Experimento 17 Procesamiento de clasificación supervisado de imágenes de teledetección

Utilizando los comandos de seis clasificadores principales supervisados ​​por teledetección: clasificación de paralelopípedo ENVI, clasificación de distancia mínima, clasificación de distancia de Mahalanobis, clasificación de máxima verosimilitud, clasificación de redes neuronales y clasificación de máquinas de vectores de soporte, profundizar su comprensión de los principios de la clasificación de supervisión de teledetección, comprenda su proceso de implementación técnica y domine inicialmente las operaciones básicas de sus comandos de función ENVI.

2. Contenido experimental

① Clasificación en paralelo de imágenes de teledetección de Guilin TM; ② Clasificación de distancia mínima de imágenes de teledetección de Guilin TM ③ Clasificación de distancia de Mahalanobis de imágenes de teledetección de Guilin TM; ④ Clasificación de máxima verosimilitud de imágenes de teledetección de Guilin TM; ⑤ Clasificación de redes neuronales de imágenes de teledetección de Guilin TM; ⑥ Aplicación de máquinas de vectores de soporte en la clasificación de imágenes de teledetección de Guilin TM;

3. Requisitos experimentales

① Los seis métodos de clasificación de paralelepípedo, distancia mínima, distancia de Mahalanobis, máxima verosimilitud, red neuronal y máquina de vectores de soporte son relativamente complejos en teoría. Para obtener buenos resultados experimentales, es necesario prever sus principios antes del experimento y comprender y dominar teóricamente sus características, similitudes y diferencias. (2) Determinar los datos geológicos conocidos necesarios para entrenar muestras para métodos de procesamiento de clasificación y prepararlos con anticipación. ③Escribe un informe de experimento. (4) Dado que es una gran carga de trabajo hacer seis categorías al mismo tiempo, puedes elegir hacer algunas de ellas de acuerdo con el tiempo real de clase. La distancia mínima se clasifica como un método imprescindible.

IV.Condiciones técnicas

①Microcomputadora; ②Datos de teledetección a todo color de Kuaiyao en el área de Guanyang; ③Software ENVI (versión 6.0 o superior) y software ACDSee (versión 4.0 o superior). ).

Pasos experimentales del verbo (abreviatura de verbo)

La clasificación supervisada de imágenes de teledetección se puede dividir en cuatro procesos: selección de muestras, clasificación supervisada, evaluación de resultados de clasificación y posprocesamiento de clasificación. Los pasos específicos son los siguientes.

(A) Definición de entrenamiento

1. Selección de muestra

(1) En el menú principal de ENVI, seleccione "Archivo gt abrir archivo de imagen" para abrir Los datos de teledetección a todo color de Kuainiao en el área de Guanyang se sintetizan en RGB usando Band3, Band 4 y Band 1, y se muestran en "Display". A través del análisis de las imágenes se seleccionaron cuatro muestras de terrenos cultivados, terrenos forestales, zonas residenciales y cuerpos de agua.

Figura 17-1 Cuadro de diálogo de la herramienta ROI

(2) En la ventana de la imagen principal, seleccione "Superposición > Región de interés" para abrir el cuadro de diálogo "Herramienta ROI", como como Como se muestra en la Figura 17-1.

(3) En el cuadro de diálogo "Herramienta ROI", seleccione la opción "Ventana" y dibuje el ROI en la ventana "Imagen", "Desplazamiento" o "Zoom" e ingrese en el "Nombre del ROI"; "campo Nombre de la muestra; en el campo de color, haga clic derecho para seleccionar un color.

(4) En el cuadro de diálogo "Herramienta ROI", seleccione "Tipo de ROI>: Polígono" y dibuje el área de interés en la ventana "Imagen", "Desplazamiento" o "Zoom".

(5) Después de dibujar un tipo de ROI, en el cuadro de diálogo "Herramienta ROI", seleccione el botón Nueva región para crear otro tipo de muestra y repita la operación anterior.

2. Evaluar muestras de entrenamiento

En el cuadro de diálogo ROI, seleccione la opción gt Calcular separabilidad de ROI", abra el archivo de imagen a clasificar, seleccione todos los tipos de muestra definidos y The La separabilidad de las muestras se puede calcular, como se muestra en la Figura 17-2, que representa la separabilidad entre varios tipos de muestras, representada por la distancia de Jeffries-Matusita y la divergencia de la transformación. ENVI calcula la distancia y la transformación de Jeffries-Matusita para cada combinación de ROI. En la parte inferior del cuadro de diálogo, las combinaciones de ROI se enumeran de menor a mayor según sus valores de separabilidad.

