前言：因论文数据需要，所以开始解译遥感影像数据，整个解译过程都是参考ESRI China的遥感事业部整理的Envi学习教程实现的，非常感谢该公司的学习资料，受益匪浅。同时，在这个过程中遇到了很多问题，幸得老师、师兄和同学的帮助得以解决，个人认为有必要记录各个流程以及问题的解决办法。趁着今天解译数据选样本快吐了，换个口味，整理一下。

（一）数据下载

我是在地理空间数据云(http://www.gscloud.cn)下载的遥感影像，当然也可以从美国地质调查局(USGS)网站(http://glovis.usgs.gov)下载，据说该网站的数据量大，可供选择的数据多，但由于本人不能翻墙，且地理空间数据云提供的数据满足我的要求，所以未翻墙。有需要的同学可以尝试一下，如果有什么好用的翻墙软件也可以推荐一下。

回到正题，地理空间数据云的数据提供了以下参数：数据标识、条带号、行编号、中心经度、中心维度、成像日期和云量，我下载的时候在选中研究区后，尽量选择云量低的影像，由于计划解译5类地类，建设用地和水域是比较容易识别的，所以主要是区分林地、耕地和未利用地，因此在遥感图像的时相选择时需考虑植被生长阶段。植被生长茂盛期为 6 月下旬到 9 月上旬，各植物处于生长旺盛阶段，植被类型间的差异不明显，因此图像上也不易识别，反而 5 月中下旬至 6 月中旬对植被提取和分类最为有利。秋天树叶开始变色，也有利于植被类型的识别。因此在农林业资源、环境调查和监测基本都选择 5 月中下旬至 6 月中旬或者 9 月中下旬至10月上中旬。所以尽量选择云量低且在5月中下旬至10月上中旬的影像数据。所谓的云量低尽量是在5%以下，不过也要具体问题具体分析，因为如果所有的云量都集中在研究范围外那也不会有太大的影响；另外关于影像成像时间的要求，如果没有在这个期间内符合要求的数据那也只能退而求其次了。总归一句话，只能解译分类效果好，这些当然不是大问题。只是说能够满足这些前提条件当然是再好不过的了。

(二)数据预处理

下载好数据后，就开始预处理过程了。我的处理步骤依次为：打开数据--辐射定标--大气校正--图像镶嵌--几何校正--行政区裁剪。

1、打开数据

我不知道有没有跟我一样的同学，不知道怎么打开下载的影像数据。为什么连打开数据这么简单的步骤都要单独列出来讲呢，因为我第一次下载影像数据解压后，打不开，为此还被我师弟嘲笑了一番。所以我觉得有必要记录一下，数据打开方式：File--Open As--Optical Sensors--Landsat--GeoTIFF with Metadata。师弟心里肯定在想，这师姐怎么这么菜？哈哈

2、辐射定标

辐射定标的概念是“一般来讲，辐射定标就是将图像的数字量化值（DN）转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程”。我目前还没了解这是什么意思，就按照教程那样操作了，但是辐射定标前后，地类的波谱曲线有发生改变，这个过程就是干了这件事。

3、大气校正

当太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。而如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。大气校正有工具实现，主要是一些参数的设置，按照学习材料就没问题。

4、图像镶嵌

如果研究区占两景图像就有必要进行拼接了，这里不得不夸ESRI China的遥感事业部整理的Envi学习教程，整个流程我都是按照这个教程一步一步来，然后自己摸索，遇到问题就问度娘、找同学探讨。由于我的研究区在一景影像上，所以不用进行镶嵌。需要进行镶嵌学习的可以参考ESRI China的遥感事业部整理的Envi学习教程，没有学习资料的也可以私聊我，分享地理价值，做知识的传播者。

因为我的研究区不涉及图像镶嵌，而很多同学在处理数据过程中都是涉及图像镶嵌。我之前没有过多思考图像镶嵌的顺序，昨天把他放在了了辐射定标和大气校正之前，后面师兄看了我写的后，提出说：镶嵌后，不再是原始图像信息，如果先镶嵌再进行辐射定标和大气校正其参数不一定对。想想还是师兄考虑的比较周到，为师兄点赞。

