遥感影像分类方法实验报告
V:1.0 精选方法
遥感影像分类方法实验报告
2020- -6 6- -8 8
遥感影像分类方法实验报告
实验报告
遥感影像分类方法实验报告
目录
1 实验目的 ....................................................................................................................................... 7 2 实验数据 ....................................................................................................................................... 7 3 实验内容 ....................................................................................................................................... 7 4 实验步骤 ....................................................................................................................................... 8
对人口矢量数据（shapefile ）进行投影转换 ................................................................. 8
文件投影坐标的检查 ........................ 8
将 将 投 影 坐 标 转 换 为WGS_1984_UTM_Zone_16N ........... 9
对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）
................... 10
在 在 ENVI 软件的加载 ...................... 10
对遥感影像进行几何精校正（以矢量数据为基准）
............................................... 10
用矢量图层对遥感影像进行裁剪 .. 14
将 将 Pan 波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 ............... 15
两种融合方法的原理 ...................... 15
进行 Gram-Schmidt Spectral Sharpening融合 ................................................... 16
遥感影像分类方法实验报告
融合效果进行定性评价 .................. 18
融合效果进行定量评价( 软件提供的计算方法 法) ...................................................... 19
融合效果进行定量评价(Matlab 编程计算) ........................................................... 21
遥感影像融合定量分析代码 .......... 25
生成住房密度栅格影像 ..................... 28
两表的连接 ...................................... 28
计算房屋密度 .................................. 29
直接栅格化 ...................................... 30
IDW 插值 ........................................ 30
对房屋密度图进行重分类 .............. 31
将住房密度栅格影像作为额外的通道与ETM+ 多光谱波段进行叠加 ................ 32
监督分类（融合方法为 HSV ，波段为 5 ，4， ，3 ）
......................................................... 33
打开 Google Earth 影像作为监督分类的参照 照 ....................................................... 33
建立兴趣区 ...................................... 34
训练样区的选择 .............................. 36
训练样区的评价 .............................. 37
遥感影像分类方法实验报告
执行监督分类 .................................. 40
分类后处理 ...................................... 41
评价结果分析 .................................. 44
分类结果面积统计 .......................... 45
分类结果 .......................................... 48
分类结果评价与分析 ......................... 49
未加入房屋密度图层的分类结果评价与分析 析 ....................................................... 49
加入 IDW 插值房屋密度图层的分类结果评价与分析 ........................................... 50
