影像信息提取之面向?qū)ο筇卣魈崛×鞒?編輯修改稿)
2025-05-09 06:36 本頁面
【文章內(nèi)容簡介】 w。在Toolbox中找打該工具，雙擊打開流程化的面板，前面兩步和第一種方法的前兩步完全一致，選擇數(shù)據(jù)和發(fā)現(xiàn)對象，在此不一一贅述。我們直接看特征提取這部分：基于樣本的圖像分類。第三步：基于樣本的圖像分類經(jīng)過圖像分割和合并之后，進入到監(jiān)督分類的界面，如下圖所示：圖10監(jiān)督分類界面1)選擇樣本對默認的一個類別，在右側(cè)的Class Properties中，修改顯示顏色、名稱等信息。圖11修改類別屬性信息在分割圖上選擇一些樣本，為了方便樣本的選擇，可以在左側(cè)圖層管理中將Region Means圖層關(guān)閉掉，顯示原圖，選擇一定數(shù)量的樣本，如果錯選樣本，可以在這個樣本上點擊左鍵刪除。一個類別的樣本選擇完成之后，新增類別，用同樣的方法修改類別屬性和選擇樣本。在選擇樣本的過程中，可以隨時預覽結(jié)果?？梢园褬颖颈４鏋閟hp文件以備下次使用。點擊按鈕可以將真實數(shù)據(jù)的ShapeFile矢量文件作為訓練樣本。這里我們建立5個類別：道路、房屋、草地、林地、水泥地，分別選擇一定數(shù)量的樣本，如下圖所示。圖12選擇樣本2)設置樣本屬性切換到Attributes Selection選項。默認是所有的屬性都被選擇，這些選擇樣本的屬性將被用于后面的監(jiān)督分類。可以根據(jù)提取的實際地物特性選擇一定的屬性。這里按照默認全選。圖13樣本屬性選擇3)選擇分類方法切換到Algorithm選項。FX提供了三種分類方法：K鄰近法（K Nearest Neighbor）、支持向量機（Support Vector Machine，SVM）和主成分分析法（Principal Components Analysis，PCA）。圖14分類方法K鄰近分類方法依據(jù)待分類數(shù)據(jù)與訓練區(qū)元素在N維空間的歐幾里得距離來對影像進行分類，N由分類時目標物屬性數(shù)目來確定。相對傳統(tǒng)的最鄰近方法，K近鄰法產(chǎn)生更小的敏感異常和噪聲數(shù)據(jù)集，從而得到更準確地分類結(jié)果，它自己會確定像素最可能屬于哪一類。在K參數(shù)里鍵入一個整數(shù)，默認值是1，K參數(shù)是分類時要考慮的臨近元素的數(shù)目，是一個經(jīng)驗值，不同的值生成的分類結(jié)果差別也會很大。K參數(shù)設置為多少依賴于數(shù)據(jù)組以及您選擇的樣本。值大一點能夠降低分類噪聲，但是可能會產(chǎn)生不正確的分類結(jié)果，一般值設到37之間就比較好。支持向量機是一種來源統(tǒng)計學習理論的分類方法。選擇這一項，需要定義一系列參數(shù)：a)Kernel Type下拉列表里選項有Linear，Polynomial，Radial Basis，以及Sigmoid。n如果選擇Polynomial，設置一個核心多項式（Degree of Kernel Polynomial）的次數(shù)用于SVM，最小值是1，最大值是6。n如果選擇Polynomial or Sigmoid，使用向量機規(guī)則需要為Kernel指定the Bias，默認值是1。n如果選擇是Polynomial、Radial Basis、Sigmoid，需要設置Gamma in Kernel Function參數(shù)。這個值是一個大于零的浮點型數(shù)據(jù)。默認值是輸入圖像波段數(shù)的倒數(shù)。b）為SVM規(guī)則指定the Penalty參數(shù)，這個值是一個大于零的浮點型數(shù)據(jù)。這個參數(shù)控制了樣本錯誤與分類剛性延伸之間的平衡，默認值是100。Allow Unclassified是允許有未分類這一個類別，將不滿足條件的斑塊分到該類，默認是允許有未分類的類別。Threshold為分類設置概率域值，如果一個像素計算得到所有的規(guī)則概率小于該值，該像素將不被分類，范圍是0~100，默認是5。主成分分析是比較在主成分空間的每個分割對象和樣本，將得分最高的歸為這一類。這里我們選擇K鄰近法，K參數(shù)設置為5，點擊Next，輸出結(jié)果。最終結(jié)果的輸出方法和基于規(guī)則的一樣。直接輸出矢量該方法的工具為Toolbox/Feature Extraction/Segment Only Feature Extraction Workflow。操作方法參考前面的第一和第二步驟，第三步直接選擇路徑輸出分割柵格結(jié)果和矢量結(jié)果。從以上的實際操作可以看到，ENVI FX擴展模塊操作具有易于操作（向?qū)Р僮髁鞒蹋?，隨時預覽效果和修改參數(shù)。小結(jié)基于像元的分類方法，依據(jù)主要是利用像元的光譜特征，大多應用在中低分辨率遙感圖像。而高分辨率遙感圖像的細節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾。而面向?qū)ο蠓诸惙椒梢愿叻直媛蕡D像豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息，可以結(jié)合專家知識進行分類，可以顯著提高分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，還是一種非常有效的信息提取方法，具有很好的應用前景。ENVI FX操作說明（補充）ENVI FX的操作可分為兩個部分：發(fā)現(xiàn)對象（Find Object）和特征提?。‥xtract features）。 準備工作根據(jù)數(shù)據(jù)源和特征提取類型等情況，可以有選擇的對數(shù)據(jù)做一些預處理工作。l空間分辨率的調(diào)整如果您的數(shù)據(jù)空間分辨率非常高，覆蓋范圍非常大，而提取的特征地物面積較大（如云、大片林地等）?？梢越档头直媛?，提供精度和運算速度?？衫肊NVI主界面Basic ToolResize Data工具實現(xiàn)。l光譜分辨率的調(diào)整如果您處理的是高光譜數(shù)據(jù)，可以將不用的波段除去?？衫肊NVI主界面Basic Toollayer stacking工具實現(xiàn)。l多源數(shù)據(jù)組合當您有其他輔助數(shù)據(jù)時候，可以將這些數(shù)據(jù)和待處理數(shù)據(jù)組合成新的多波段數(shù)據(jù)文件，這些輔助數(shù)據(jù)可以是DEM, lidar 影像, 和SAR 影像。當計
公司管理相關(guān)推薦
鄂ICP備17016276號-1