遥感影像分类精度与空间分辨率的关系验证

实验目的： 

1、掌握相同传感器多光谱影像与全色影像融合方法；

2、掌握监督分类的基本流程；

3、验证遥感影像分类精度与空间分辨率的关系。

实验要求：

1、对多光谱影像和全色影像进行融合；

2、利用马氏距离法进行监督分类；

理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。

原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。class1.roi是1m空间分辨率的参考分类ROI模板。

实验步骤：

1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下：

（1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。记录该文件的行列数，下图1~2。

图1

图2 查看头文件

（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。

图3

图4 重置图像大小

（3）重置大小后的图像已经可以与全色图像进行融合，将bj_resize图像以432的RGB模式在Display#1中显示，在ENVI主菜单，点击Transform→Image Sharpening→HSV 

图5 启动融合功能

图6

在接下来弹出High Resolution Input File（高空间分辨率输入文件）的对话框中，选择bjikonspan.img文件，OK。

图7 选择高空间分辨率影像

图8 确定参数，选择存储位置

通过以上步骤得到了空间分辨率为1m的IKONOS多波段图像，如下图：

图9

2、将1m的融合图像降低空间分辨率，得到5m和 15m空间分辨率的数据，操作如下：

在ENVI主菜单，点击Basic Tools→Resize Data，选择输入文件为bj_HSV

图10

在接下来弹出的Resize Data Parameters对话框中，点击Set Output Dims by Pixel Size

图11

将像元大小改为5m，如下图所示。

图12 修改像元大小

点击OK，设置存储路径，得到空间分辨率为5m的影像。

图13 设置重置图像参数

利用相同的方法得到空间分辨率为15m的影像。

3、对空间分辨率为1m、5m和15m的影像进行分类

操作如下：打开空间分辨率为1m的影像，点击ENVI主菜单Basic Tools→Region of Interest→ROI Tool，如下图，在Window选项中点选Zoom，表示在Zoom窗口绘制ROI。

图14 ROI Tool对话框

点击ROI Tool对话框中的ROI Type，经常使用的类型包括Polygon、Rectangle和Ellipse。

图15 选择ROI类型

接下来便可以绘制ROI，在主影像窗口中选择合适的位置，在Zoom窗口绘制，绘制好图形后点击右键确认。将绘制好的ROI更名为waterbody，颜色改为蓝色，继续在图像上的水域部分绘制ROI（每类地物ROI数量不少于3个，人工建筑类地物ROI数量不少于5个，人工建筑类用地的颜色种类较多，ROI应包含所有颜色的人工建筑）。

绘制好水体的ROI后，点击ROI Tool对话框的New Region按钮，绘制其它类地物的ROI。

图16 水体ROI

地物类别分为8类，分别为：有作物农田（cultivated_farmland）、无作物农田（uncultivated_farmland）、林地（woodland）、草地（grassland）、水体（waterbody）、人工建筑（artificial_building）、裸土（nudeland）和道路（road）。根据以上分类要求得到的ROI分类模板如下图：

图17 最终分类模板

在ROI  Tool对话框中点击File→Save ROIs，保存ROI文件。

在ENVI主菜单，点击Classification→Supervised（监督分类）→Mahalanobis Distance（马氏距离）

图18 启动分类功能

选择输入文件为bj_HSV，在接下来弹出的Mahalanobis Distance Parameters对话框中，按下图19设置参数，点击OK。

图19 马氏距离参数设置

得到的分类结果图如下：

图20 分类结果图

下面介绍如何使用相同的分类模板对5m分辨率的图像进行分类，由于之前的ROI是在1m分辨率时采集的，不能直接应用在5m分辨率的图像上，需要进行如下转换：

在Display#1中显示5m分辨率的图像，在Display#2中显示1m分辨率的图像，分别打开两窗口的ROI工具，在Display#2的ROI Tool对话框中点击File→Restore ROI，加载之前采集的ROI。如下图：

图21

在#2 ROI Tool中点击File→Export ROIs to EVF，

图22 

在Export ROIs to EVF对话框按下图23设置参数：

图23 设置转换参数

点击OK，在弹出的Available Vectors List对话框中，选择图层1，Load Selected。

图24

这样，矢量就显示在Display#1中，

图25

在Vector Parameters对话框中，点击File→Export Active Layer to ROIs，下图26~27

图26

图27

这样在Display#1中就生成了与Display#2中对应的ROI，在Display#2中点击右键Geograghic Link，

图28 地理连接

在#1ROI Tool中，选中一个ROI，点击Goto，窗口中会显示该ROI的位置。根据右侧Display#2的颜色修改#1ROI Tool中的ROI的颜色，按这种方法修改全部ROI的颜色。

图29

修改完颜色后，点击#1ROI Tool中Options→Merge Regions

图30

在接下来弹出的对话框中对ROI进行合并，例如合并绿色ROI时，选择一个绿色ROI作为base ROI，选择全部绿色ROI参与合并，点击OK，则绿色ROI被合并成一个ROI，再用同样的方法合并其他颜色的ROI，ROI合并结束后，修改ROI名称，使用这个模板进行马氏距离监督分类。

图31 ROI合并

再按上述流程对空间分辨率15m的图像进行分类。

4、分类结果的精度显示在一个混淆矩阵里（用于比较分类结果和地表真实信息）。记录了总体精

度、制造者以及用户的准确度、Kappa 系数、混淆矩阵以及代理和冗长误差，精度评价操作如下：

在ENVI主菜单，按如下流程操作

图32 启动分类后评价

图33

系统会根据已打开的ROI文件匹配分类情况，点击OK，下图34

图34 

图35

得到分类精度评价表，

图36

分别对1m、5m和15m的分类图像进行精度评价，注意ROI文件要匹配。分析不同分辨率影像分类的精度，通过对比分析，验证遥感影像分类精度与空间分辨率的关系。

实验成果：

1、提交降低分辨率后的影像数据文件；

2、5m分辨率的分类模板ROI文件；

3、分类结果数据文件以及精度检验样本分布图的截屏。