《遥感数字图像处理》实验报告

期末考试报告

题目：利用TM遥感数据进行土地覆盖分类和制图

专业：地图学与地理信息系统

2015．12

一、研究方法

缨帽变换：也称K-T变换，是一种特殊的主成分变换。但与主成分不同，其旋转轴不是指向主成分方向，而是指向与地面景物有密切关系的方向，特别是与植物生长过程和土壤有关。传统的NDVI植被信息提取方法受到影像空间分辨率的，对影像上信息量少的植被（如道路两旁的行道树、居民小区中的绿地等）提取效果不佳。缨帽变换对区分不同类型植被类型如树、灌木、草地、农作物等非常有效，此次试验具有较好的应用。

支持向量机分类法：是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以求获得最好的推广能力。

最大似然分类法：假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。

二、研究内容及数据

对富民县散旦乡TM影像进行信息挖掘后突出植被和水体等地物信息；结合二调数据，选择样本，分别用最大似然和支持向量机（SVM）分类法对散旦乡进行分类，通过对比分类精度，比较两种分类方法的优缺点。

数据：对富民县进行裁剪后得到的散旦乡Landsat TM影像；富民县二类调查小班数据；富民县县行政区数据。

三、研究过程

1.裁剪研究区域

将富民县行政区数据导入ArcGIS软件中，根据属性表查找得到散旦乡数据，导入ENVI，再利用ENVI提供的不规则裁剪工具进行裁剪得到散旦乡TM影像（4，3，2假彩色合成），见图1、2。

图1散旦乡在富民县的位置

图2研究区原始影像

2.缨帽变换

在主菜单Transforms→Tassled Cap中使用缨帽变换对研究区影像进行正交变换，变换结果包括亮度“Brightness”、绿度“Greenness”、第三波段“Third”三个波段信息。

图3缨帽变换结果

3.归一化植被指数——NDVI的提取

NDVI(Normal Differential Vegetation Index)，其表达式为NDVI=(NIR-R)/(NIR+R)，是基于近红外波段与红外波段的归一化比值指数。利用波段运算工具Band Math对散旦乡影像进行NDVI运算（影像中3，4波段分别代表公式中的R和NIR），得到植被指数影像。

图4NDVI提取结果

4.图像合成

对缨帽变换得到的绿度，NDVI得到的植被指数，以及原散旦乡TM影像的4波段进行合成，得到一张新的散旦乡影像，信息挖掘前后对比见图5。通过对比可以看出，植被及水体地物均得到了增强，为接下来影像的分类工作提供了方便。

图5原始影像（左）与信息挖掘后（右）对比

5.选择训练样本

在ArcGIS中，依据属性表中的class字段，根据分类要求提取6个类别的图层数据；然后导入ENVI，叠加显示在影像上（图上红色范围），然后在小班范围内勾绘的训练样本（图上蓝色区域），参考提取的小数据勾画训练样本，见图6。

图6选择训练样本

6.影像分类

为避免背景参与分类，使用主菜单下Basic tool→masking→build masking生成掩膜文件，然后对影像分别按照最大似然和支持向量机两种方法进行分类得到分类结果图，如图7所示。

图7最大似然（左）与支持向量机（右）分类结果图

7.分类后处理

分类结果中，不可避免会产生一些面积很小的图斑，需要对这些小图斑进行处理。在主菜单Classification→Post Classification中，选择Majority/Minority工具将小图斑合并到周围的大类中，分类后处理结果如图8所示。

图8最大似然（左）与支持向量机（右）分类后处理结果图

8.精度检验

在ENVI下打开前面用于分类的影像数据和提取出的小班数据，在Available Vectors List下选择File—＞Export Layers to ROI，在弹出的对话框中选择影像数据OK，然后选择Covert each record of an EVF layer to a new ROI，将小班数据转化成ROI兴趣区；然后采用Classification—＞Post Classification—＞Confusion Matrix—＞Using Ground Truth ROIs混淆矩阵下的地表真实训练区方法进行检验。精度结果见表1。

表1分类精度评价

将分类后处理结果导入ArcGIS中，进行专题图制作，添加标题、比例尺、指北针及图例等要素，最终得到分类专题图。（可见附件）

四、分类结果分析

1.从表1可以看出，经过前期增强处理，针叶林、农地和水域分类效果较好；其他几类分类效果均不佳。

2.两种分类方法的总体精度均不高，具体原因分析如下：

（1）TM影像分辨率不高，对于光谱差异不明显的阔叶林和针叶林，容易出现异物同谱及混分现象；

（2）影像拍摄时间和二调数据采集时间不一致以及季节的不同，影像分类时会产生差异；

（3）对于二调数据，有些区域含有混合成分，所以进行样本选择时会有错误样本进入训练过程，同时利用整个区域进行验证分类结果，因此也会对分类结果产生影响；

（4）在分类过程中，训练区的数量及准确度也对分类精度有很大影响。

五、实验感悟

实验前期做了一些尝试，想利用决策树方法来进行分类，但是类与类之间的判别信息不是很明确，实验没能进行下去，于是改用支持向量机的分类方法。实验中有不正确的地方，希望老师指出。