《《遙感數(shù)字圖像處理》實(shí)驗(yàn)報(bào)告材料》由會(huì)員分享，可在線閱讀，更多相關(guān)《《遙感數(shù)字圖像處理》實(shí)驗(yàn)報(bào)告材料（10頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、word研究生遙感技術(shù)原理與應(yīng)用期末考試報(bào)告題 目：利用TM遙感數(shù)據(jù)進(jìn)展土地覆蓋分類和制圖專 業(yè)： 地圖學(xué)與地理信息系統(tǒng) 201512- 9 - / 10一、研究方法纓帽變換：也稱K-T變換，是一種特殊的主成分變換。但與主成分不同，其旋轉(zhuǎn)軸不是指向主成分方向，而是指向與地面景物有密切關(guān)系的方向，特別是與植物生長(zhǎng)過程和土壤有關(guān)。傳統(tǒng)的NDVI植被信息提取方法受到影像空間分辨率的限制，對(duì)影像上信息量少的植被如道路兩旁的行道樹、居民小區(qū)中的綠地等提取效果不佳。纓帽變換對(duì)區(qū)分不同類型植被類型如樹、灌木、草地、農(nóng)作物等非常有效，此次試驗(yàn)具有較好的應(yīng)用。支持向量機(jī)分類法：是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和

2、結(jié)構(gòu)風(fēng)險(xiǎn)最小原理根底上的，根據(jù)有限的樣本信息在模型的復(fù)雜性即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度和學(xué)習(xí)能力即無錯(cuò)誤地識(shí)別任意樣本的能力之間尋求最優(yōu)折中，以求獲得最好的推廣能力。最大似然分類法：假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。二、研究容與數(shù)據(jù)對(duì)富民縣散旦鄉(xiāng)TM影像進(jìn)展信息挖掘后突出植被和水體等地物信息；結(jié)合二調(diào)數(shù)據(jù)，選擇樣本，分別用最大似然和支持向量機(jī)SVM分類法對(duì)散旦鄉(xiāng)進(jìn)展分類，通過比照分類精度，比擬兩種分類方法的優(yōu)缺點(diǎn)。數(shù)據(jù)：對(duì)富民縣進(jìn)展裁剪后得到的散旦鄉(xiāng)Landsat TM影像；富民縣二類調(diào)查小班數(shù)據(jù)；富民縣縣行政區(qū)數(shù)

3、據(jù)。三、研究過程1.裁剪研究區(qū)域?qū)⒏幻窨h行政區(qū)數(shù)據(jù)導(dǎo)入ArcGIS軟件中，根據(jù)屬性表查找得到散旦鄉(xiāng)數(shù)據(jù)，導(dǎo)入ENVI，再利用ENVI提供的不規(guī)如此裁剪工具進(jìn)展裁剪得到散旦鄉(xiāng)TM影像4，3，2假彩色合成，見圖1、2。圖1 散旦鄉(xiāng)在富民縣的位置圖2 研究區(qū)原始影像2.纓帽變換在主菜單TransformsTassled Cap中使用纓帽變換對(duì)研究區(qū)影像進(jìn)展正交變換，變換結(jié)果包括亮度“Brightness、綠度“Greenness、第三波段“Third三個(gè)波段信息。 圖3 纓帽變換結(jié)果3.歸一化植被指數(shù)NDVI的提取NDVI(Normal Differential Vegetation Index)，

4、其表達(dá)式為NDVI=(NIR-R)/(NIR+R)，是基于近紅外波段與紅外波段的歸一化比值指數(shù)。利用波段運(yùn)算工具Band Math對(duì)散旦鄉(xiāng)影像進(jìn)展NDVI運(yùn)算影像中3，4波段分別代表公式中的R和NIR，得到植被指數(shù)影像。圖4 NDVI提取結(jié)果對(duì)纓帽變換得到的綠度，NDVI得到的植被指數(shù)，以與原散旦鄉(xiāng)TM影像的4波段進(jìn)展合成，得到一新的散旦鄉(xiāng)影像，信息挖掘前后比照見圖5。通過比照可以看出，植被與水體地物均得到了增強(qiáng)，為接下來影像的分類工作提供了方便。圖5 原始影像左與信息挖掘后右比照5.選擇訓(xùn)練樣本在ArcGIS中，依據(jù)屬性表中的class字段，根據(jù)分類要求提取6個(gè)類別的圖層數(shù)據(jù)；然后導(dǎo)入ENV