5、几何校正

为什么要进行几何校正呢？我目前的理解是由于数据的偏差，所导致的影像位置偏移，所以要进行校正(也不知道我这样理解对不对)。反正就是按照学习资料一步一步来，但是我按照步骤来，后面得到的结果很不好，所以在前辈的指导下，计划最后进行校正步骤，这样可能会好一些。这里需要注意的是，我居然不知道怎么打开两个Envi的显示界面(不试不知道，一试吓一跳，我现在就是什么都不知道，才开始解译，也是一个学习的过程了)。好在后面在师兄的手把手教学下知道了：开始>程序>ENVI5.1>Tools>ENVI Classic，主菜单>File>Open Image File。对应的RGB要进行选择，不能空白，然后再打开“Display”。

 



然后，主菜单>Map>Registration>Select GCPs:Image to Image，打开几何校正模块。选择基准影像（Base Image）和待校正影像（Warp Image），点击 OK 进入采集地面控制点。

找控制点时一定要准确，不要太急，不要认为觉得差不多就可以。当选择控制点的数量达到 3 时，RMS 被自动计算。Ground Control Points Selection 上的 Predict 按钮可用，选择 Options> Auto Predict，打开自动预测功能。通过基准影像和待校正影像微调，降低RMS误差。如果基准影像和待校正影像的范围不一致，不建议采取Automatically Generate Points方法。因为这样生成的点的RMS Error很大，建议通过Auto Predict自行调整待校正影像的点，最终总的 RMS 值小于 1 个像素时，完成控制点的选择，保存GCPs to ASCII。

有两种校正输出方式：Warp File 和 Warp File (as Image Map)。这个学习教程都有具体步骤，按照教程来，没什么大问题。

一般来说，几何校正是在最后进行处理。

6、行政区裁剪

图像裁剪的目的是将研究之外的区域去除。常用的方法是按照行政区划边界或者自然区划边界进行图像裁剪；在基础数据生产中个，还经常要进行标准分幅裁剪(这个我没试过)。具体实现通过subset from ROI就可以实现，教程有几种裁剪方式，可以好好学习。

(三)遥感解译

数据预处理差不多好了，就进行遥感解译分类了，我的主要步骤是：分类--分类后处理--精度验证。目前卡在分类过程中，选样本把我弄得想吐了，，，

主要实现步骤是通过对添加纹理信息的合成波段选择感兴趣区，然后利用支持向量机或随机森林进行分类，再对分类结果进行分类后处理，主要是Majority/Minority分析，然后再进行精度验证。

其中感兴趣区的选择很重要，要求选择的样本均匀且准确，各个样本大小不能相差太大，这里可以通过多个波段的不同组合去选样本，选样本很考验人，我已经搞了半个月，想吐了，还没完。目前一直卡在这里，选了删，删了选，再删，再选。。。期间因为我的ENVI更换版本原因，还出现了“Singular value encountered in calculation for ROI: 林地”。总结有以下几个原因：首先，可能是选择的样本太大或太小导致的；其次，可能是选择的各个样本之间数量差距太过悬殊，我这里说的数量差距太过悬殊是说可能林地为2个样本，而耕地有200个样本，这差的有点离谱了；然后，还有可能的原因就是添加的纹理信息波段过多，这里说的过多是说可能叠加后的波段超过45个了，这就太多了，为什么太多了导致他的ROI有问题呢？这个可能还需要进一步探讨；最后，还有出现这个问题的可能的原因有待进一步补充，哈哈哈。

选好样本后，选择分类方法，建议多尝试几种分类方法，选择一种分类效果最好的。

分类后处理有很多方法，除了Majority/Minority分析，还有聚类处理、过滤处理等。

精度验证：对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是 ROC 曲线，比较常用的为混淆矩阵，ROC 曲线可以用图形的方式表达分类精度，比较抽象。真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。根据学习教程要求，由于没有标准的分类图，所以通过验证样本区实现。真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没去野外，我计划通过其他影像进行验证。为此，我花了一天时间又去下了其他平台的影像，试过Google Earth、51卫图、全能电子地图下载器，最后选择了LocaSpace Viewer。这个是国产的，刚打开界面类似于Google Earth的炫酷，整体界面相差也不大，最主要的就是免费啦。