加入直接栅格化房屋密度图层的分类结果评价与分析 ....................................... 51
加入重分类后 IDW 插值房屋密度图层的分类结果评价与分析 ........................... 52
从总精度与 Kappa 系数对分类结果进行评价 价 ....................................................... 53
分类结果总体评价 .......................... 54
和 与其他训练样区的分类精度和 Kappa 系数的计算 ............................................... 55
决策树分类 ......................................... 57
决策树分类原理 .............................. 57
遥感影像分类方法实验报告
数据预处理 ...................................... 57
指数的计算 ...................................... 59
执行决策树 ...................................... 62
不同参数设置的对比 ...................... 66
5 实验体会 ..................................................................................................................................... 69
实验中存在的问题 ............................. 69
软件平台使用 ..................................... 72
实验总结 ............................................. 72
遥感影像分类方法实验报告
1 实验目的
① 掌握 ArcGIS10 和对遥感图像处理的基本操作与原理 ② 熟悉几何精校正的方法，掌握 ENVI 软件对遥感影像进行几何精校正 ③ 掌握全色波段与多光谱波段的融合方法和原理，学会对融合效果进行定性定量分析 ④ 熟悉掌握 ArcGIS的栅格化方法和 IDW插值方法 ⑤ 熟悉监督分类的方法和基本原理，掌握 ENVI 软件中进行监督分类 ⑥ 了解监督分类后评价过程，对分类结果进行精度评价和分析 ⑦ 掌握 Erdas的空间建模方法以及原理 ⑧ 了解 RuleGen 算法，掌握决策树分类方法 2 实验数据
① 带属性数据的 shapefile：
② 带有陆地面积字段的矢量图层：
③ GoogleEarth_原始拼接：
④ 研究区域的多光谱波段数据：
⑤ 研究区域的全色波段数据：
⑥ 监督分类参照影像：Google Earth 3 实验内容
① 对人口矢量数据（shapefile）进行投影转换：WGS_1984_UTM_Zone_16N ② 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）：
（1）
对多光谱波段（30 m空间分辨率）进行几何精校正（小于个像元）；
（2）
对 Pan 波段（15 m空间分辨率）进行几何精校正（小于个像元）；
遥感影像分类方法实验报告
③ 将 Pan 波段和多光谱波段进行融合（自选至少一种融合算法），并对融合效果进行定性和定量评价； ④ 生成住房密度栅格影像：
（1）
直接栅格化；
（2）
IDW 插值； ⑤ 将住房密度栅格影像作为额外的通道（或波段）与 ETM+多光谱波段进行叠加； ⑥ 进行监督分类和分类后处理（Post-Classification，Expert Rules）
⑦ 利用 ERDAS软件的空间建模（Spatial Modeler）进行水体信息（MNDWI 指数）和植被信息（NDVI指数）的提取； ⑧ 利用“自动阈值决策树分类算法”进 Marion County 的土地利用/覆盖分类信息提取（使用的数据：原始各波段+MNDWI+NDVI+ISODATA 等，或其他有益的波段组合）
① 探讨“自动阈值决策树分类算法”中的各个参数意义及如何设置更合理
② 对分类结果进行评价与分析 ⑨ 对分类结果进行精度评价和分析； 4 实验步骤
对人口矢量数据（shapefile ）进行投影转换
文件投影坐标的检查 根据实验要求，人口矢量数据（shapefile）进行投影坐标应为：WGS_1984_UTM_Zone_16N
在 ArcGIS 软件的图层右击 Properties，在 Layer Properties 的 Source 下查看投影信息，如图 1。得到的投影坐标为 ：GCS_North_American_1983，与实验要求不符合，需进行投影转换。
遥感影像分类方法实验报告
图 1
将投影坐标转换为 WGS_1984_UTM_Zone_16N
在 Arcgis 软件的工具箱中的 Define Projection 工具，设置输入数据为：，坐标系统为 GCS_WGS_1984，在工具箱中的 工具，设置输入数据：，导入遥感影像的投影坐标系，即 GCS_WGS_1984（如图 2）。
遥感影像分类方法实验报告
图 2
对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）
在 ENVI软件的加载 在 ENVI软件中，File -> Open Vector File，选择 ，设置好参数，生成 evf 文件（如图 3）。
图 3
对遥感影像进行几何精校正（以矢量数据为基准）
