 s=size(size(Dfusion));
if s(1)==3;%判斷是灰度圖還是 RGB img=rgb2gray(Dfusion); end img =double(img); rf=; cf=; for i=1:m
for j=2:n
rf=rf+(img(i,j)-img(i,j-1))*(img(i,j)-img(i,j-1));
end end RF=rf/(m*n); for i=2:m
for j=1:n
cf=cf+(img(i,j)-img(i-1,j))*(img(i,j)-img(i-1,j));
end end CF=cf/(m*n); MSF=(RF+CF) .^(1/2);
生成住房密度柵格影像
兩表的連接 在 ArcGIS軟件中，選擇 Open Attribute Table 中查看屬性數據，其中，沒有該圖層的面積字段。因此需要進行有陸地面積的表格進行連接，如圖 31。
遙感影像分類方法實驗報告
圖 31
在 Join Data 數據中選擇兩表連接的屬性分別為 STFID和 BLKIDFP00，如圖 32。
圖 32
計算房屋密度 創建房屋密度字段 hou_den，并進行字段計算，公式為：
hou_den=[HSE_UNITS]*1000000/[ALAND00]
其中，[HSE_UNITS]為各街區房屋單元數，[ALAND00]為各街陸地面積，單位平方米。乘以 1000000是為將房屋密度的單位轉換為個/平方千米,如圖 33。
圖 33
遙感影像分類方法實驗報告
直接柵格化
在 ArcGIS工具箱中選擇工具 Polygon to Raster，輸入柵格數字的字段為 hou_den，輸出柵格大小為 15m，如圖 34。
圖 34
IDW插值
在 ArcGIS 工具箱中選擇工具 Feature to Point，不勾選 Inside，將選擇多邊形的中心點作為生成的點，如圖 35。
圖 35
在 ArcGIS 軟件的空間分析模塊中，打開 IDW 插值方法的窗口，對房屋密度的點圖進行插值，選擇字段為 hou_den，輸出柵格大小 15m，如圖 36。
遙感影像分類方法實驗報告
圖 36
對房屋密度圖進行重分類 在 ArcGIS軟件的空間分析模塊中，打開 Reclassify，如圖 37，將房屋密度分為 0-400，400-1300，>1300三個級別。IDW插值房屋密度圖和直接柵格化房屋密度圖的重分類結果分別如圖 38、圖 39。
圖 37
遙感影像分類方法實驗報告
圖 38
圖 39
將住房密度柵格影像作為額外的通道與 ETM+ 多光譜波段進行疊加
在 ArcGIS 10 軟件中，分別將兩種方法生成的住房密度柵格影像數據導出，格式為 dat，如圖 40。
圖 40
在 Arcgis 10 軟件中，分別把 ras、Re_ras、idw和 Re_idw 導出成 dat 文件。
遙感影像分類方法實驗報告
在 ENVI
軟件中，分別打開影像和房屋密度柵格圖，選擇 Basic Tools -> Layer Stacking，如圖 41。
圖 41 在 Layer Stacking Parameters 窗口中，點擊 Import File 將和 HSV文件導入，設置保存路徑和投影坐標（如圖 42）。
圖 42
監督分類（為 融合方法為 HSV ，波段為 5 ，4 ，3）
）
打開 Google Earth 影像作為監督分類的參照 使用 Envi 的 Google Earth Bridge 將遙感影像和街區矢量圖層導入 Google Earth，以便在 Google Earth尋找參考影像時更快定位。
在 ENVI 軟件中，選擇 Spectral -> SPEAR Tools -> Google Earth Bridge，如圖 43。
圖 43
遙感影像分類方法實驗報告
在 Google Earth Bridge 窗口中，選擇添加的遙感影像 E:\大三下\RS&GIS\Data\作業\數據處理\HSV，如圖 44，點擊 NEXT 進入下一步，設置遙感影像顯示的參數，選擇 5、4、3 波段進行彩色顯示，如圖 45，點擊 NEXT 進入下一步，同樣添加矢量圖層，如圖 46，保存路徑為 E:\大三下\RS&GIS\Data\作業\數據處理\柵格數據\Google Earth 。
圖 44
圖 45
圖 46
建立興趣區 在 ENVI
軟件中，分別打開和重分類后的直接柵格化房屋密度圖，并為兩個窗口建立其同步，如圖47。
遙感影像分類方法實驗報告
