ENVI实战—一文搞定监督分类

2024-06-20 23:12

本文主要是介绍ENVI实战—一文搞定监督分类,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

实验1:利用ROI建立样本训练集和验证集

目的:学会利用ROI建立计算机分类时的样本集

过程:

①导入影像:打开ENVI,选择“打开→打开为→光学传感器→ESA→Sentinel-2”,将Sentinel-2影像导入到ENVI平台中。

图1

②建立ROI区域:选择ROI工具,在影像中寻找一个包含植被、水体、建筑和道路等主要地物的区域,绘制矩形,建立ROI区域。

图2

③空间裁剪:按照“打开→另存为→另存为ENVI....”,在弹出的窗口中选择“空间裁剪”,导入ROI文件,对整幅Sentinel-2影像进行裁剪,得到子影像。

图3

④绘制训练样本集:点击新建ROI绘制自由形状,按照样本在影像范围内全覆盖,且同一地物不同特征全覆盖,大小样本全覆盖的原则,在影像中各绘制植被、建筑、道路、水体、农田各20个样本,将其另存为Train.xml。(图4)

图4

⑤绘制验证样本集:点击新建ROI,与训练样本集类似,针对水体、植被、田地、建筑、道路等地物,根据与此前的训练样本不重复的原则,各绘制10个验证样本,将结果另存为evaluate.xml。(图5)

图5

⑥计算ROI可分离性:找到工具箱中的工具“感兴趣区”,找到其中的工具“计算ROI可分离性”,导入影像,选择四类样本,进行分离性计算,得到任意两类样本之间的可分离性。

图6

结果:

①如下展示了本次绘制的训练样本集和精度验证集,在空间上尽可能保持不重叠。

图1 左图是训练样本集,右图是精度验证集

②图2展示了建筑、水体、植被和道路之间的分离性,其中,绝大部分地物之间都超过1.9以上,表明两种分离情况较好。而建筑和道路之间的可分离性仅占0.99,由于建筑和道路都是硬化路面,因此二类地物之间难以区分。

图2

实验2:使用最小距离法对影像进行分类

目的:学会使用最小距离法对影像进行分类

过程:

①建立训练样本集和验证样本集:基于实验1的步骤,重新就原影像进行空间裁剪,针对植被、水体、建筑、道路各绘制10个训练样本和验证样本。(实验3和实验4以及实验五采取的均为该幅影像)

②工具箱使用:找到ENVI工具箱中的图像分类工具,选择“监督分类”,选择“最小距离法”工具。

③导入影像:导入裁剪好的监督分类影像,此时ENVI会将该影像作为分类的参考依据,根据最小距离法的分类规则,自动对影像进行分类。

④最小距离法分类:,接着选中实验1中已经备选好的道路、水体、植被、建筑等训练样本集,该数据集为监督分类的参考,设置输出路径。

图1

结果:

图1展示最小距离法的分类结果。从图中可以看出,大部分的地物基于所选的训练样本进行了区分。

图1

实验3使用最大似然法对影像进行分类

目的:学会基于最大似然法对影像进行分类

过程:

①工具箱使用:找到ENVI工具箱中的图像分类工具,选择“监督分类”,选择“最大似然法”工具。

②导入影像:导入裁剪好的监督分类影像,此时ENVI会将该影像作为分类的参考依据,根据最大似然法的分类规则,自动对影像进行分类。

③最小距离法分类:,接着选中实验1中已经备选好的道路、水体、植被、建筑等训练样本集,该数据集为监督分类的参考,设置输出路径。

图2

结果:

图1展示了最大似然法下影像的分类结果,对比原图像,整体的分类效果还是较好的,在颜色的显示上,最大似然法最后显示的颜色相对明亮,对地物的区分度高。

图1

实验4使用支持向量机对影像进行分类

目的:学会基于支持向量机对影像进行分类

过程:

①工具箱使用:找到ENVI工具箱中的图像分类工具,选择“监督分类”,选择“支持向量机”工具。

②导入影像:导入裁剪好的监督分类影像,此时ENVI会将该影像作为分类的参考依据,根据支持向量机的分类规则,自动对影像进行分类。

③最小距离法分类:,接着选中实验1中已经备选好的道路、水体、植被、建筑等训练样本集,该数据集为监督分类的参考,设置输出路径。

图1

结果:

图1展现了支持向量机的分类结果,从分类的结果来看,相较于最大似然法,该影像的分类效果较差,没能很好地将建筑物和道路进行较好地区分,存在较多的错分现象。

图1

实验5使用分类结果进行精度评估

目的:学会对分类结果进行精度评估

过程:

①选择工具箱:在图像分类工具箱下找到“分类后处理”,找到“利用地面真实感兴趣进行混淆矩阵分析”,对影像的分类结果进行整体评估

图1

②样本匹配:在弹出的链接验证样本的窗口中,将水体评估、建筑评估、植被评估、道路评估与水体、建筑、植被、道路一一建立匹配关系。点击确定,即可计算影像的分类效果。依据上述过程对三种方法的结果进行一一对应,得到三种分类的精度评估结果。

图2

结果:

图1展示的最小距离法的精度评估结果,总体精度为91.4096%,其中Kappa系数的结果为0.8526;图2展示的是最大似然法的精度评估结果,总体精度为89.0603%,其中Kappa系数的结果为0.8131;图3展示的是支持向量机的精度评估结果,总体精度为91.5994%,其中Kappa系数的结果为0.8542。从评估结果可以看出,本次监督分类中,使用支持向量机方法得到了最好的分类结果,而最大似然法的分类效果相对较差。

值得注意的是,由于本次用于监督分类的样本仅包含4类地物,因此最终的分类结果中,会存在错分的现象,且由于建筑和道路难以区分,二者无论是从建筑用材还是从空间距离上都具有高度的相似性,以后进行分类时,可以尝试将二者统一,另外,将地物类别扩充,如增加农田,山体等,提高分类与实际影像的匹配程度。

图1

图2

图3

这篇关于ENVI实战—一文搞定监督分类的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1079525

相关文章

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

一文详解如何在Python中从字符串中提取部分内容

《一文详解如何在Python中从字符串中提取部分内容》:本文主要介绍如何在Python中从字符串中提取部分内容的相关资料,包括使用正则表达式、Pyparsing库、AST(抽象语法树)、字符串操作... 目录前言解决方案方法一:使用正则表达式方法二:使用 Pyparsing方法三:使用 AST方法四:使用字

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4:

在Spring Boot中浅尝内存泄漏的实战记录

《在SpringBoot中浅尝内存泄漏的实战记录》本文给大家分享在SpringBoot中浅尝内存泄漏的实战记录,结合实例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录使用静态集合持有对象引用,阻止GC回收关键点:可执行代码:验证:1,运行程序(启动时添加JVM参数限制堆大小):2,访问 htt

电脑死机无反应怎么强制重启? 一文读懂方法及注意事项

《电脑死机无反应怎么强制重启?一文读懂方法及注意事项》在日常使用电脑的过程中,我们难免会遇到电脑无法正常启动的情况,本文将详细介绍几种常见的电脑强制开机方法,并探讨在强制开机后应注意的事项,以及如何... 在日常生活和工作中,我们经常会遇到电脑突然无反应的情况,这时候强制重启就成了解决问题的“救命稻草”。那

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》:本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA

一文详解JavaScript中的fetch方法

《一文详解JavaScript中的fetch方法》fetch函数是一个用于在JavaScript中执行HTTP请求的现代API,它提供了一种更简洁、更强大的方式来处理网络请求,:本文主要介绍Jav... 目录前言什么是 fetch 方法基本语法简单的 GET 请求示例代码解释发送 POST 请求示例代码解释

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法:读