在 ENVI分别打开遥感影像 img 和矢量文件 vef，选择 Map -> Registration -> Select GCPs : image to map，以矢量数据为基准,设置好投影，如图 4。
图 4
遥感影像分类方法实验报告
在 ENVI 中，在 zoom窗口下采集控制点，这次实验采集的控制点数为 13 个，控制点的主要定位在道路与道路之间的交叉点，如图 5，其控制点的 RMS Error 为，如图 6，如图 7 为 20 个控制点的采集情况。
图 5
图 6
图 7 选择校正参数输出结果，在 Ground Control Points Selection 窗口选择 Option -> Warp File ，如图 8；数学模型为 Polynomial，设定参数为 2，从采样方法为最临近法，如图 9。
遥感影像分类方法实验报告
图 8
图 9
如图 10、11 为几何校正前后，矢量图层与遥感影像吻合度的对比，可以明显看出，经过几何校正后的遥感影像与矢量图层吻合程度有明显的改善，有部分水体边界不吻合，这主要是由于水体会随时间而改变；而街区与道路吻合程度良好。
图 10
遥感影像分类方法实验报告
图 11 如图 12 为对多光谱波段（30 m空间分辨率）进行几何精校正后的遥感影像；如图 13 为对 Pan 波段（15 m空间分辨率）进行几何精校正后的遥感影像。
图 12
遥感影像分类方法实验报告
图 13
用矢量图层对遥感影像进行裁剪
在 ENVI 中打开文件，将该图层转换成 ROI，如图 14。
图 14
通过 ROI进行裁剪遥感影像，选择 Basic Tools ->Subset Data via ROIs ；选择转换好的 ROI进行裁剪，如图 15。
遥感影像分类方法实验报告
图 15 同样，对 pan 波段的遥感影像进行裁剪，得到遥感影像如图 16。
图 16
将 将 Pan 波段和多光谱波段进行融合，并对融合效果进行定性和定量评价
两种融合方法的原理
Gram-Schmidt 可以对具有高分辨率的高光谱数据进行锐化。
① 从低分辨率的波谱波段中模拟出一个全色波段。
② 对该全色波段和波谱波段进行 Gram-Schmidt 变换，其中模拟的全色波段被作为第一个波段。
③ 用 Gram-Schmidt 变换后的第一个波段替换高空间分辨率的全色波段。
④ 应用 Gram-Schmidt 反变换构成 pan 锐化后的波谱波段。
Gram-Schmidt Spectral Sharpening 方法进行图像增强能够比较好的保留原多光谱图像的光谱信息，使遥感影像的融合保留多光谱影像的增强效果。
用 PC 可以对具有高空间分辨率的光谱图像进行锐化。
① 先对多光谱数据进行主成分变换。
遥感影像分类方法实验报告
② 用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被缩放匹配到第 一主成分波段，从而避免波谱信息失真。
③ 进行主成分逆变换。函数自动地用最近邻、双线性或三次卷积技术将多光谱数据重采样到高分辨率像元尺寸。
进行 Gram-Schmidt Spectral Sharpening 融合 在 ENVI软件中，选择 Transform -> Image Sharpening -> Gram-Schmidt Spectral Sharpening ，在 Select Low Spatial Resolution Multi Band Input File 中选择 多光谱波段，Spatial Subset 为 Full Scene，Spectral Sunset为 8 个波段，如图 17。
图 17
在 Select High Spatial Resolution Pan Input File 窗口中选择 全色波段，如图 18。
图 18 Select Method for Low Resoution Pan 选择 Average of Low Resolution Multispectral File：利用多光谱波段的平均值来模拟低分辨率的全色波段。Resampling 选择 Nearest Neighbor，Output Result 选择保存路径，如图 19。
遥感影像分类方法实验报告
图 19
进行 PC Spectral Sharpening 融合
在 ENVI软件中，选择 Transform -> Image Sharpening -> PC Spectral Sharpening ，在 Select Low Spatial Resolution Multi Band Input File 中选择 多光谱波段，Spatial Subset 为 Full Scene，Spectral Sunset 为 8个波段，如图 20。
图 20
在 Select High Spatial Resolution Pan Input File 窗口中选择 全色波段，如图 21。
遥感影像分类方法实验报告
图 21
Resampling 选择 Nearest Neighbor，Output Result 选择保存路径，如图 22。
图 22
融合效果进行定性评价 如图 23 为原始遥感影像与经过 Gram-Schmidt Spectral Shaping 处理后的影像。
图 23
遥感影像分类方法实验报告
从图 23，我们可以得到，Gram-Schmidt Spectral Shaping 处理后的影像总体上来说分辨率有很大的提高，清晰度高，光谱信息比较丰富，但颜色的匹配还不是很理想，整个影像的色调基本上一致，呈现出泛红的现象，地物之间的辨别基本上是通过影像上的灰度信息，而色彩提供的信息量较少，区分度不高。
如图 24 为原始遥感影像与经过 PC Spectral Sharpening 处理后的影像。
图 24 从图 24，我们可以得到，PC Spectral Sharpening处理后的影像清晰度高，涵盖的地物信息量大，颜色的畸变很小，和 Gram-Schmidt Spectral Shaping 处理的影像效果类似，颜色的匹配还不是很理想，整个影像的色调基本上一致，呈现出泛红的现象，色彩不够丰富。在水域的地方颜色与原来的为黑色变成了青色，颜色变化差异较大。