圖 47 打開興趣區模版，選擇 Overlay -> Region of Interest ，打開 ROI Tool，如圖 48。
圖 48
在 ROI Tool 窗口中，我們可以對 ROI Name 和 Color 進行編輯，雙擊 ROI Name 的區域，可以對訓練樣區進行名字的修改，右擊 Color 可以選擇訓練樣區的顏色，如圖 49，windows 選擇 Zoom 窗口，即只能在Zoom 中選擇訓練樣區；在#1 Zoom 窗口中，我們鼠標左鍵選擇訓練樣區，右擊確定，第二次右擊即保存該訓練樣區，如圖 50。
圖 49
遙感影像分類方法實驗報告
圖 50
在 ROI Tool 窗口中，點擊 New Region 建立其新的 ROI樣區，Goto 可以跳轉各個訓練樣區，就可以對其進行修改，在實驗中，我們將分成 11類，進行監督分類，如：water, ransportation, forest, commercial, grass, industrial, crop land, fallow, residential-H, residential-M, residential-L，共 11 類，如圖 51。
圖 51
訓練樣區的選擇 訓練樣區的選擇依據，如圖 52，（a）Commercial，（b）industial，（c）transportation，（d）high-density residential, ( e ) medium-density residential, (f ) low-density residential。
遙感影像分類方法實驗報告
圖 52
訓練樣區的評價
分離性的定量分析
在 ROI Tool 窗口中，選擇 Options -> Compute ROI Separability,計算樣本的可分離性。如圖 53，表示各個樣本類型之間的可分離性，用 Jeffries-Matusita, Transformed Divergence 參數表示，這兩個參數的值在 0~之間，大于說明樣本之間可分離性好；小于大于屬于合格樣本；小于需要重新選擇樣本；小于 1，考慮將兩類樣本合成一類樣本。
遙感影像分類方法實驗報告
圖 53
圖 54 從分離性的數據中，我們可以得到，transportation 、industial 和 commercial 這三類的分離性 Pair Separation 都小于 1，兩兩分離性分別為 0.、0.和 1.，可知這三類的分離效果較差，即使經過多次的訓練樣區的選擇，效果也是一樣，因此在實驗中，將這三類合并為 urban 一類。
而 L_residential 和 H_residential 的分離性只有 ，H_residential 和 M_residential 的分離性只有 1.，M_residential 和 L_residential 的分離性只有 1. 其原因主要是在住宅范圍內干擾因素，且周圍的環境類似。
分離度的定性分析 在 ROI Tool窗口中，選擇 File -> Export ROIs to n-D Visualizer，從多維視圖進行訓練樣區分離性的定性分析，如圖 55，56。
圖 55
遙感影像分類方法實驗報告
圖 56 從圖 54，在 n-D Controls窗口中，選擇 1，2，3分別為波段 5，4，3，點擊 Start，在 n-D Visualizer 窗口中的像元點會自動從從多個方位來給我們展示分離情況。同樣我們可以在此窗口中對其分離性進行修改，對像元進行重新歸類，在 n-D Controls 窗口中，在 Class 中選擇將歸類的顏色，在 n-D Visualizer 窗口中選擇分離效果較低的像元點，或者混合的像元點，右擊確定，如圖 57。
圖 57
在 ROI Tool 窗口中，選擇 Option -> Merge Regions，將 transportation 、industial 和 commercial 這三類訓練樣區進行合并，如圖 58。
圖 58
遙感影像分類方法實驗報告
執行監督分類 選擇 classification -> Supervised -> Maximum Likelihood，ENVI給我提供了四種多光譜監督分類的方法，分別為平行六面體、最小距離、馬氏距離以及最大似然，在此次實驗中，我們選擇 Maximum Likelihood（最大似然法）進行監督分類，如圖59。
圖 59 在 Classification Input File窗口中建立 Mask，選擇 Mask Options -> Build Mask，如圖 60。
