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!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/1079525

相关文章

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

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

一文详解如何从零构建Spring Boot Starter并实现整合

《一文详解如何从零构建SpringBootStarter并实现整合》SpringBoot是一个开源的Java基础框架,用于创建独立、生产级的基于Spring框架的应用程序,:本文主要介绍如何从... 目录一、Spring Boot Starter的核心价值二、Starter项目创建全流程2.1 项目初始化(

一文带你了解SpringBoot中启动参数的各种用法

《一文带你了解SpringBoot中启动参数的各种用法》在使用SpringBoot开发应用时,我们通常需要根据不同的环境或特定需求调整启动参数,那么,SpringBoot提供了哪些方式来配置这些启动参... 目录一、启动参数的常见传递方式二、通过命令行参数传递启动参数三、使用 application.pro

Python实战之屏幕录制功能的实现

《Python实战之屏幕录制功能的实现》屏幕录制,即屏幕捕获,是指将计算机屏幕上的活动记录下来,生成视频文件,本文主要为大家介绍了如何使用Python实现这一功能,希望对大家有所帮助... 目录屏幕录制原理图像捕获音频捕获编码压缩输出保存完整的屏幕录制工具高级功能实时预览增加水印多平台支持屏幕录制原理屏幕

一文带你深入了解Python中的GeneratorExit异常处理

《一文带你深入了解Python中的GeneratorExit异常处理》GeneratorExit是Python内置的异常,当生成器或协程被强制关闭时,Python解释器会向其发送这个异常,下面我们来看... 目录GeneratorExit:协程世界的死亡通知书什么是GeneratorExit实际中的问题案例