5、I，疊加顯示在影像上圖上紅色圍，然后在小班圍勾繪的訓(xùn)練樣本圖上藍(lán)色區(qū)域，參考提取的小數(shù)據(jù)勾畫訓(xùn)練樣本，見圖6。圖6 選擇訓(xùn)練樣本6.影像分類為防止背景參與分類，使用主菜單下Basic toolmaskingbuild masking生成掩膜文件，然后對(duì)影像分別按照最大似然和支持向量機(jī)兩種方法進(jìn)展分類得到分類結(jié)果圖，如圖7所示。圖7 最大似然左與支持向量機(jī)右分類結(jié)果圖后處理分類結(jié)果中，不可防止會(huì)產(chǎn)生一些面積很小的圖斑，需要對(duì)這些小圖斑進(jìn)展處理。在主菜單ClassificationPost Classification中，選擇Majority/Minority工具將小圖斑合并到周圍的大類中，分類后

6、處理結(jié)果如圖8所示。圖8 最大似然左與支持向量機(jī)右分類后處理結(jié)果圖在ENVI下打開前面用于分類的影像數(shù)據(jù)和提取出的小班數(shù)據(jù)，在Available Vectors List下選擇FileExport Layers to ROI，在彈出的對(duì)話框中選擇影像數(shù)據(jù)OK，然后選擇Covert each record of an EVF layer to a new ROI，將小班數(shù)據(jù)轉(zhuǎn)化成ROI興趣區(qū)；然后采用ClassificationPost ClassificationConfusion MatrixUsing Ground Truth ROIs混淆矩陣下的地表真實(shí)訓(xùn)練區(qū)方法進(jìn)展檢驗(yàn)。精度結(jié)果見表1

7、。表1分類精度評(píng)價(jià)最大似然支持向量機(jī)類別制圖精度(%)用戶精度%制圖精度(%)用戶精度%闊葉林針葉林農(nóng)地裸地建筑用地水域總體分類精度40.8361%60.2669%Kappa9.制作專題圖將分類后處理結(jié)果導(dǎo)入ArcGIS中，進(jìn)展專題圖制作，添加標(biāo)題、比例尺、指北針與圖例等要素，最終得到分類專題圖?？梢姼郊D9 專題圖結(jié)果四、分類結(jié)果分析表1可以看出，經(jīng)過前期增強(qiáng)處理，針葉林、農(nóng)地和水域分類效果較好；其他幾類分類效果均不佳。2.兩種分類方法的總體精度均不高，具體原因分析如下：1TM影像分辨率不高，對(duì)于光譜差異不明顯的闊葉林和針葉林，容易出現(xiàn)異物同譜與混分現(xiàn)象；2影像拍攝時(shí)間和二調(diào)數(shù)據(jù)采集時(shí)間不一致以與季節(jié)的不同，影像分類時(shí)會(huì)產(chǎn)生差異；3對(duì)于二調(diào)數(shù)據(jù)，有些區(qū)域含有混合成分，所以進(jìn)展樣本選擇時(shí)會(huì)有錯(cuò)誤樣本進(jìn)入訓(xùn)練過程，同時(shí)利用整個(gè)區(qū)域進(jìn)展驗(yàn)證分類結(jié)果，因此也會(huì)對(duì)分類結(jié)果產(chǎn)生影響；4在分類過程中，訓(xùn)練區(qū)的數(shù)量與準(zhǔn)確度也對(duì)分類精度有很大影響。五、實(shí)驗(yàn)感悟?qū)嶒?yàn)前期做了一些嘗試，想利用決策樹方法來進(jìn)展分類，但是類與類之間的判別信息不是很明確，實(shí)驗(yàn)沒能進(jìn)展下去，于是改用支持向量機(jī)的分類方法。實(shí)驗(yàn)中有不正確的地方，希望教師指出。