圖 60
在 Mask Definition 中，選擇 Options -> Import EVFs，添加文件，如圖 61。
圖 61 在 Maximum Likelihood Parameters 窗口中，設置好參數和保存路徑，如圖 62。
遙感影像分類方法實驗報告
圖 62
分類后處理
在 ENVI 窗口中打開視圖，選擇 Overlay -> Classification，打開分類結果，并對顏色進行編輯，如圖 63，64。
圖 63
圖 64
遙感影像分類方法實驗報告
選擇 Classification -> Post Classification ->Majority/Minority Analysis，在 ENVI 中為我們提供了Majority/Minority Analysis、Clump Classes、Sieve Classes 三類，主要是用來進行小斑點的去除，此次實驗中選擇 Majority/Minority Analysis 進行分類后處理，如圖 65，如圖 66 為經過處理后與未處理的對比，從中我們可以看出有些小斑被周圍分類給覆蓋了。
圖 65
HSV 融合影像
未處理
處理后 圖 66
在 ENVI 中，選擇 Classification -> Post Classification -> Confusion Matrix ->
Using Ground Truth ROIs，查看混淆矩陣，并獲取分類精度，生產者精度和使用者精度以及總精度和 Kappa系數，如圖 67，圖 68 為混淆矩陣。
遙感影像分類方法實驗報告
圖 67
遙感影像分類方法實驗報告
圖 68
評價結果分析 本實驗先按照書本將 LULC 類別劃為 11 類，分析可知交通用地、商業用地、工業用地這三類的分離效果較低，生產者精度和使用者精度都不高并且這三類地物的像元十分相近，因此，我直接將這三類合并，按照 9 類來執行之后的分類，此時的總精度達到%
，Kappa 系數為。
表 1
11 類與 9 類精度與 Kappa 系數比較表 11類 9類 LULC Prod. Acc User Acc. LULC Prod. Acc User Acc. water % % water % % forest % % forest % % grass % % grass % %
crop land % %
crop land % % fallow % % fallow % % residential-H % % residential-H % % residential-M % % residential-M % % residential-L %
% residential-L % % Transportation % % urban % % commercial
% %
industrial
% %
Overall accuracy %
Overall accuracy %
Overall kappa
Overall kappa
進行分類統計，選擇 Classification -> Post Classification -> Class Statistics，在 Class Statistics Result 窗口中，我們可以獲取，我們分類的像元數、占該類像元數總數的比例以及該類地物的面積，如圖 66。
遙感影像分類方法實驗報告
圖 69
分類結果面積統計 1）將 9 類的分類結果轉成矢量 在 ENVI 中，選擇 Classification -> Post Classification -> Classification to Vector，如圖 70，選擇輸入的圖層。
圖 70 在 Raster To Vector Parameters 窗口中，選擇 9 類分類，Output選擇輸出單個圖層 Single Layer，如圖 71。
遙感影像分類方法實驗報告
圖 71 如圖 72 為矢量化結果
圖 72 在 ENVI格式轉成 Shp 文件，會自動生成面積，單位為 m 2 ，首先，我們應對其進行歸類處理，在 Table中，選擇 Class_Name -> Summarize，在 Summarize 窗口中，歸類的字段為 Class_Name，字段 Area 為求和
遙感影像分類方法實驗報告
（Sum）。如圖 73。