定性评价结论，从图 23、24，我们可以了解到提高空间分辨率效果最好的是 Gram-Schmidt Spectral Shaping ；光谱变化较小的是 PC Spectral Sharpening，但在水域的区域上，Gram-Schmidt Spectral Shaping 保持这原始影像的色彩。
融合效果进行定量评价(软件提供的计算方法) 在实验中，波段的选取为 4，3，2波段。
在主窗口中，右击选择 Z Profile，对比三个影像的情况(如图 25)。
遥感影像分类方法实验报告
图 25 从图 25，我们可以得到，经过融合后，在 Value上都有所增加，band1从 90 -> 100；说明了融合后影像的亮度信息提高了。但 PC 和 GS两者的 Value通过图上很难分辨出区别。
图 26 X Profile
图 27 Y Profile 在 ENVI 软件中，选择 Basic Tools ->Stayistics ->Compute Statistics，如图 28。
图 28
如表 1 为原始影像、PC 融合后影像和 GS融合后影像的部分统计参数。
表 1
遥感影像分类方法实验报告
图 29
图 30 从图 29、30，两张折线图上我们可以直观的了解原始影像、PC 融合后影像和 GS 融合后影像在亮度信息上的关系。在均值上，PC 融合影像和 GS 融合影像均有所增加，但是从幅度上来看，PC 融合影像的均值增加的幅度较大，较 GS 融合影像更有利于目视判读。在方差上，与原始影像相比较 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，不利于目视判读。因此，在亮度指标上最好的为 PC 融合，其次为 GS融合。
融合效果进行定量评价(Matlab 编程计算) 此次实验从融合影像的亮度信息，清晰程度，光谱保持程度，信息丰富程度等多角度进行评价分析，相比传统的单一定量评价全面，能够减少评价的随机性，使得定量评价更加科学全面。主要通过 4 方面进行统计分析：①亮度信息，针对融合后影像亮度信息进行评价，主要包括均值和标准差等指标。②清晰度，评价融合影像的清晰程度，主要包括平均梯度和空间频率等指标。③光谱信息，评价融合后影像的光谱变形情况,包括扭曲程度,相关系数等指标。④信息量,评价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标。以下公式中，影像函数为 Z(X，Y) ，影像的行数和列数分别为 M 和 N，影像的大小则为 M×N。
亮度信息
均值(z) 影像均值是像素的灰度平均值,对人眼反映为平均亮度。如果均值适中,则影像效果良好,其定义为:
N My x zzNjj iMi 1 1) , (
标准差(σ)
遥感影像分类方法实验报告
标准差反映了影像灰度相对于灰度平均值的离散情况，在某种程度上，标准差也可用来评价影像反差的大小。若标准差大，则影像灰度级分布分散,影像的反差大，可以看出更多的信息，其公式为：
N Mz y x ZNjj iMi 21 1) ) ( (
方差(D) 方差反映了灰度相对于灰度均值的离散情况，方差越大，则灰度级分布越分散。此时，图像中所有灰度级出现的概率越趋于相等，从而包含的信息量趋于越大。方差计算公式为：
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对微小细节反差表达的能力，可用来评价影像的清晰程度，还可同时反映出影像中微小细节反差和纹理变化特征，其计算公式为：
112 2112)) , (( )) , (() 1 )( 1 (1Njij iij iMiyy x Zxy x ZN MG
空间频率(SF) 空间频率反映了一幅影像空间的总体活跃程度，空间频率越大，说明融合效果越好。它包括空间行频率 RF 和空间列频率 CF组成，其公式为：
211 1)] , ( ) , ( [1 j iNjj iMiy x Z y x ZN MRF
211 1)] , ( ) , ( [1j iNjj iMiy x Z y x ZN MCF 总体的空间频率值取 RF和 CF的均方根，即：
2 2CF RF SF
遥感影像分类方法实验报告
光谱信息
扭曲程度(D) 扭曲程度 D是指融合影像 F像素灰度平均值与源影像 A像素灰度平均值之差，也可以说是融合影像与源影像的差值影像的灰度平均值,它的表达式为：
Mji i i iMiy x A y x FN MD1 1) , ( ) , (1 它反映融合影像和源多光谱影像在光谱信息上的差异大小和光谱特性变化的平均程度。
相关系数(ρ) 融合影像与源影像的相关系数能反映两幅影像光谱特征的相似程度,其定义如下：
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 分别为融合影像与源影像的均值。通过比较融合前后的影像相关系数可以看出多光谱影像的光谱信息的改变程度。
信息量
信息熵(E) 影像的信息熵值是衡量影像信息丰富程度的一个重要指标。对于一幅单独的影像,其灰度分布为} , , , , {1 1 0 L ip p p p p ，ip为灰度值等于 i 的像素数与影像总像素数之比。根据 Shannon 信息论的定理,一幅影像的信息熵为:
102logLii ip p E
融合影像的熵越大,融合影像所含的信息越丰富,融合质量越好。
交叉熵(C) 交叉熵可以用来测定两幅影像灰度分布的信息差异。设源影像和融合影像的灰度分布分别为：} , , , , {1 1 0 L ip p p p p 和 } , , , , , {1 1 0 L iq q q q q ，则交叉熵定义为:
10logLiiiiqpp C
遥感影像分类方法实验报告