Los valores de estos dos parámetros están entre 0-2,0 y más de 1,9, lo que indica que la muestra tiene buena separabilidad y es una muestra calificada, si es inferior a 1,8, la muestra debe volver a seleccionarse; 1, considere fusionar los dos tipos de muestras en una muestra de clase.

Figura 17-2 Ejemplo de informe de cálculo de separabilidad

(2) Implementar supervisión de clasificación

Seleccione "Clasificación" Supervisada >> Tipo de clasificador", puede elegir un Clasificador basado en los requisitos de complejidad y precisión de la clasificación.

1. Clasificadores paralelos

Los paralelogramos utilizan reglas de decisión simples para clasificar datos multiespectrales con límites de decisión. en el espacio. El tamaño del paralelepípedo está determinado por el umbral de la desviación estándar de cada banda de clasificación seleccionada. Si un valor de píxel se encuentra entre los umbrales bajo y alto de las n bandas de clasificación, pertenece a esa clase. cae en varias clases, ENVI clasificará el píxel en la última clase coincidente. El área que no pertenece a ninguna categoría de paralelepípedo se denomina área libre de clases. Los pasos de operación son los siguientes:

( 1. ) Seleccione "Clasificación>: Paralelepípedo gt supervisado", seleccione la imagen de detección remota que se clasificará en el cuadro de diálogo del archivo de entrada de clasificación y abra el cuadro de diálogo "Parámetros del paralelopípedo", como se muestra en la Figura 17-3. p >Figura 17-3 Cuadro de diálogo de configuración de parámetros del clasificador de paralelogramo

(2) Seleccione una categoría del área: haga clic en el botón "Seleccionar todo" para seleccionar todas las muestras de entrenamiento

(. 3) )Establezca la desviación estándar máxima de la media: Establezca el umbral de desviación estándar. Hay tres tipos: sin umbral de desviación estándar (Ninguno), umbral de desviación estándar para todas las categorías (valor único) y umbral de desviación estándar para cada categoría (. múltiples valores). /p>

(4) Seleccione "Valor único" e ingrese el umbral de desviación estándar en el cuadro de texto "Desviación estándar máxima de la media".

(5) Haga clic en la vista previa. para obtener una vista previa de los resultados de la clasificación.

(6) Seleccione la ruta de salida y el nombre del archivo de los resultados de la clasificación.

(7) Establezca "Imagen de regla de salida": si se selecciona regular. datos de imagen

(8) Después de configurar los parámetros anteriores, haga clic en el botón Aceptar para realizar el procesamiento de clasificación

2. Clasificador de distancia mínima

La clasificación de distancia mínima. utiliza el vector promedio de cada unidad terminal para calcular el punto inicial. La distancia euclidiana de cada píxel desconocido a cada vector medio. Todos los píxeles se clasifican en la clase más cercana, a menos que la desviación estándar y los límites de distancia sean finitos (en cuyo caso algunos píxeles). no satisfará la clase elegida) y quedará "sin clasificar"), los pasos de operación son los siguientes:

(1) Seleccione "Clasificación>; Distancia mínima gt supervisada" y seleccione la imagen de detección remota. Para clasificarlo en el cuadro de diálogo del archivo de entrada de clasificación, abra el cuadro de diálogo "Distancia mínima", como se muestra en la Figura 174

Figura 17-4 Cuadro de diálogo Configuración de parámetros del clasificador de distancia mínima

(2) Seleccione una categoría del área: haga clic en el botón "Seleccionar todo" para seleccionar todas las muestras de entrenamiento.

(3) Establezca la desviación estándar máxima de la media: hay tres tipos de umbrales de desviación estándar. : Sin umbral de desviación estándar (Ninguno), todas las categorías Umbral de desviación estándar (valor único), umbral de desviación estándar para cada categoría (valores múltiples).

(4) Seleccione "Valor único" e ingrese el umbral de desviación estándar en el cuadro de texto "Desviación estándar máxima de la media".

(5) Establecer el error de distancia máximo: Establece el error de distancia máximo permitido. Los píxeles con una distancia mayor a este valor no se clasificarán en esta categoría. Si no cumplen con el error máximo de distancia para todas las categorías, serán clasificados en el tipo no clasificado. Hay tres tipos: sin error de distancia máxima (ninguno), error de distancia máximo para todas las clases (valor único) y error de distancia máximo por clase (valores múltiples).

