利用属性提升影像分类精度
19013 文章评分:
4.5
利用属性提升影像分类精度
匿名作者 2016年9月20日，星期二
本文将举例说明如何通过引入不同属性来提升监督分类的精度。
监督分类通常涉及多波段影像和用于训练的地面实况数据。因此，分类通常仅限于光谱信息；例如，各波段的辐射值或反射率值。然而，向源影像中添加不同类型的数据，能为分类器在将像素分配给类别时提供更多参考信息。
属性是指有助于区分影像中不同对象的独特特征。例如，高程、纹理和饱和度。在ENVI中，您可以创建地理配准的图层堆叠影像，其中每个波段代表一个独立的属性。随后，您可以使用训练数据对属性影像进行分类。
创建属性影像是遥感中数据融合的一个例子。这是将来自多个来源的数据进行合并，以生成一个比任何单一来源都包含更详细信息的数据集的过程。
思考哪些属性最能有效区分不同类别。光谱指数易于创建，且有助于识别不同特征。如果要分类的植被类型不同，植被指数是属性影像的一个很好的补充。
以下是一些可以尝试的其他属性：
- 纹理度量（出现频率和共生矩阵）
- 合成孔径雷达数据
- 色彩变换（色调、饱和度、强度、明度）
将高程数据与源影像结合使用，有助于识别具有显著高度的特征，如建筑物和树木。如果研究区域有可用的点云数据，您可以使用ENVI LiDAR来创建数字表面模型和数字高程模型影像。使用波段运算从DSM中减去DEM，即可创建高度影像，其中像素代表以米为单位的绝对高度。在下面的示例中，最亮的像素代表树木，您还可以看到建筑物的轮廓。
空间分辨率为1米的高度影像示例
为研究区域寻找同期点云数据（最好是日期相近的）可能是一项挑战。幸运的是，我找到了一个完美的同期数据集用于分类实验。
示例
国家生态观测网络为全球陆地和水生研究站点提供实地测量和机载遥感数据集。其机载观测平台搭载了成像光谱仪，具有428个窄光谱波段，覆盖380至2510纳米，光谱采样间隔为5纳米。同时还搭载了全波形LiDAR传感器和高分辨率红/绿/蓝相机。对于给定的观测点，高光谱数据、LiDAR数据和高分辨率正射影像可在同一采样周期内获取。
我获取了2013年7月科罗拉多州大章克申附近的一份NEON数据样本。我的目标是使用属性影像和训练数据创建一份城市土地利用分类图。为了实验并减少处理时间，我只从高光谱数据集中提取了RGB和近红外波段，并用这些波段创建了一幅多光谱影像。我使用ENVI LiDAR从点云中提取了DEM和DSM。然后创建了一幅高度影像，其像素与多光谱影像完全对齐。
我使用光谱指数工具创建了增强型植被指数影像。最后，我使用图层堆叠工具将RGB/NIR影像、相对高度影像和EVI影像合并为单一的属性影像。
接下来，我使用感兴趣区域工具从多光谱影像中收集了像素样本，我知道这些样本代表了场景中的五个主要类别：水体、沥青、混凝土、草地和树木。我利用NEON的正射影像来帮助验证不同的地表覆盖类型。
我使用多光谱影像运行了七种不同的监督分类器，然后又用属性影像再次运行。以下是一些最大似然分类器结果示例：
使用NEON多光谱影像进行最大似然分类的结果
注意，在整个影像中，分类器是如何将一些建筑像素归类为沥青的。
以下是使用属性影像后得到改善的结果。那些像素现在被正确地分类为建筑。
使用属性影像进行最大似然分类的结果
混淆矩阵和精度指标有助于验证分类的准确性。
根据属性影像分类计算的混淆矩阵
下表显示了使用不同的监督分类器时，属性影像的总体精度值更高：
| 多光谱影像 | 属性影像 | |
| 马氏距离 | 72.5 | 83.8 |
| 最小距离 | 57.69 | 95.22 |
| 最大似然 | 91.3 | 98.91 |
| 平行六面体 | 57.18 | 95.8 |
| 光谱角制图 | 54.97 | 61.79 |
| 光谱信息散度 | 62.1 | 66.93 |
| 支持向量机 | 85.03 | 99.16 |
监督分类的精度取决于训练数据的质量以及属性的合理选择。在某些情况下，向多光谱影像中添加过多属性反而会使分类结果变差，因此您应该针对您的研究区域进行实验，找出最佳方案。此外，在考虑不同的空间和光谱属性时，某些分类器的性能优于其他分类器。最后，如果属性影像中各数据层的像素值变化范围很大，您可能需要对它们进行归一化处理。
ENVI 5.4中将提供创建属性影像和定义监督分类训练数据的新教程。
资源
国家生态观测网络。2016年。数据访问日期为2016年7月28日。可在线从美国科罗拉多州博尔德的国家生态观测网络获取：https://www.neonscience.org。