交叉熵是评价两幅影像差别的重要指标，它直接反映了两幅影像对应像素的差异。对融合影像前的源影像和融合结果影像求交叉熵,即可得到融合影像与源影像的差异。差异越小，则该融合方法从源影像提取的信息量越多。
互信息(MI)
互信息是信息论中的一个重要概念，它可作为两个变量之间相关性的量度,或一个变量包含另一个变量的信息量的量度。F与 A, B 的互信息分别表示为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 分别是 A，B 和 C 的概率密度； ) , ( i k p FA 和 ) , ( i k p FB 分别代表两组影像的联合概率密度。互信息的值越大，表示融合影像从源影像中获取的信息越丰富，融合效果越好。
通过定量评价分析对 2种融合方法进行评价。评价内容包括亮度信息、清晰度、光谱信息和信息量等4 个方面。试验证明这些评价参数能够很好地反映遥感影像融合效果。融合结果参数评价指标见表所示。
1) 亮 度信息 由 表 第 一 列亮度信息 可 以 看出 2 种融 合 方 法的均值有 所降低,方差和标 准 差 有所增加； 清晰度
2)由表 第 二 列可以看出,3 种融合方法的平均梯度和空间频率都小于原始的多光谱影像,说明融合后的结果影像减少了细节纹理信息，使影像的清晰度降低了。
3)光谱信息
亮度信息 清晰度
均值 方差 标准差 平均梯度 空间频率 b8
Stack
PC
GS
光谱信息 信息量
扭曲程度 相关系数 信息熵 交叉熵 互信息 b8
Stack
PC
GS
遥感影像分类方法实验报告
依据表中的第三列可以看出 GS融合扭曲程度最小,而相关系数最大,因此 GS融合的光谱信息保持得最好。
4)信息量 通过信息熵可以看出 GS 融合所得的结果信息量最大；从交叉熵看到，GS融合和 PC 融合的结果交叉熵依次减小，说明融合后的结果影像与源影像对应像素差异也依次减小,即 GS 融合保留原始图像信息量最多,PC 融合保留最少；从互信息也可以得到同样规律。而通过定性评价分析不能得出图像携带的信息量，它仅仅是通过比较分析图像的亮度信息进行比较评价的。
遥感影像融合定量分析代码
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);
%标准差 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(:));
%相关系数 h1=diff(Dfusion);%求影像差分，反映图像清晰度 h=mean2(h1); g1=diff(Dlow); g=mean2(g1); G=h-g;%求融合后影像与原影像差分差值
s=size(size(Dlow));
%交叉熵 if s(2)==3;%判断是灰度图还是 RGB f1=rgb2gray(Dlow); f2=rgb2gray(Dfusion); else
f1=Dlow;
f2=Dfusion;
遥感影像分类方法实验报告
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; %统计两图各灰度级像素 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;%判断是灰度图还是 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);
%初始化直方图数组
hab = zeros(256,256);
ha = zeros(1,256);
hb = zeros(1,256);
%归一化
if max(max(a))~=min(min(a))
a = (a-min(min(a)))/(max(max(a))-min(min(a)));
遥感影像分类方法实验报告
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;
%统计直方图
for i=1:M
for j=1:N
indexx =
a(i,j);
indexy = b(i,j) ;
hab(indexx,indexy) = hab(indexx,indexy)+1;
%联合直方图
ha(indexx) = ha(indexx)+1;
%a 图直方图
hb(indexy) = hb(indexy)+1;
%b 图直方图
end end %计算联合信息熵 hsum = sum(sum(hab)); index = find(hab~=0); p = hab/hsum;
Hab = sum(sum(-p(index).*log(p(index))));
%计算 a 图信息熵 hsum = sum(sum(ha));
index = find(ha~=0); p = ha/hsum;
Ha = sum(sum(-p(index).*log(p(index))));
%计算 b 图信息熵
hsum = sum(sum(hb)); index = find(hb~=0);
p = hb/hsum;
Hb = sum(sum(-p(index).*log(p(index))));
%计算 a 和 b的互信息 mi = Ha+Hb-Hab
%计算 a 和 b的归一化互信息 mi1 = hab/(Ha+Hb);
img = double(img);
%平均梯度
遥感影像分类方法实验报告
% 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);
%空间频率 s=size(size(Dfusion));
if s(1)==3;%判断是灰度图还是 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);
生成住房密度栅格影像
两表的连接 在 ArcGIS软件中，选择 Open Attribute Table 中查看属性数据，其中，没有该图层的面积字段。因此需要进行有陆地面积的表格进行连接，如图 31。
遥感影像分类方法实验报告
图 31