(6) Haga clic en el botón de vista previa para obtener una vista previa de los resultados de la clasificación.

(7) Seleccione la ruta de salida y el nombre del archivo de los resultados de la clasificación.

(8) Establezca "Imagen de regla de salida": si se seleccionan datos de imagen normales.

(9) Después de configurar los parámetros anteriores, haga clic en Aceptar para realizar el procesamiento de clasificación.

.3 Clasificador de distancia de Mahalanobis

La clasificación de distancia de Mahalanobis es un clasificador de distancia sensible a la dirección que utiliza estadísticas en la clasificación. Es algo similar a la clasificación de máxima verosimilitud, pero es un método más rápido y supone que las covarianzas de todas las clases son iguales. Todos los píxeles se clasifican como la clase de ROI más cercana, a menos que el usuario defina un umbral de distancia (en este caso, si algunos píxeles no están dentro del umbral, se clasificarán como sin clase), los pasos de la operación son los siguientes:

(1) Seleccione "Clasificación > Distancia GT Mahalanobis supervisada", seleccione la imagen de detección remota que se clasificará en el cuadro de diálogo del archivo de entrada de clasificación y abra el cuadro de diálogo Distancia de Mahalanobis, como se muestra en la Figura 17-5.

(2) Seleccione una categoría del área: haga clic en el botón "Seleccionar todo" para seleccionar todas las muestras de capacitación.

Figura 17-5 Cuadro de diálogo de configuración de parámetros del clasificador de distancia Mahalanobis

(3) Establecer el error de distancia máximo: Establezca el error de distancia máximo permitido. Los píxeles con una distancia mayor a este valor no se clasificarán en esta categoría. Si no cumplen con el error máximo de distancia para todas las categorías, serán clasificados en el tipo no clasificado. Hay tres tipos: sin error de distancia máxima (ninguno), error de distancia máximo para todas las clases (valor único) y error de distancia máximo por clase (valores múltiples).

(4) Haga clic en el botón de vista previa para obtener una vista previa de los resultados de la clasificación.

(5) Seleccione la ruta de salida y el nombre del archivo de los resultados de la clasificación.

(6) Establezca "Imagen de regla de salida": si se seleccionan datos de imagen normales.

(7) Después de configurar los parámetros anteriores, haga clic en Aceptar para realizar el procesamiento de clasificación.

4. Clasificador de máxima verosimilitud

La clasificación de máxima verosimilitud supone que cada clase estadística en cada banda está distribuida uniformemente y calcula la probabilidad de que un píxel determinado pertenezca a una posibilidad de clase específica. A menos que se seleccione un umbral de probabilidad, todas las celdas participan en la clasificación. Cada píxel se clasifica en la clase más probable. Los pasos de la operación son los siguientes:

(1) Seleccione "Clasificación > Máxima verosimilitud de GT supervisado", seleccione la imagen de detección remota que se clasificará en el cuadro de diálogo del archivo de entrada de clasificación y abra los "Parámetros de máxima verosimilitud". "marco del cuadro de diálogo, como se muestra en la Figura 17-6.

(2) Seleccione la clase de regio: n y haga clic en el botón Seleccionar todos los elementos en el punto S para seleccionar todas las muestras de entrenamiento.

Figura 17-6 Cuadro de diálogo de configuración de parámetros del clasificador de máxima verosimilitud

(3) Establecer umbral de probabilidad: establece el umbral de posibilidad. Hay tres tipos: sin umbral de máxima verosimilitud (ninguno), umbral de máxima verosimilitud para todas las clases (valor único) y umbral de máxima verosimilitud para cada clase (varios valores). Si selecciona un valor único, ingrese 0 ~ 65438 en el cuadro de texto del umbral de probabilidad.

(4) Factor de escala de datos: ingrese un factor de escala de datos, que es un factor de escala utilizado para convertir los datos de reflectividad o emisividad con forma en datos de punto flotante. Por ejemplo, para datos de 8 bits sin calibración radiométrica, el factor de escala se establece en 255.

(5) Haga clic en el botón de vista previa para obtener una vista previa de los resultados de la clasificación.

(6) Seleccione la ruta de salida y el nombre del archivo de los resultados de la clasificación.

(7) Establezca "Imagen de regla de salida": si se seleccionan datos de imagen normales.

