【正文】 基于ENVI的土壤高光譜影像監(jiān)督分類方法比較研究目錄摘要 IIAbstract III1. 前言 1 1 文獻(xiàn)綜述 1 研究目的 22. 材料與方法 2 材料 3 方法 3 監(jiān)督分類過程 3 PCA變換 3 選擇訓(xùn)練樣本 4 用不同的分類方法進(jìn)行監(jiān)督分類 63. 結(jié)果與分析 9 四種分類結(jié)果簡單目視判斷 9 用混淆矩陣進(jìn)行分類精度評價(jià) 10 計(jì)算分類結(jié)果混淆矩陣 10 混淆矩陣中的幾項(xiàng)評價(jià)指標(biāo) 13 四種分類方法精度比較 14 隨機(jī)選擇像素點(diǎn)來比較不同分類方法的結(jié)果 14 像素點(diǎn)1 14 像素點(diǎn)2 15 像素點(diǎn)3 16 像素點(diǎn)4 16 像素點(diǎn)5 17 像素點(diǎn)6 18 像素點(diǎn)7 18 像素點(diǎn)8 194. 討論 20參考文獻(xiàn) 20致謝 21摘要基于監(jiān)督分類方法在遙感影像分類中的普遍應(yīng)用，介紹了四種ENVI提供的比較常用的、算法簡單、計(jì)算時間較短的四種分類方法。對同一土壤剖面影像運(yùn)用這四種方法進(jìn)行分類，并對分類結(jié)果進(jìn)行了對比，分析了這四種方法分類精度之間的差異,目的是為了更好地將土壤剖面高光譜遙感影像中的無效數(shù)據(jù)剔除，為后續(xù)的研究提供數(shù)據(jù)基礎(chǔ)。關(guān)鍵詞：PCA變換；平行六面體法；最小距離法；馬氏距離法；最大似然法 AbstractWidely used in remote sensing image classification based on supervised classification method, this paper introduces four kinds of ENVI provides a mon, simple algorithm, calculation of four kinds of classification methods for a short time. The classification of the same soil profile image by using these four methods, and the classification results are pared, analyzed the differences between the classification accuracy of the four purpose is to better the invalid data to eliminate the soil profile of hyperspectral remote sensing image, provide the data basis for the subsequent research.Key Words: PCA Transform。 Parallelpiped。 Minimum Distance。 Mahalanobis Distance。 Likelihood Classification III 1. 前言在土壤剖面制備過程中，由于土壤的含水量會對土壤的光譜產(chǎn)生影響，掩蓋其他土壤屬性對土壤光譜曲線的影響，所以要將采集的土壤剖面在室內(nèi)通風(fēng)晾干，風(fēng)干時土壤失水產(chǎn)生塊狀凝聚，有裂縫出現(xiàn)，另外土壤中的大顆?；蛘甙纪共黄降牡胤綍a(chǎn)生陰影，這些裂縫和陰影區(qū)域不具備土壤反射光譜特征，在成像光譜儀獲得的土壤剖面高光譜影像中屬于無效數(shù)據(jù)，所以需要把影像中的這些區(qū)域剔除，有利于后續(xù)的高光譜影像的研究分析。 文獻(xiàn)綜述高光譜遙感影像具有光譜分辨率高、信息量大、圖譜合一的特點(diǎn),具有傳統(tǒng)遙感技術(shù)無法比擬的優(yōu)勢。但是,高光譜數(shù)據(jù)的高光譜分辨率也帶來了大量數(shù)據(jù)的冗余,在將其運(yùn)用于各領(lǐng)域之前,必須進(jìn)行必要的數(shù)據(jù)處理。