在 Join Data 数据中选择两表连接的属性分别为 STFID和 BLKIDFP00，如图 32。
图 32
计算房屋密度 创建房屋密度字段 hou_den，并进行字段计算，公式为：
hou_den=[HSE_UNITS]*1000000/[ALAND00]
其中，[HSE_UNITS]为各街区房屋单元数，[ALAND00]为各街陆地面积，单位平方米。乘以 1000000是为将房屋密度的单位转换为个/平方千米,如图 33。
图 33
遥感影像分类方法实验报告
直接栅格化
在 ArcGIS工具箱中选择工具 Polygon to Raster，输入栅格数字的字段为 hou_den，输出栅格大小为 15m，如图 34。
图 34
IDW插值
在 ArcGIS 工具箱中选择工具 Feature to Point，不勾选 Inside，将选择多边形的中心点作为生成的点，如图 35。
图 35
在 ArcGIS 软件的空间分析模块中，打开 IDW 插值方法的窗口，对房屋密度的点图进行插值，选择字段为 hou_den，输出栅格大小 15m，如图 36。
遥感影像分类方法实验报告
图 36
对房屋密度图进行重分类 在 ArcGIS软件的空间分析模块中，打开 Reclassify，如图 37，将房屋密度分为 0-400，400-1300，>1300三个级别。IDW插值房屋密度图和直接栅格化房屋密度图的重分类结果分别如图 38、图 39。
图 37
遥感影像分类方法实验报告
图 38
图 39
将住房密度栅格影像作为额外的通道与 ETM+ 多光谱波段进行叠加
在 ArcGIS 10 软件中，分别将两种方法生成的住房密度栅格影像数据导出，格式为 dat，如图 40。
图 40
在 Arcgis 10 软件中，分别把 ras、Re_ras、idw和 Re_idw 导出成 dat 文件。
遥感影像分类方法实验报告
在 ENVI
软件中，分别打开影像和房屋密度栅格图，选择 Basic Tools -> Layer Stacking，如图 41。
图 41 在 Layer Stacking Parameters 窗口中，点击 Import File 将和 HSV文件导入，设置保存路径和投影坐标（如图 42）。
图 42
监督分类（为 融合方法为 HSV ，波段为 5 ，4 ，3）
）
打开 Google Earth 影像作为监督分类的参照 使用 Envi 的 Google Earth Bridge 将遥感影像和街区矢量图层导入 Google Earth，以便在 Google Earth寻找参考影像时更快定位。
在 ENVI 软件中，选择 Spectral -> SPEAR Tools -> Google Earth Bridge，如图 43。
图 43
遥感影像分类方法实验报告
在 Google Earth Bridge 窗口中，选择添加的遥感影像 E:\大三下\RS&GIS\Data\作业\数据处理\HSV，如图 44，点击 NEXT 进入下一步，设置遥感影像显示的参数，选择 5、4、3 波段进行彩色显示，如图 45，点击 NEXT 进入下一步，同样添加矢量图层，如图 46，保存路径为 E:\大三下\RS&GIS\Data\作业\数据处理\栅格数据\Google Earth 。
图 44
图 45
图 46
建立兴趣区 在 ENVI
软件中，分别打开和重分类后的直接栅格化房屋密度图，并为两个窗口建立其同步，如图47。
遥感影像分类方法实验报告
图 47 打开兴趣区模版，选择 Overlay -> Region of Interest ，打开 ROI Tool，如图 48。
图 48
在 ROI Tool 窗口中，我们可以对 ROI Name 和 Color 进行编辑，双击 ROI Name 的区域，可以对训练样区进行名字的修改，右击 Color 可以选择训练样区的颜色，如图 49，windows 选择 Zoom 窗口，即只能在Zoom 中选择训练样区；在#1 Zoom 窗口中，我们鼠标左键选择训练样区，右击确定，第二次右击即保存该训练样区，如图 50。
图 49
遥感影像分类方法实验报告
图 50
在 ROI Tool 窗口中，点击 New Region 建立其新的 ROI样区，Goto 可以跳转各个训练样区，就可以对其进行修改，在实验中，我们将分成 11类，进行监督分类，如：water, ransportation, forest, commercial, grass, industrial, crop land, fallow, residential-H, residential-M, residential-L，共 11 类，如图 51。
图 51
训练样区的选择 训练样区的选择依据，如图 52，（a）Commercial，（b）industial，（c）transportation，（d）high-density residential, ( e ) medium-density residential, (f ) low-density residential。
遥感影像分类方法实验报告
图 52
训练样区的评价
分离性的定量分析
在 ROI Tool 窗口中，选择 Options -> Compute ROI Separability,计算样本的可分离性。如图 53，表示各个样本类型之间的可分离性，用 Jeffries-Matusita, Transformed Divergence 参数表示，这两个参数的值在 0~之间，大于说明样本之间可分离性好；小于大于属于合格样本；小于需要重新选择样本；小于 1，考虑将两类样本合成一类样本。
遥感影像分类方法实验报告
图 53
图 54 从分离性的数据中，我们可以得到，transportation 、industial 和 commercial 这三类的分离性 Pair Separation 都小于 1，两两分离性分别为 0.、0.和 1.，可知这三类的分离效果较差，即使经过多次的训练样区的选择，效果也是一样，因此在实验中，将这三类合并为 urban 一类。