(8) Después de configurar los parámetros anteriores, haga clic en el botón Aceptar para realizar el procesamiento de clasificación.

5. Clasificador de redes neuronales

Las computadoras se utilizan para simular las estructuras que ingresan al cerebro y muchas unidades de procesamiento pequeñas se utilizan para simular neuronas biológicas. Los procesos de reconocimiento, memoria y pensamiento del cerebro humano se implementan mediante algoritmos y se aplican a la clasificación de imágenes. Los pasos de operación son los siguientes:

(1) En la barra de menú principal de ENVI, seleccione "Clasificación> Red neuronal GT supervisada", seleccione la imagen de detección remota que se clasificará en el cuadro de diálogo del archivo de entrada de clasificación. y abra el cuadro de diálogo "Parámetros de red neuronal", como se muestra en la Figura 17-7.

(2) Seleccione una categoría del área: haga clic en el botón "Seleccionar todo" para seleccionar todas las muestras de capacitación.

Figura 17-7 Cuadro de diálogo de configuración de parámetros del clasificador de redes neuronales

(3) Activación: seleccione la función de activación, incluidas Logística e Hipérbola.

(4) Colisión de umbral de entrenamiento: ingrese el umbral de contribución de entrenamiento (0 ~ 1). Este parámetro determina la contribución del peso interno en relación con el nivel del nodo activo y se utiliza para ajustar los cambios en el peso interno del nodo. El algoritmo de entrenamiento ajusta interactivamente los pesos entre los nodos y los umbrales de los nodos para minimizar la capa de salida y los errores de respuesta. Establecer este parámetro en 0 no ajusta el peso interno del nodo. Se pueden generar buenas imágenes de clasificación ajustando adecuadamente los pesos internos de los nodos, pero si los pesos son demasiado grandes, los resultados de la clasificación se verán afectados negativamente.

(5) Velocidad de entrenamiento: Establece la velocidad de ajuste del peso (0 ~ 1). Cuanto mayor sea el valor del parámetro, más rápida será la velocidad del entrenamiento, pero también aumentará el swing o hará que los resultados del entrenamiento no sean convergentes.

(6) Impulso de entrenamiento: establece el peso para ajustar el impulso (0 ~ 1). Cuando el valor es mayor que 0, ingresar un valor mayor en el cuadro de texto "Índice de entrenamiento" no provocará oscilaciones. Cuanto mayor sea el valor, mayor será el paso de entrenamiento. La función de este parámetro es cambiar el peso en la dirección actual.

(7) Criterio de salida del RMS del entrenamiento: cuando se especifica el error RMS, se debe detener el entrenamiento. Los valores de error RMS se mostrarán en el gráfico durante el entrenamiento. Cuando este valor es menor que el valor de entrada, el entrenamiento se detiene y la clasificación comienza incluso si no se alcanza el número de iteraciones.

(8) Número de capas ocultas: Introduzca el número de capas ocultas utilizadas. Para la clasificación lineal, el valor de entrada es 0; para la clasificación no lineal, el valor de entrada debe ser mayor o igual a 1.

(9) Número de iteraciones de entrenamiento: Introduzca el número de iteraciones de entrenamiento.

(10) Umbral mínimo de activación de salida: Introduzca el umbral mínimo de activación de salida. Si el valor de activación de un píxel clasificado es menor que el umbral, el píxel se clasificará como no clasificado en la clasificación de salida.

(11)Seleccione la ruta de salida y el nombre del archivo de los resultados de la clasificación.

(12) Establezca "Imagen de regla de salida": si se seleccionan datos de imagen normales.

(13) Después de configurar los parámetros anteriores, haga clic en el botón Aceptar para realizar el procesamiento de clasificación.

6. Clasificador de máquinas de vectores de soporte

La clasificación de máquinas de vectores de soporte (SVM) es un método de aprendizaje automático basado en la teoría del aprendizaje estadístico. SVM puede encontrar automáticamente aquellos vectores de soporte con gran capacidad para distinguir la clasificación, construyendo así un clasificador que puede maximizar el intervalo entre clases, teniendo así una mejor capacidad de generalización y una mayor precisión de clasificación. Los pasos de operación son los siguientes:

(1) Seleccione "Clasificación>: máquina de vectores de soporte gt supervisada", seleccione la imagen de detección remota que se clasificará en el cuadro de diálogo del archivo de entrada de clasificación y abra "Soporte Cuadro de diálogo "Parámetros de clasificación de máquinas vectoriales", como se muestra en la Figura 17-8.

