基于LANDSAT/TM遥感影像监督分类方法

本论文是一篇关于地物论文参考文献代码,关于基于LANDSAT/TM遥感影像监督分类方法相关大学毕业论文范文。免费优秀的关于地物及可靠性及参考文献方面论文范文资料,适合地物论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。

摘 要 ：以重庆市铜梁县为研究区域,以Landsat/TM遥感影像,矢量数据为主要数据来源,结合ENVI,Google Earth,ArcGIS等软件,综合应用影像数据,矢量数据,统计数据及各软件之间的交互操作对该区域土地利用类型进行分类,再利用往年统计数据和Kappa系数对分类结果的可靠性进行检验,最后土地分类结果精度比传统方法高.

关 键 词 ：土地分类 铜梁县 Google Earth ENVI

1.传统分类方法

传统分类方法主要是目视解译.它是从影像色调、颜色、阴影、目标物的大小、形状、纹理结构、图型格式、位置、组合等基本解译要素结合具体目标物的解译要素来识别目标,获取目标物信息的最直接、最基本的方法.由Cih-IarJ提出,目视解译具有操作简单,灵活性强等优点有,但由于解译经验和专业知识的差别,解译结果受个人主观因素影响较大,尤其是单纯利用空间分辨率不高的图像进行解译分类时,精度往往不高.

2.数据准备与说明

2007年9月27日重庆市TM/ Landsat影像（已经过辐射和几何精校正）,重庆市矢量数据,1990、2007、2008年铜梁县土地统计数据及一些文字资料.

3.实验步骤

3.1影像镶嵌

由于铜梁县全区不在一景完整的TM影像上,需要将相邻两景TM影像镶嵌.

3.2确定工作范围

用铜梁县边界的矢量数据裁剪TM影像.

3.3图像增强与变换

3.3.1彩色合成

TM前7个波段当中第六个波段为热红外波段,用于探测地物自身的热辐射特征,与地表的光谱特征无直接联系,且分辨率较低,为120m.因此,将第6波段剔除,剩余6个波段作为融合的信息源.由于铜梁县上空云雾较多,在能明显反应地表不同地物光谱特征的前提下,有要尽量消除云雾对目视解译的影响,经多次试验后,选择5,4,3波段组合.

3.3.2图像融合

高分辨率图像对图象解译有很重要的作用,用HSV变换和全色波段（空间分辨率为15m）可以实现在保证光谱分辨率的前提下提高空间分辨率.

HSV变换具体方法为[2]：首先采用立方卷积作为重采样方法将多光谱图像放大一倍,完成后用RGB模式显示5,4,3波段,并对图像（scroll窗口）进行均衡化拉伸.

将图像（image窗口）作为输入数据进行RGBHSV变换,由于V是与颜色无关的属性,并且V的值域范围是[0,1],先用波段计算的方法将全色波段值域调至[0,1]（用band8/255）,再通过HSV→RGB变换用全色波段替换掉V成分,其余两个成分不变.

3.3.3图像变换

图像变换的常用方法有主成分变换,缨帽变换,Brovey变换,傅里叶变换,乘积变换,小波变换等.实验要保证在减少数据冗余的情况下,尽可能不丢失有用信息,以保证小地块的分类精度.主成分变换满足上述要求,是研究该地区的较理想的融合方法.

3.4土地利用类型分类

3.4.1分类方法及分类依据的确定

本研究采用的是监督分类的方法,监督分类的方法有很多,如最小距离法,马氏距离法,最大似然法,神经网络,支持向量机分类法等[3].对于以上分类方法中,支持向量机分类法具有最高的分类精度,对于容易错分的地物也得到了比较好的区分,能更准确地提取出目标地物,但是计算时间长.最小距离分类法的分类精度最低,但是算法简单,计算时间短.最大似然分类法和神经网络分类法的精度也很高,但是最大似然法的计算时间很短,神经网络法的计算时间是这四种分类方法中最长的.最大似然法由于分类精度较高,且计算时间快,所以仍是使用较多的分类方法[4].本研究采用最大似然法.

3.4.2操作要点

3.4.2.1结合谷歌地球帮助解译

除结合传统的解译标志―色调、颜色、形状、大小、纹理结构解译之外,还结谷歌地球帮助解译.图像经过以上步骤后,空间分辨率为15m,但图像仍然存在大量混合象元,各类地物之间边界不明晰,除了一些光谱特征比较明显的地物可直接进行ROI（Region of Interest）选取,光谱特征不太明显的地物借助谷歌地球,注意要调整谷歌地球数据时间点.对于影像上不确定的地物可以直接用ENVI的Tools工具跳转至实际地点帮助解译；还可以先在谷歌地球找到面积较大的一类地物后,在其上新建地标,查看地标属性,将属性当中经纬度信息输入ROI,精准定位到相应地物象元,较大程度避免了混合象元的选取.

3.4.2.2结合已有矢量数据

由于在5,4,3波段组合下交通用地和工矿用地都是亮白色的,且纹理也相似,很

难手动将它们划分成不同的ROI.

本实验采用结合矢量数据的方法：先将这两种地物分为同一类,并且将公路等矢量数据转为栅格数据,计算出总面积,在用两种地类的总面积减去交通用地就可得出工矿用地面积.最后土地分类图像叠加上矢量的交通线图层.

3.4.2.3利用统计资料

在选取“未利用”土地类型时,参考统计文献[4]可知铜梁县“未利用”土地类

型大部分是田埂,对于空间分辨率为15m的图像来说,宽度为1m左右的田埂是和其他地类混在一起的混合象元,如果强行在图像选取ROI的话,难免不将其他地类包含其中,影响总体分类精度.这里采取“间接”的方法：先将其他地类分好,最后用总面积减去其他地类面积之和,可以得出“未利用”土地面积.

3.5精度评价

3.5.1Kappa系数

Kappa分析采用一种离散多元技术,考虑了矩阵的所有因子,克服了利用总体精度、用户制图精度的缺点：象元类别的小变动可能导致百分比变化较大,这些指标的客观性依赖于采样样本和方法.

结论与建议

在用像Landsat/TM之类的中等分辨率进行土地利用类型进行分类时,应充分结合该地区的高分辨率的影像,矢量数据,往年统计数据,Google Earth等手段帮助解译,提高解译精度.