而 L_residential 和 H_residential 的分离性只有 ，H_residential 和 M_residential 的分离性只有 1.，M_residential 和 L_residential 的分离性只有 1. 其原因主要是在住宅范围内干扰因素，且周围的环境类似。
分离度的定性分析 在 ROI Tool窗口中，选择 File -> Export ROIs to n-D Visualizer，从多维视图进行训练样区分离性的定性分析，如图 55，56。
图 55
遥感影像分类方法实验报告
图 56 从图 54，在 n-D Controls窗口中，选择 1，2，3分别为波段 5，4，3，点击 Start，在 n-D Visualizer 窗口中的像元点会自动从从多个方位来给我们展示分离情况。同样我们可以在此窗口中对其分离性进行修改，对像元进行重新归类，在 n-D Controls 窗口中，在 Class 中选择将归类的颜色，在 n-D Visualizer 窗口中选择分离效果较低的像元点，或者混合的像元点，右击确定，如图 57。
图 57
在 ROI Tool 窗口中，选择 Option -> Merge Regions，将 transportation 、industial 和 commercial 这三类训练样区进行合并，如图 58。
图 58
遥感影像分类方法实验报告
执行监督分类 选择 classification -> Supervised -> Maximum Likelihood，ENVI给我提供了四种多光谱监督分类的方法，分别为平行六面体、最小距离、马氏距离以及最大似然，在此次实验中，我们选择 Maximum Likelihood（最大似然法）进行监督分类，如图59。
图 59 在 Classification Input File窗口中建立 Mask，选择 Mask Options -> Build Mask，如图 60。
图 60
在 Mask Definition 中，选择 Options -> Import EVFs，添加文件，如图 61。
图 61 在 Maximum Likelihood Parameters 窗口中，设置好参数和保存路径，如图 62。
遥感影像分类方法实验报告
图 62
分类后处理
在 ENVI 窗口中打开视图，选择 Overlay -> Classification，打开分类结果，并对颜色进行编辑，如图 63，64。
图 63
图 64
遥感影像分类方法实验报告
选择 Classification -> Post Classification ->Majority/Minority Analysis，在 ENVI 中为我们提供了Majority/Minority Analysis、Clump Classes、Sieve Classes 三类，主要是用来进行小斑点的去除，此次实验中选择 Majority/Minority Analysis 进行分类后处理，如图 65，如图 66 为经过处理后与未处理的对比，从中我们可以看出有些小斑被周围分类给覆盖了。
图 65
HSV 融合影像
未处理
处理后 图 66
在 ENVI 中，选择 Classification -> Post Classification -> Confusion Matrix ->
Using Ground Truth ROIs，查看混淆矩阵，并获取分类精度，生产者精度和使用者精度以及总精度和 Kappa系数，如图 67，图 68 为混淆矩阵。
遥感影像分类方法实验报告
图 67
遥感影像分类方法实验报告
图 68
评价结果分析 本实验先按照书本将 LULC 类别划为 11 类，分析可知交通用地、商业用地、工业用地这三类的分离效果较低，生产者精度和使用者精度都不高并且这三类地物的像元十分相近，因此，我直接将这三类合并，按照 9 类来执行之后的分类，此时的总精度达到%
，Kappa 系数为。
表 1
11 类与 9 类精度与 Kappa 系数比较表 11类 9类 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
进行分类统计，选择 Classification -> Post Classification -> Class Statistics，在 Class Statistics Result 窗口中，我们可以获取，我们分类的像元数、占该类像元数总数的比例以及该类地物的面积，如图 66。
遥感影像分类方法实验报告
图 69
分类结果面积统计 1）将 9 类的分类结果转成矢量 在 ENVI 中，选择 Classification -> Post Classification -> Classification to Vector，如图 70，选择输入的图层。
图 70 在 Raster To Vector Parameters 窗口中，选择 9 类分类，Output选择输出单个图层 Single Layer，如图 71。
遥感影像分类方法实验报告
图 71 如图 72 为矢量化结果
图 72 在 ENVI格式转成 Shp 文件，会自动生成面积，单位为 m 2 ，首先，我们应对其进行归类处理，在 Table中，选择 Class_Name -> Summarize，在 Summarize 窗口中，归类的字段为 Class_Name，字段 Area 为求和
遥感影像分类方法实验报告
（Sum）。如图 73。
图 73 分类结果如下 其中水体面积为平方千米，占总面积的%，而水体的实际面积为 18 平方千米。所有地物中，低密度居民区面积百分比最大，达到%；其次是 urban，占%。居民区总面积达到%。其他各类地物所占比例见表
表 分类后各地物面积及其所占百分百 地物类型 面积/km 2
所占百分比/% water
urban
forest
