针对不同融合算法的遥感影像分类方法研究 - 图文(8)

河南理工大学本科毕业论文

表2定量评价表

指标 图像熵 清晰度 相关系数 联合熵 偏差指数 光谱扭曲度

多光谱 7.7567 7.7076 / / / /

全色 7.7638

PCA 7.7832

影像

Brovey 7.7858 13.5222 0.8461 14.4152 0.2978 24.8455

GS 7.7839 13.5840 0.8528 14.4289 0.3040 24.8025

IHS 7.7758 12.8538 0.8559 14.2907 0.2874 24.6619

小波 7.7688 10.9914 0.9367 13.9792 0.2113 16.2658

新方法 7.7919 12.7949 0.8800 14.2701 0.2607 21.5604

13.3786 13.5757 / / / /

0.8537 14.4190 0.3009 24.5857

分析对比表格数据可以直观的得出以下结论：

（1）平均信息量方面，各遥感影像的熵值差距不大，IHS新方法和小波结合的新方法融合结果的熵值高达7.7919，是所有结果中最高的一个，这说明新的融合造成的信息丢失最少，其边缘、细节、纹理处理的比较好，波谱特征也更加明显。

（2）清晰度方面，各传统融合方法的数值都比较高，这也在意料之内，因为清晰度是人眼最直观的感受，必然会被ENVI应用软件所重视，所以软件开发人员在处理这些算法的同时会进行相关的优化。而新方法的表现也很好，相对多光谱影像和小波变换融合影像提升很大。

（3）相关系数主要评价各融合结果和原始多光谱影像的相关性，反映的是图像波普特征的好坏。从表中可以看出，小波变换和新方法在这方面表现优异，说明它们的波谱分辨率比较好。与小波变换不同的是，新方法并没有为此牺牲掉太多的空间分辨率，这也是新方法比单一IHS或小波变换更加优越的表现之一。

(4)分析联合熵、偏差指数和光谱扭曲度可以发现，小波变换和新方法的灰度值分布变化比较小，且光谱特征扭曲也很小，这点优于其他传统融合方法，证明新方法在光谱特征上保持的比较好，整体灰度变形较小。

综合分析我们发现，新方法的三个指标的很高，其中，熵和相关系数均排名第一，清晰度也很高，偏差指数和光谱扭曲度也比传统算法小很多。因此，新方法是一个比较全面优秀的的算法，相比其他传统融合方法，展现出了自己的优越性。 5.3分类后精度评价

图像融合的直接目的是突出地物特征以增加图像的可识别性。最终目的则是方便人们获取图像上的信息和特征提取。而遥感影像分类则是特征提取的一个重要方式[21]。因此，分类后精度评价可以说是从目的层面的评价。这是非常重要的，因为以上所有操作都是为了方便后来的应用，而应用结果的好坏也从侧面反映出操作方法的好坏。本实

30

河南理工大学本科毕业论文

验采取支持向量机（SVM）分类方法以相同的感兴趣区域对融合前后影像进行分类提取，并对各分类结果做精度评价，评价方法采用混淆矩阵法。 5.3.1支持向量机分类

支持向量机是建立在数理统计学习理论上的一种新方法[22]。统计学习理论与传统统计学不同，它是一种针对有限样本并能自主学习其规律的新理论，简单的将就是小样本下具有学习能力的统计学理论。支持向量机以VC维理论和结构风险最小理论为基础的情况下，根据有限样本的一般特性，在学习精度和学习能力之间进行折中处理，最终获取最好的推广性能。通过学习算法，支持向量机可以自动的获取那些区分地物类别能力比较好的支持向量，并够造出适合的分类器，最大化区分各类地物。因此，支持向量机分类的过程比较简单，分类的结果也相对更加精确。

支持向量机分类方法属于监督分类，其在ENVI4.3版本就得打了很好的推广和应用，并获得很大的好评，分类的结果也展现了其他方法所不具备的优越性。本文将依靠ENVI4.8软件实现支持向量机分类和精度评价，实验中，首先选取一套精度比较好的训练样本（ROI），然后利用选取的ROI分别对各图像进行支持向量机分类[23]。过程如下：

1.打开需要分类的遥感影像；

2.选择Basic Tools >Region Of Interest >ROI Tool，在影像上手工选取感兴趣训练区，可分为居民区、水域、植被、裸地四类，如图5.5：

图5.5 ROI选取图示

31

河南理工大学本科毕业论文

3.对选取的训练区样本进行分析检验，根据结果不断调整优化。检验方法包括定性和定量两种。其中，定性方法是利用n-D Visualizer工具，可动态观察各类像元聚散的过程，我们还可以调整速度，认真的反复观察，不断的优化调整。一般而言，分离度较大的那类像元表示纯度不高，需要返回进行提纯操作，n-D Visualizer的窗口如图5.6所示：

图5.6 n-D Visualizer图示

亦可利用Compute ROI Separability工具定量检验ROI的分离性，操作过程是点击ROI Tool窗口下的Options，打开Compute ROI Separability工具，全选地物分类的类别，最后点击OK按钮，结果变显示出来。一般而言，指标大于1.4的即可认为合格。现将所有结果汇总如表3所示：

表3 分离性检测结果表

地物类别 植被 水域 居民地 裸地

植被

/ 1.88001917 1.49874403 1.79819557

水域 1.99995677

/ 1.86812128 1.92658664

居民地 1.94188407 1.99999999

/ 1.49821508

裸地 1.91279118 1.99546888 1.68105789

/

4.进入分类界面，选择Classification > Supervised > Support Vector Machine。按照提示设置分类参数、存储路径等，点击“OK”开始处理。分类的结果最终以图像的形式呈现，上面的每种颜色代表一类地物，且颜色和ROI的设置颜色是一致的。结果如图5.7所示：

32

河南理工大学本科毕业论文

图5.7分类结果图

5.3.2分类精度评价

ENVI中的Classification菜单下有直接应用于精度评价的工具Confusion Matrix（混淆矩阵法）和ROC Curves（曲线表示法），本文选用第一个混淆矩阵法来测定图像的分类精度。精度评定之前，需要一个精度较高的地面分类图作为标准，由于笔者能力有限，无法获得真实的地面测量图，这里我选择用更高精度的ROI在HSV融合方法得到的分类图作为实验的标准。操作流程如下：

1.选择 Classification>Post Classification>Confusion Matrix>Using Ground Truth Image，打开Classification Input File对话框；

2.依次加入需要精度评价的结果图和标准分类图，当出现 Match Classes Parameters 对话框时，把两幅影像中对应的地物类别进行匹配（名字一样会自动匹配），然后点击 OK；

3.来到输出属性设置界面，Output Result to选项点击File，选择合适的输出路径，点击OK输出结果。

33

河南理工大学本科毕业论文

最终的精度评价结果会自动显示出来，包括Overall Accuracy (总体精度)、Kappa Coefficient（Kappa系数）、Ground Truth（Pixels）、Ground Truth（Percent）、Commission （错分误差）、Omission（漏分误差）、Pro.Acc（制图精度）、User.Acc（用户精度）等各种指标[24]。其中，总体精度和Kappa系数反映的是图像分类整体的精度指标，其他各类指标则分别表示每一类地物的像元总数、所占百分比、分类误差、分类精度等信息。以PCA变换融合算法的分类精度评价结果为例，将其混淆矩阵中的“Ground Truth（Pixels）”指标汇总如下表：

表4 地物像素统计表

检测地物

Unclassified

Unclassified

植被 水域 居民地 …… 此处隐藏：2590字，全部文档内容请下载后查看。喜欢就下载吧 ……