圖 73 分類結果如下 其中水體面積為平方千米，占總面積的%，而水體的實際面積為 18 平方千米。所有地物中，低密度居民區面積百分比最大，達到%；其次是 urban，占%。居民區總面積達到%。其他各類地物所占比例見表
表 分類后各地物面積及其所占百分百 地物類型 面積/km 2
所占百分比/% water
urban
forest
grass
crop land
fallow
residential-H
residential-M
residential-L
sum
制作餅狀圖如下：
遙感影像分類方法實驗報告
圖 74
分類結果
圖 75 11 種分類 LULC
遙感影像分類方法實驗報告
圖 76 9 種分類 LULC
分類結果評價與分析
未加入房屋密度圖層的分類結果評價與分析 如上圖 68 為未加入房屋密度圖層的分類結果，如下表 2 為未加入房屋密度圖層進行分類的分離度。從表 2 我們可以得到，在分離度上分離度效果較差的為低、中、高密度居民區，其中高密度與中密度居民區的分離度為，中密度與低密度居民區的分離度為，低密度與高密度居民區之間的分離度為。其次的為中密度居民區與城市的分離度效果較低，只有，通過查看 ROI訓練樣本的選擇，發現主要是因為中密度的居民區周圍都有道路，從而形成了干擾，故此分離效果較差。通過計算混淆矩陣，總精度為%，Kappa Coefficient =
。
表 2 未加入房屋密度圖層進行分類的分離度 Signature Name 2 3 4 5 6 7 8 9 water(1)
forest(2)
grass(3)
crop land(4)
fallow(5)
residential-H(6)
residential-M(7)
residential-L(8)
urban(9)
遙感影像分類方法實驗報告
加入 IDW 插值房屋密度圖層的分類結果評價與分析
如圖 77、圖 78 和表 3，從圖 77，我們可以直觀的了解到，在加入 IDW 插值房屋密度圖層，urban 的像元數從 617123 points -> 746549 points ,說明 urban 的面積在增大，而中、高密度的居民區的面積減少，其他的訓練樣區的面積變化不大，分析其原因可能是因為在加入 IDW插值房屋密度圖，主要會影響到低、中、高密度居民區的面積，然而 urban 的面積急劇增加可能是因為在未加入房屋密度圖時，urban 與中、高密度居民區的分離效果不好而導致的。從表 3 中我們可以得到，高密度與中密度居民區的分離度為，中密度與低密度居民區的分離度為，低密度與高密度居民區之間的分離度為。通過與未加入房屋密度圖的分離度來看，在加入 IDW插值房屋密度圖層的分離度有明顯的提高。
圖 77 未加入房屋密度圖與加入 IDW 插值房屋密度圖層像元數比較
圖 78 加入 IDW插值房屋密度圖層的分類結果圖 表 3 加入 IDW 插值房屋密度圖層進行分類的分離度 Signature Name 2 3 4 5 6 7 8 9 water(1)
forest(2)
grass(3)
crop land(4)
遙感影像分類方法實驗報告
fallow(5)
residential-H(6)
residential-M(7)
residential-L(8)
urban(9)
加入直接柵格化房屋密度圖層的分類結果評價與分析 如圖 79、圖 80 和表 4，從圖 79 未加入房屋密度圖與加入直接柵格化房屋密度圖層像元數的比較中，得到加入直接柵格化房屋密度圖層對分類面積的影像程度較大，主要為低密度居民區，總像元 1586843 points -> 1042126 points ，總面積急劇減少。而中、高密度居民區的面積在增加。表 4 的高密度與中、低密度居民區的分離達到了和，與之前相比有了明顯的增加，說明了在加入直接柵格化房屋密度圖層可以有效的對不同密度的居民區進行分類。
圖 79 未加入房屋密度圖與加入直接柵格化房屋密度圖層像元數比較
圖 80 加入直接柵格化房屋密度圖層的分類結果圖 表 4 加入直接柵格化房屋密度圖層進行分類的分離度 Signature Name 2 3 4 5 6 7 8 9 water(1)
遙感影像分類方法實驗報告
forest(2)
grass(3)
crop land(4)
fallow(5)
residential-H(6)
residential-M(7)
residential-L(8)
urban(9)
加入重分類后 IDW插值房屋密度圖層的分類結果評價與分析