Figura 17-8 Cuadro de diálogo de configuración de parámetros del clasificador de máquina de vectores de soporte

(2) Seleccione una categoría del área: haga clic en el botón "Seleccionar todo" para seleccionar todas las muestras de entrenamiento.

(Las opciones en la lista desplegable de tipo Kemel son: lineal, polinomio, función de base radial y sigmoide.

Si selecciona polinomio, debe establecer el grado del Polinomio del kernel SVM El valor mínimo es 1, el valor máximo es 6; las reglas para usar máquinas vectoriales deben especificar "este sesgo" para el kernel, el valor predeterminado es 1, el parámetro "Gamma en la función del kernel" está establecido en datos de coma flotante mayores que 0, el valor predeterminado es la banda de la imagen de entrada. El recíproco del número.

Si selecciona "Función de base radial", debe configurar el parámetro "Gamma en función del núcleo" en. un dato de punto flotante mayor que 0. El valor predeterminado es el recíproco del número de bandas de imagen de entrada.

Si selecciona Sigmoide, debe usar la regla de la máquina vectorial. Bias" para el kernel. El valor predeterminado es 1. Establezca el parámetro "Gamma en función del kernel" en algo mayor que 0. Datos de punto flotante, el valor predeterminado es el recíproco del número de banda de la imagen de entrada.

(4) Parámetro de penalización: datos de coma flotante mayores que 0. Este parámetro controla el equilibrio entre el error de muestra y la expansión rígida de la clasificación. El valor es 100.

(5) Nivel de pirámide: establece la clasificación. Nivel de procesamiento para el procesamiento de clasificación y entrenamiento de SVM. Si el valor es 0, se procesará la resolución original y el valor máximo variará con el tamaño de la imagen.

(6) Umbral de clasificación de la pirámide (0 ~ 1): cuando el valor del nivel de la pirámide es mayor que 0, es necesario establecer el umbral de reclasificación.

(7) Umbral de probabilidad de clasificación (0 ~ 1): establece un umbral de probabilidad para la clasificación. Si todas las probabilidades normalizadas calculadas para un píxel son menores que este valor, el píxel no se clasificará.

(8) Seleccione la ruta de salida y el nombre del archivo de los resultados de la clasificación.

(9) Establezca "Imagen de regla de salida": si se seleccionan datos de imagen normales.

(10) Después de configurar los parámetros anteriores, haga clic en el botón Aceptar para realizar el procesamiento de clasificación.

(3) Evaluación de los resultados de la clasificación

Después de la clasificación supervisada, es necesario evaluar los resultados de la clasificación. Este experimento utiliza el método de calcular la matriz de confusión utilizando el área de interés realista en la superficie para evaluar los resultados de la clasificación. Los pasos de la operación son los siguientes.

1. Establecer una región de interés real en la superficie

En imágenes de alta resolución, podemos obtener la región de interés real de cada categoría mediante interpretación visual. Los estudios de campo también se pueden utilizar para generar áreas de interés realistas en superficies basadas en datos de estudios. El método de adquisición es el mismo que "(1) Definir formación". Para diferenciarnos de las muestras de capacitación, utilizamos “vegetación, pueblos, ríos y tierras de cultivo” como nombres para las áreas de interés aparentes de la vida real.

2. Calcule la matriz de confusión

(1) Abra el archivo que define la muestra de verificación (es decir, la banda pancromática de Kuainiao en el área de Guanyang) y los resultados de clasificación de imágenes, y hágalos aparecer en la lista "Bandas disponibles".

(2) Seleccione "Región de interés básica gtRestaurar archivo ROI guardado" para abrir el archivo ROI realista en la superficie.

(3) Seleccione "Región de interés básica y restaurar ROI a través del mapa, abra el cuadro de diálogo "Conciliar ROI a través del mapa" (Figura 179), seleccione la región de interés real correspondiente a la superficie y haga clic el botón Aceptar.

(4) En el cuadro de diálogo "Seleccionar archivo de origen para dibujar ROI", seleccione el archivo que define la muestra de verificación (es decir, la banda pancromática de Kuainiao en el distrito de Guanyang) y haga clic. el botón Aceptar.

