不同時期天水市tm遙感影像特征與分類分析_畢業(yè)論文(編輯修改稿)
2024-08-09 17:18 本頁面
【文章內(nèi)容簡介】 多光譜圖像。再對已合成的數(shù)據(jù) 進行空間剪切，剪切出所要處理的那部分圖像作為主要的研究區(qū)。 分類方法 遙感圖像包括了豐富的光譜信息，光譜信息反應了地物的某種物理測量值大小，是地物特征較直觀的反映，不同地物 的光譜特征不同〔圖 3〕。遙感圖像分類是將圖像的所有 像 元按其性質(zhì)分為若干個類別， 按照像元之間的相似度分類， 遙感圖像分類 包括 監(jiān)督分類和非監(jiān)督分類。本次分類研究采用了多光譜數(shù)據(jù)監(jiān)督分類法，以 TM 數(shù)據(jù)為主要信息源，配合同年實地調(diào)查結(jié)果，經(jīng)過 的處理，生成主要地物的分類圖。 圖 3 天水市 TM 遙感影像主要地物平均波譜 The surface feature of average spectrum of TM remote sensing image in TianShui City 監(jiān)督分類主要按以下步驟進行，首先要選定分類方案，確定要將遙感影像分成哪些類別；其次要為每個類別選取訓練樣本，要選的準確、全面；再選取適當?shù)姆诸愄卣?，所選特征要保證訓練樣本之間的可分性要高；然后選擇適當?shù)姆诸惙椒?，確定所有像元類別并進行精度評價。 在 1992 年的 T T T4 三 個 波段合成的假彩色合成圖像上，根據(jù) 不同 地物的 特征和分析， 采 用目 視解譯法， 并 根據(jù)國家土地利用分類的標準和已有的城市地類研究的結(jié)果，結(jié)合專家已經(jīng)得出的遙感圖 像上地物類別的解譯原理，在 研究區(qū)確定其主要的地物類型，主要有 5 種 地物：河流、植被、耕地、 裸地和建筑區(qū)。 再 結(jié)合部分地區(qū)的實地考察及借助 google earth 中的遙感圖像作為參考，得出天水市區(qū)的典型地物類型的目視解譯標志。 然后選取感興趣區(qū)，對研究區(qū)選擇不同的方法進行分類。每種方法的最終分類結(jié)果 大致分為五類，用紅色表示河流，綠色表示植被分布區(qū)，藍色表示城鄉(xiāng)建筑區(qū)，深紅色表示耕地，黃色表示裸地。 天水師范學院畢業(yè)論文 表 1 典型地物目標解譯標 志 Table1: The objective interpretation signs of classic surface feature 地物類型 圖像特征 樣本圖片 河流 橘黃色；線狀 植被 綠色；塊狀 耕地 淺綠色；有規(guī)則的塊狀 裸地 白色；塊狀 建筑地 紫色；不規(guī)則的小塊狀 最大似然分類法 最大似然分類法是經(jīng)常使用的監(jiān)督分類方法之一，它是通過計算每個像元對于各類別 的 歸屬概率，把該像元分到歸屬概率最大的類別中去的方法。最大似然法假設訓練 區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布，利用訓練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù)，從而可求出總體的先驗概率密度函數(shù)。此時，像元X 歸為類別 k 的歸屬概率 Lk 表示如下（這里省略了和類別無關的數(shù)據(jù)項）。 ? ? ? ? ? ? ? ?1 12 2 12 d e t e x p 2n tk k k kx x xL ? ??? ????? ? ? ? ? ? ? ? ?? ? ? ????????? ?? 在該式中， n：特征空間的維數(shù)； p（ k）：類別 k 的先驗概率； kL （ x）：像元 x 歸并到到類別 k 的歸屬概率； x：像元向量； k? ：類別 k 的平 均向量即 n 維列向量； det：矩陣A 的行列式； ∑k：類別 k 的方差、協(xié)方差矩。在分類過程中主要是通過改變概率閾值天水師范學院畢業(yè)論文 來生成分類影像。分類圖像如圖 4 所示： 圖 4 最大似然法分類后的結(jié)果 The results of Maximum likelihood classification 對分類后的圖像進行分類精度評價，主要是選點然后進行數(shù)據(jù)統(tǒng)計分析，可以得出的一個混淆矩陣，在該矩陣中可以看出各種地物的分類效果以及總得分類效果。 表 2 研究區(qū)最大似然分類精度評價結(jié)果 Table2: The evaluation results of classification accuracy of Maximum likelihood classification in study areas 河流 植被 居民區(qū) 裸地 耕地 用戶精度（ %） 河流 107 21 0 12 8 植被 0 199 10 9 34 居民區(qū) 5 51 57 0 11 裸地 1 1 15 69 26 耕地 5 18 5 11 87 生產(chǎn)精度 (%) 總體精度： % Kappa 系數(shù)： 最小距離法 最小距離法使用了每個感興趣區(qū)的均值矢量，并以均值向量作為該類在特征空間中的中心位置，來計算每一個未知象元到每一類均值矢量的距離，到哪一類中心的距離最小，像元都將被分類到那一類。這種方法原理簡單，分類精度不高，但計算速度快，可以在快速瀏覽分類概況中使用。在分類過程中主要是利用改變標準差和最大距離誤差來生成分類影像。分類圖像如圖 5 所示： 天水師范學院畢業(yè)論文 圖 5 最小距離法分類后的結(jié)果 The results of Minimum distance classification 分類后精度評價結(jié)果如下表： 表 3 研究區(qū)最小距離法分類精度評價結(jié)果 Table3: The evaluation results of classification accuracy of Minimum distance in study areas 河流 植被 居民區(qū) 裸地 耕地 用戶精度（ %） 河流 52 9 11 22 3 植被 12 48 10 4 30 居民區(qū) 4 1 71 16 1 裸地 10 3 18 80 1 耕地 7 6 2 13 17 生產(chǎn)精度（ %） 總體精度： % Kappa 系數(shù)： 平行六面體法 平行六面體法 用一條簡單的判定規(guī)則對多光譜數(shù)據(jù)進行分類，根據(jù)訓練樣本的亮度值形成一個 n維的平行六面體數(shù)據(jù)空間，其它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，就被劃分其類別中。平行六面體的尺度是由標準差閾值所確定的，而 該標準差閾值則是根據(jù)每種所選類的均值求出的。分類結(jié)果如圖 6所示： 天水師范學院畢業(yè)論文 圖 6 平行六面體法分類結(jié)果 The result of parallelepiped classification 分類后精度評價結(jié)果如下表 ： 表 4 研究區(qū)平行六面體法分類精度評價結(jié)果 Table4: The evaluation results of classification a
研究報告相關推薦
鄂ICP備17016276號-1