因此,如何有效的提取高光譜數(shù)據(jù)信息成為當(dāng)前研究的熱點(diǎn)之一（李靜，2012）遙感作為采集地球數(shù)據(jù)及其變化信息的重要技術(shù)手段，在世界范圍內(nèi)以及我國的許多政府部門、科研單位和公司得到廣泛的應(yīng)用，不同領(lǐng)域遙感影像的應(yīng)用對遙感影像處理技術(shù)提出了不同的要求，影像分類是影像處理的重要環(huán)節(jié)，所以具有很大的研究意義，隨著各種新理論新方法的相繼涌現(xiàn)，遙感影像存在多種分類方法，通過幾種常用監(jiān)督分類方法的比較發(fā)現(xiàn)，每種分類方法都有最適合應(yīng)用的范圍和自身的局限性，沒有一種是最普遍最佳的方法，所以必須靈活應(yīng)用，綜合應(yīng)用多種分類方法，并且與其他影像處理技術(shù)結(jié)合起來實(shí)現(xiàn)最大精度的分類。（閆琰等，2011）。非監(jiān)督分類是指在分類時對需要分類的地物完全沒有加入任何已知的信息,而僅僅依靠地物的自然特性,非監(jiān)督分類的實(shí)質(zhì)是聚類分析法,由于在非監(jiān)督分類過程中沒有類別先驗(yàn)知識的影響,因此無法判斷分類的結(jié)果分別代表哪一類實(shí)際地物,而且很難保證所有的特征是被分類別最具有判斷力的特征。所以分類精度不夠理想,而且對于龐大的高光譜數(shù)據(jù)來說,分類速度較慢。但該方法不需要對分類區(qū)域有廣泛的了解,而且人為誤差的機(jī)會少。所以可以與監(jiān)督分類結(jié)合使用（李靜，2012）。自 20 世紀(jì) 70 年代以來，隨著數(shù)字成像技術(shù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，影像處理、分類與信息提取的算法層出不窮。高光譜影像的分類與多光譜有很大不同，目前有沿用傳統(tǒng)針對多光譜的分類算法，也發(fā)展了針對高光譜的算法。在高光譜遙感分類及信息提取領(lǐng)域各種算法層出不窮，基于光譜特征的分類是高光譜的特色（林娜，2011）。傳統(tǒng)遙感影像分類多是基于統(tǒng)計(jì)特征的。如平行管道、最大似然、最小距離、馬氏距離等，原來針對多光譜數(shù)據(jù)的處理手段在高光譜的數(shù)據(jù)分析中多有使用。如 XiuPing Jia（2002）就采用最大似然、主成分變換等對高光譜數(shù)據(jù)進(jìn)行了分析。佘紅偉，張艷寧（2008）、無法獲得足夠多的訓(xùn)練樣本、維數(shù)災(zāi)難(Hughes)等問題。高光譜遙感圖像中端元的提取是理解高光譜數(shù)據(jù),繼而對數(shù)據(jù)進(jìn)行進(jìn)一步分析的前提條件。Boardman（1993）發(fā)展了凸面幾何學(xué)分析, Boardman、Kruse、Green（1995）發(fā)展了純象元指數(shù)(PPI)端元提取算法。NFindr(Winter,1999)算法尋找一組像元，它們所構(gòu)成的單純形體具有最大的體積,是一種全自動的端元選取算法。近年來陳偉， 陳偉，余旭初（2011）等利用粒子群優(yōu)化(PSO)技術(shù),基于凸面幾何學(xué)理論,設(shè)計(jì)了一個新的端元提取算法。李姍姍,田慶（2009）提出了一種高光譜遙感圖像的端元遞進(jìn)提取算法。吳波,張良培,李平湘（2005）根據(jù)迭代誤差分析思路，結(jié)合端元存在的空間信息,自動提取出端元光譜。由于高光譜遙感數(shù)據(jù)具有高維的光譜特征,基于光譜特征的分類及信息提取是一個重要的研究方向，是高光譜遙感數(shù)據(jù)特有的識別方法。代表性的有光譜角度填圖(SAM) (Kruse，1993)，交叉相關(guān)光譜匹配技術(shù)(CCSM)，二值編碼匹配(Mazer，1988)，波譜特征擬合（SFF）等。近年來也有些學(xué)者對此類算法進(jìn)行了深入研究，如周源， 方圣輝， 李德仁（2011）提出了一種新的光譜匹配算法——光譜角敏感森林方法。王毅,張良培,李平湘(2007)提出了一種基于局部自動搜索和光譜匹配技術(shù)的監(jiān)督分類訓(xùn)練樣本的純化方法。目前許多新的人工智能算法也被引入高光譜圖像分類中，如自組織映射、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(jī)（Support Vector Machine,SVM）（劉江永，2009）等。徐宏根、馬洪超、李德仁（2007）將自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)與混合像元分解相結(jié)合對高光譜影像進(jìn)行分類研究，獲得了較好的分類效果。官莉,劉旸,張雪慧(2010)