(5) En el cuadro de diálogo "Seleccionar archivo de destino para conciliar Roisto", seleccione el archivo de destino correspondiente, es decir, la imagen del resultado de la clasificación

(6. ) Seleccione "Clasificación>; Matriz de confusión de clasificación de posición gt. gt utiliza regiones reales de interés.

Figura 17-9 Cuadro de diálogo "Coordinar ROI a través del mapa"

(7) En En el cuadro de diálogo "Archivo de entrada de clasificación", seleccione la imagen de resultados de clasificación. El área de interés real de la superficie se carga automáticamente en el cuadro de diálogo Parámetros de clase coincidente.

(8) En el cuadro de diálogo "Hacer coincidir parámetros de categoría", seleccione el nombre que desea hacer coincidir y luego haga clic en el botón "Agregar combinación" para hacer coincidir el área de interés real en la superficie con el resultado final de la clasificación. Las coincidencias entre categorías se mostrarán en la lista en la parte inferior del cuadro de diálogo, como se muestra en la Figura 17-10. Haga clic en el botón Aceptar para generar la matriz de confusión.

Figura 17-10 Cuadro de diálogo "Parámetros de clase coincidentes"

(9) En el cuadro de diálogo de parámetros de la matriz de confusión de la ventana de salida de la matriz de confusión, seleccione píxeles y porcentajes, como se muestra en Figura 17- Se muestra en 11.

(10) Haga clic en el botón "Aceptar" para generar la matriz de confusión. El informe de la matriz de confusión de resultados incluye varios indicadores de evaluación, como la precisión de la clasificación general, el coeficiente Kappa y la matriz de confusión.

Figura 17-11 Cuadro de diálogo de salida de matriz de confusión

(4) Postprocesamiento de clasificación

En términos generales, los resultados obtenidos utilizando los métodos de clasificación anteriores son difíciles Para lograr la aplicación final, se requiere algún procesamiento para obtener el resultado final de clasificación ideal.

Figura 17-12 Editar el nombre y el color de la categoría

1. Cambie el color y el nombre de la categoría.

(1) Abra los resultados de la clasificación y muéstrelos en la ventana "Pantalla".

(2) En la ventana de imagen principal de los resultados de la clasificación, seleccione "Herramientas>Mapeo de color> Mapeo de color de clase" para abrir el cuadro de diálogo "Mapeo de color de clase", como se muestra en la Figura 17-12.

(3) Seleccione la categoría que desea modificar de la lista "Categorías seleccionadas" y cambie su color o nombre.

(4) Después de modificar el color y el nombre de la categoría a modificar, seleccione "Opciones > Guardar cambios" para guardar los cambios.

(5) Seleccione "Archivo > Cancelar" para cerrar el cuadro de diálogo "Asignación de color de categoría".

2. Procesamiento de agrupación

Inevitablemente aparecerán algunos pequeños parches en los resultados de la clasificación. Desde la perspectiva de la aplicación práctica, es necesario eliminar estos pequeños parches o reclasificarlos. Actualmente, los más utilizados son el análisis, la agrupación y el filtrado de mayoría/minoría. Este experimento elige el método de agrupación para agrupar y fusionar áreas de clasificación similares adyacentes.

El proceso de agrupamiento primero combina la clasificación seleccionada con una operación de expansión y luego erosiona la imagen clasificada con una transformación del tamaño especificado en el cuadro de diálogo de parámetros. Los pasos específicos son los siguientes:

En la barra de menú principal de ENVI, seleccione "Clasificación gtPosition Clasificacióngt Clase de clúster", en el cuadro de diálogo "Archivo de entrada de clasificación", seleccione la imagen del resultado de la clasificación y haga clic en el botón Aceptar Abra el cuadro de diálogo "Parámetros de Plex", como se muestra en la Figura 17-13. La configuración de los parámetros del cuadro de diálogo "Parámetros del paquete" es la siguiente.

(1) Seleccionar clases: haga clic en el botón Seleccionar todo para seleccionar todas las clases.

(2) Ingrese el tamaño del operador morfológico (número de filas y columnas): el predeterminado; is 3 , 3;

(3) Seleccione la ruta de salida y el nombre del archivo y haga clic en el botón Aceptar para completar el proceso de agrupación.

3. Estadísticas de clasificación

Las estadísticas de clasificación pueden calcular la información estadística de los archivos de entrada relevantes en función de los resultados de la clasificación, incluida la cantidad de píxeles en la categoría, el valor máximo y el valor mínimo. , valor promedio y categoría La desviación estándar de cada banda en . También puede registrar histogramas para cada categoría y calcular matrices de covarianza, matrices de correlación, valores propios y vectores propios, y mostrar registros resumidos para todas las categorías.