grass
crop land
fallow
residential-H
residential-M
residential-L
sum
制作饼状图如下：
遥感影像分类方法实验报告
图 74
分类结果
图 75 11 种分类 LULC
遥感影像分类方法实验报告
图 76 9 种分类 LULC
分类结果评价与分析
未加入房屋密度图层的分类结果评价与分析 如上图 68 为未加入房屋密度图层的分类结果，如下表 2 为未加入房屋密度图层进行分类的分离度。从表 2 我们可以得到，在分离度上分离度效果较差的为低、中、高密度居民区，其中高密度与中密度居民区的分离度为，中密度与低密度居民区的分离度为，低密度与高密度居民区之间的分离度为。其次的为中密度居民区与城市的分离度效果较低，只有，通过查看 ROI训练样本的选择，发现主要是因为中密度的居民区周围都有道路，从而形成了干扰，故此分离效果较差。通过计算混淆矩阵，总精度为%，Kappa Coefficient =
。
表 2 未加入房屋密度图层进行分类的分离度 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)
遥感影像分类方法实验报告
加入 IDW 插值房屋密度图层的分类结果评价与分析
如图 77、图 78 和表 3，从图 77，我们可以直观的了解到，在加入 IDW 插值房屋密度图层，urban 的像元数从 617123 points -> 746549 points ,说明 urban 的面积在增大，而中、高密度的居民区的面积减少，其他的训练样区的面积变化不大，分析其原因可能是因为在加入 IDW插值房屋密度图，主要会影响到低、中、高密度居民区的面积，然而 urban 的面积急剧增加可能是因为在未加入房屋密度图时，urban 与中、高密度居民区的分离效果不好而导致的。从表 3 中我们可以得到，高密度与中密度居民区的分离度为，中密度与低密度居民区的分离度为，低密度与高密度居民区之间的分离度为。通过与未加入房屋密度图的分离度来看，在加入 IDW插值房屋密度图层的分离度有明显的提高。
图 77 未加入房屋密度图与加入 IDW 插值房屋密度图层像元数比较
图 78 加入 IDW插值房屋密度图层的分类结果图 表 3 加入 IDW 插值房屋密度图层进行分类的分离度 Signature Name 2 3 4 5 6 7 8 9 water(1)
forest(2)
grass(3)
crop land(4)
遥感影像分类方法实验报告
fallow(5)
residential-H(6)
residential-M(7)
residential-L(8)
urban(9)
加入直接栅格化房屋密度图层的分类结果评价与分析 如图 79、图 80 和表 4，从图 79 未加入房屋密度图与加入直接栅格化房屋密度图层像元数的比较中，得到加入直接栅格化房屋密度图层对分类面积的影像程度较大，主要为低密度居民区，总像元 1586843 points -> 1042126 points ，总面积急剧减少。而中、高密度居民区的面积在增加。表 4 的高密度与中、低密度居民区的分离达到了和，与之前相比有了明显的增加，说明了在加入直接栅格化房屋密度图层可以有效的对不同密度的居民区进行分类。
图 79 未加入房屋密度图与加入直接栅格化房屋密度图层像元数比较
图 80 加入直接栅格化房屋密度图层的分类结果图 表 4 加入直接栅格化房屋密度图层进行分类的分离度 Signature Name 2 3 4 5 6 7 8 9 water(1)
遥感影像分类方法实验报告
forest(2)
grass(3)
crop land(4)
fallow(5)
residential-H(6)
residential-M(7)
residential-L(8)
urban(9)
加入重分类后 IDW插值房屋密度图层的分类结果评价与分析
如图 81、图 82 和表 5，从分类面积来看，未加入房屋密度图与加入重分类 IDW 插值房屋密度图层的面积基本一样。从表 5来看，其分离度与未加入房屋密度图差不多，在低、中、高密度居民区的分离效果没有加强，因此，对 IDW插值房屋密度图并未能使分类效果增强。
图 81 未加入房屋密度图与加入重分类 IDW插值房屋密度图层像元数比较
图 82 加入重分类 IDW插值房屋密度图层的分类结果图 表 5 加入重分类的 IDW 插值房屋密度图层进行分类的分离度 Signature Name 2 3 4 5 6 7 8 9 water(1)
0
遥感影像分类方法实验报告
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)
从总精度与 Kappa 系数对分类结果进行评价 表 6 分别列举了 3 中不同方法的分类精度比较，分别为未加入房屋密度图层，加入 IDW插值房屋密度图层，加入直接栅格化房屋密度图层。从总精度和 Kappa系数来看，未加入房屋密度图层的情况的分类精度最高，总精度为%，Kappa 系数为；加入房屋密度图进行分类的精度有了明显的提高，其中加入 IDW 插值房屋密度图进行分类的总精度为%，Kappa系数为，加入直接栅格化房屋密度图层进行分类的总精度为%，Kappa 系数为 。
从表 6 中，我们可以得到加入 IDW 插值的房屋密度图的总精度和 Kappa 系数都大于加入直接栅格化房屋密度图，从每一类分类来看，两者的 Water和 Crop land的用户精度和生产者精度一样；forest 和 urban的用户者精度基本一样，其生产者精度相差较大，说明了其他类别被分为 forest和 urban 在 IDW插值和直接栅格化的密度图中的程度不一样，加入直接栅格化房屋密度被错分这两类的像元较多；grass、residential-H和 residential-L 的生产者精度一致，其中 grass 和 residential-L 被错分为其他类别的像元较多，而加入 IDW插...