【正文】 的第7個像素在10列，154行，稱作像素點7，將像素點7定位在三種分類結果影像和原始影像中，如圖第一排左起分別為最小距離法分類結果影像、馬氏距離法分類結果影像、最大似然法分類結果影像、原始影像的縮放窗口，可以看出，只有馬氏距離法把該點分到了正常土壤中，查看該點的波譜剖面曲線圖，如圖32，在1400處有明顯的水分吸收谷，可以判斷該點為正常土壤，所以對于像素點7，馬氏距離法的分類結果相對較好。圖21 將像素點2定位在三種分類結果影像和原始影像中Figure 21 The pixel dots 2 positioning in the three classification results and original image圖22 像素點2的波譜剖面曲線Figure 22 Spectral profile graph of pixel 2 像素點3選取的第3個像素在108列，183行，稱作像素點3，將像素點3定位在三種分類結果影像和原始影像中，如圖第一排左起分別為最小距離法分類結果影像、馬氏距離法分類結果影像、最大似然法分類結果影像、原始影像的縮放窗口，可以看出，只有最大似然法把該點分到了裂縫和陰影類中，查看該點的波譜剖面曲線圖，如圖24，在1400處有明顯的水分吸收谷，可以判斷該點為正常土壤，所以對于像素點3，最大似然法的分類結果相對較好。其他三種分類方法的總體分類精度和Kappa系數都很高，錯分誤差和漏分誤差都很低（%），說明分類效果很好。例如，在圖15中，ground truth (pixels)表中，正常土壤共有479個地表真實像元，其中213個正確分類，因此制圖精度是213/479=%。漏分誤差顯示在混淆矩陣的列中。例如，在圖15中，裂縫和陰影類共有地表真實像元515個，其中253個分類是正確的。例如，在圖15中ground truth (pixels)表中， 正常土壤的地面真實欄中顯示該類地表真實值為479個像元，分類能對其中的213個像元進行正確分類，有4個像元未參加分類，有262個像元被歸為裂縫和陰影。%。點擊OK，在打開的對話框中使用默認值，點擊確定，生成分類結果的精度表，如圖15.圖15 平行六面體法分類結果的精度圖Figure 15 The accuracy of classification results of Parallelpiped其它三種分類結果的精度圖如圖16,17,18.圖16 最小距離法分類結果的精度圖Figure 16 The accuracy of classification results of minimum distance 圖17 馬氏距離法分類結果的精度圖Figure 17 The accuracy of classification results of Mahalanobis Distance圖18 最大似然法分類結果的精度圖Figure 18 The accuracy of classification results of Likelihood Classification 混淆矩陣中的幾項評價指標 （Overall Accuracy）總體分類精度：等于被正確分類的像元總和除以總像元數。以平行六面體法分類結果為例，計算混淆矩陣，另外三種分類結果的計算方法類似。 四種分類結果簡單目視判斷四種分類結果如圖8，9，10，11，圖12是原始影像。除非選擇一個可能性閾值，所有像元都將參與分類。在ENVI主菜單上選擇Classification Supervised Minimum Distance，打開Classification Input File對話框，選擇pcResize作為輸入影像，點擊確定，再彈出的對話框上點擊Select All Items，然后選擇輸出文件的位置和名稱，其它參數默認，最后計算出的分類結果影像如圖9。圖6 ROI的選取Figure 6 ROI selection 用不同的分類方法進行監(jiān)督分類（Parallelpiped）法根據訓練樣本的亮度值形成一個n維的平行六面體數據空間，其他像元的光譜值如果落在平行六面體任何一個訓練樣本所對應的區(qū)域，就被劃分其對應的類別中。of 選擇訓練樣本打開影像，File → Open監(jiān)督分類是需要學習訓練的分類方法，如最大似然分類，人工神經網絡分類，即是需要事先為每類地物在遙感影像上采集樣本數據，之后通過學習訓練過程才來分類。 方法為了隔離噪聲和減少數據集的維數，需要對原始影像進行PCA變換，主成分分析(PCA)通過使用Principal Components選項生成互不相關的輸出波段，主成分（PC）波段是原始波譜波段的線性合成，它們之間是互不相關的。 研究目的為了將土壤剖面高光譜影像的裂縫和陰影區(qū)域剔除， 需要將土壤剖面上的裂縫和陰影與正常突然分成不同的類別，本文采用幾種不同的監(jiān)督分類法對土壤剖面高光譜影像分類，并比較不同分類方法的精度差別，為后續(xù)的研究提供數據基礎。馮靜、舒寧（2009）將改進型遺傳算法和支持向量機結合進行波段選擇和圖像分類得到了滿意的效果。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、人工神經網絡、遺傳算法、支持向量機（Support Vector Machine,SVM）（劉江永，2009）等。由于高光譜遙感數據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，是高光譜遙感數據特有的識別方法。NFindr(Winter,1999)算法尋找一組像元，它們所構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。如 XiuPing Jia（2002）就采用最大似然、主成分變換等對高光譜數據進行了分析。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。所以分類精度不夠理想,而且對于龐大的高光譜數據來說,分類速度較慢。但是,高光譜數據的高光譜分辨率也帶來了大量數據的冗余,在將其運用于各領域之前,必須進行必要的數據處理。 Minimum Distance?；贓NVI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 選擇訓練樣本 4 用不同的分類方法進行監(jiān)督分類 63. 結果與分析 9 四種分類結果簡單目視判斷 9 用混淆矩陣進行分類精度評價 10 計算分類結果混淆矩陣 10 混淆矩陣中的幾項評價指標 13 四種分類方法精度比較 14 隨機選擇像素點來比較不同分類方法的結果 14 像素點1 14 像素點2 15 像素點3 16 像素點4 16 像素點5 17 像素點6 18 像素點7 18 像素點8 194. 討論 20參考文獻 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用，介紹了四種ENVI提供的比較常用的、算法簡單、計算時間較短的四種分類方法。 Parallelpiped。 文獻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,具有傳統(tǒng)遙感技術無法比擬的優(yōu)勢。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)督分類的實質是聚類分析法,由于在非監(jiān)督分類過程中沒有類別先驗知識的影響,因此無法判斷分類的結果分別代表哪一類實際地物,而且很難保證所有的特