如圖 81、圖 82 和表 5，從分類面積來看，未加入房屋密度圖與加入重分類 IDW 插值房屋密度圖層的面積基本一樣。從表 5來看，其分離度與未加入房屋密度圖差不多，在低、中、高密度居民區的分離效果沒有加強，因此，對 IDW插值房屋密度圖并未能使分類效果增強。
圖 81 未加入房屋密度圖與加入重分類 IDW插值房屋密度圖層像元數比較
圖 82 加入重分類 IDW插值房屋密度圖層的分類結果圖 表 5 加入重分類的 IDW 插值房屋密度圖層進行分類的分離度 Signature Name 2 3 4 5 6 7 8 9 water(1)
0
遙感影像分類方法實驗報告
forest(2)
0
grass(3)
0
crop land(4)
0
fallow(5)
0 0 0 0 residential-H(6)
residential-M(7)
residential-L(8)
urban(9)
從總精度與 Kappa 系數對分類結果進行評價 表 6 分別列舉了 3 中不同方法的分類精度比較，分別為未加入房屋密度圖層，加入 IDW插值房屋密度圖層，加入直接柵格化房屋密度圖層。從總精度和 Kappa系數來看，未加入房屋密度圖層的情況的分類精度最高，總精度為%，Kappa 系數為；加入房屋密度圖進行分類的精度有了明顯的提高，其中加入 IDW 插值房屋密度圖進行分類的總精度為%，Kappa系數為，加入直接柵格化房屋密度圖層進行分類的總精度為%，Kappa 系數為 。
從表 6 中，我們可以得到加入 IDW 插值的房屋密度圖的總精度和 Kappa 系數都大于加入直接柵格化房屋密度圖，從每一類分類來看，兩者的 Water和 Crop land的用戶精度和生產者精度一樣；forest 和 urban的用戶者精度基本一樣，其生產者精度相差較大，說明了其他類別被分為 forest和 urban 在 IDW插值和直接柵格化的密度圖中的程度不一樣，加入直接柵格化房屋密度被錯分這兩類的像元較多；grass、residential-H和 residential-L 的生產者精度一致，其中 grass 和 residential-L 被錯分為其他類別的像元較多，而加入 IDW插...
推薦訪問： 遙感 影像 實驗在偉大祖國73華誕之際，我參加了單位組織的“光影鑄魂”主題黨日活動，集中觀看了抗美援朝題材影片《長津湖》，再一次重溫這段悲壯歷史，再一次深刻感悟偉大抗美援朝精神。1950年10月，新中國剛剛成立一年，
根據省局黨組《關于舉辦習近平談治國理政（第四卷）讀書班的通知》要求，我中心通過專題學習、專題研討以及交流分享等形式，系統的對《習近平談治國理政》（第四卷)進行了深入的學習與交流，下面我就來談一談我個人
《習近平談治國理政》（第四卷）是在百年變局和世紀疫情相互疊加的大背景下，對以習近平同志為核心的黨中央治國理政重大戰略部署、重大理論創造、重大思想引領的系統呈現。它生動記錄了新一代黨中央領導集體統籌兩個
《真抓實干做好新發展階段“三農工作”》是《習近平談治國理政》第四卷中的文章，這是習近平總書記在2020年12月28日中央農村工作會議上的集體學習時的講話。文章指出，我常講，領導干部要胸懷黨和國家工作大
在《習近平談治國理政》第四卷中，習近平總書記強調，江山就是人民，人民就是江山，打江山、守江山，守的是人民的心。從嘉興南湖中駛出的小小紅船，到世界上最大的執政黨，在中國共產黨的字典里，“人民”一詞從來都
黨的十八大以來，習近平總書記以馬克思主義戰略家的博大胸襟和深謀遠慮，在治國理政和推動全球治理中牢固樹立戰略意識，在不同場合多次圍繞戰略策略的重要性，戰略和策略的關系，提高戰略思維、堅定戰略自信、強化戰
《習近平談治國理政》第四卷集中展示了以習近平同志為核心的黨中央在百年變局和世紀疫情相互疊加背景下，如何更好地堅持和發展中國特色社會主義而進行的生動實踐與理論探索；對于新時代堅持和發展什么樣的中國特色社
在黨組織的關懷下，我有幸參加了區委組織部組織的入黨積極分子培訓班。為期一周的學習，學習形式多樣，課程內容豐富，各位專家的講解細致精彩，對于我加深對黨的創新理論的認識、對黨的歷史的深入了解、對中共黨員的
《習近平談治國理政》第四卷《共建網上美好精神家園》一文中指出：網絡玩命是新形勢下社會文明的重要內容，是建設網絡強國的重要領域。截至2021年12月，我國網民規模達10 32億，較2020年12月增長4
剛剛召開的中國共產黨第十九屆中央委員會第七次全體會議上討論并通過了黨的十九屆中央委員會向中國共產黨第二十次全國代表大會的報告、黨的十九屆中央紀律檢查委員會向中國共產黨第二十次全國代表大會的工作報告和《