(1) En la barra de menú principal de ENVI, seleccione "Clasificación gt Posición Clasificación gt Estadísticas de clase", en el cuadro de diálogo "Archivo de entrada de clasificación", seleccione la imagen del resultado de la clasificación y haga clic en el botón Aceptar.

(2) En el cuadro de diálogo "Archivo de entrada estadística", seleccione un archivo de entrada para el cálculo de información estadística, haga clic en el botón Aceptar para abrir el cuadro de diálogo "Selección de categoría" (Figura 17-14), en En la lista "Seleccionar categoría", seleccione el nombre de la categoría que se va a contar y haga clic en el botón Aceptar. Abra el cuadro de diálogo "Calcular parámetros de estadísticas" (Figura 17-15) y seleccione las estadísticas requeridas, incluidos los siguientes tipos de estadísticas.

Figura 17-13 Cuadro de diálogo "Parámetros del plexo"

Figura 17-14 Cuadro de diálogo Seleccionar clasificación

Estadísticas básicas: incluidos los valores mínimo y máximo de todas las bandas valor, media y desviación estándar, y si el archivo es multibanda, valores propios.

Histograma: Genera un histograma estadístico de la distribución de frecuencias.

Covarianza: incluye matriz de covarianza y matriz de correlación así como valores propios y vectores propios.

(3) Hay tres formas de generar los resultados: puede mostrar los resultados en la pantalla, generar un archivo estadístico (.sta) y generar un archivo de texto, en el que el archivo estadístico generado se puede pasado por "Clasificación>: Clasificación de posición>Pantalla; abra el comando "Ver archivo de estadísticas", seleccione la ruta de salida y el nombre del archivo, y haga clic en el botón Aceptar para completar las estadísticas de clasificación.

4. Convierta el resultados de clasificación en vectores

( 1) En la barra de menú principal de ENVI, seleccione "Clasificación gt Posición Clasificación gt Clasificación a vector", en el cuadro de diálogo "Banda de entrada de ráster a vector", seleccione el resultado de la clasificación. imagen, haga clic en el botón Aceptar y abra el cuadro de diálogo "Parámetros de ráster a vector", como se muestra en la Figura 17-16.

(2) Seleccione la categoría que debe convertirse en un archivo vectorial En la pestaña "Salida", use el botón de cambio de flecha para seleccionar "Capa única" y cambie Generar todas las categorías a una capa vectorial o seleccione "Una capa por clase" para generar cada categoría seleccionada en una capa vectorial separada

(3) Seleccione la ruta de salida y el nombre del archivo. Haga clic en el botón Aceptar para completar la conversión de los resultados de la clasificación a archivos vectoriales.

Figura 17-15 Cuadro de diálogo de configuración de parámetros de estadísticas de cálculo

Figura 17-16 Configuración de parámetros de ráster a vector

Después de la clasificación supervisada de imágenes de detección remota, seis clasificadores Se utilizaron clasificadores de paralelepípedo, clasificadores de distancia mínima, clasificadores de distancia de Mahalanobis, clasificadores de máxima verosimilitud, clasificadores de redes neuronales y clasificadores de máquinas de vectores de soporte para la clasificación supervisada de imágenes rápidas de detección remota de aves en el área de Guanyang. Se utilizó la matriz de confusión para evaluar los seis resultados de clasificación y se obtuvo la precisión general de la clasificación y el coeficiente Kappa. Compare los seis resultados de clasificación, regístrelos en un archivo WORD, asígnele el nombre "Evaluación de los resultados de clasificación de seis métodos de clasificación supervisados ​​para imágenes de teledetección rápida de aves en el área de Guanyang" y guárdelo en su propia carpeta de trabajo.

Informe del experimento de verbos intransitivos

(1) Describe brevemente el proceso experimental.

(2)Respuesta: ①Según los pasos de operación experimental y la relación entre ellos, analice las similitudes y diferencias en las ideas de diseño de modelos o algoritmos de los métodos de clasificación supervisados. ② Mediante interpretación visual, compare cualitativamente las ventajas y desventajas de los efectos de reconocimiento de imágenes de las imágenes de clasificación supervisadas obtenidas.

Consulte el Apéndice 1 para conocer el formato del informe experimental.