总的来说，目前我的解译过程不太顺利，尚在摸索阶段，这与我个人基础有关，但感谢网上学习资料以及身边老师、师兄及同学的帮助。后期有什么问题和解决方案我再持续更新。

1.几何纠正目的

       数据预处理对输入的IMG图像文件进行范围调整、误差校正、坐标转换等处理，以便进一步开展图像解译、专题分类等分析研究。利用ERDAS软件的几何校正模块将消除遥感图像的变形误差，完成纠正过程。

2.几何纠正意义

       影像的几何校正是整个处理过程中非常重要的一步，这一步结果的好坏直接决定后续处理过程能否有效进行。处理过程：第一步分别打开左影像和SPOT高分辨率图像，在窗口的RASTER菜单中选择几何纠正选项。这里采用二次线性多项式插值方法。第二步：在两幅影像上选择六对控制点和六对检测点，确保每个检查点的中误差小于1，总的中误差也小于1。若不满足检查控制点，对偏移计算大的控制点进行修正，直至符合要求。第三步：进行重采样操作，得到纠正影像，将纠正影像和高分辨率影像叠加，检测同名地物点的符合程度。右影像操作同左影像。

3.几何纠正方法

       工具：  ERDAS 9.2

       几何纠正部分将左右两张影像根据带有地理坐标的高分辨率影像进行多项式拟合，纠正结果需要保证同名地物点重合，检查点误差保持在1个像元以内。除了保证检查点误差外，重采样操作后图像应该避免出现严重的走样变形情况，左右影像形状应该尽可能保持一致，便于进行图像拼接的操作处理。

 





                                                                                     纠正过程图



                                                                                           纠正后影像

 

10. 遥感图像监督分类

10.1 内容介绍

监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求， 随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下 6 个步骤，如下图10.1.1所示：



10.2 详细操作步骤

10.2.1 类别定义/特征判别

根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。 启动ENVI5.3打开待分类数据。以 R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

10.2.2 样本选择

（1）在图层管理器 Layer Manager 中，can_tmr.img 图层上右键，选择“New Region Of Interest”，打开 Region of Interest (ROI) Tool 面板，下面学习利用选择样本。

【1】在 Region of Interest (ROI) Tool 面板上，设置以下参数：

ROI Name：林地
	
ROI Color：（0,153,0） 如图10.2.1


图10.2.1 Region of Interest (ROI) Tool 面板上设置样本参数

【2】默认 ROIs 绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择 Complete and Accept Polygon，完成一个多边形样本的选择；

【3】同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；

【4】这样就为林地选好了训练样本。

（2）在图像上右键选择 New ROI，或者在 Region of Interest (ROI) Tool 面板上，选择工具。重复“林地”样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他 5 类选择样本；

 （3）训练样本的选择

【1】计算样本的可分离性。在 Region of Interest (ROI) Tool 面板上，选择 Option>Compute ROI Separability，在 Choose ROIs 面板，将几类样本都打勾，点击 OK；

【2】表示各个样本类型之间的可分离性，用 Jeffries-Matusita, Transformed Divergence 参数表示，这两个参数的值在 0~2.0 之间，大于 1.9 说明样本之间可分离性好，属于合格样本；小于 1.8，需要编辑样本或者重新选择样本；小于 1，考虑将两类样本合成一类样本。如图10.2.2



图10.2.2 Merge ROIs 面板

（4）在图层管理器中，选择 Region of interest ，点击右键，save as，保存为.xml 格式的样本文件。

10.2.3 分类器选择

根据分类的复杂度、精度需求等确定哪一种分类器。目前 ENVI 的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几种分类器的简单描述。

（1）平行六面体（Parallelepiped）

根据训练样本的亮度值形成一个 n 维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。

（2）最小距离（Minimum Distance）

利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。

（3）马氏距离（Mahalanobis Distance）

计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。

（4）最大似然（Maximum Likelihood）

假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。

（5）神经网络（Neural Net）

指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。

（6）支持向量机（Support Vector Machine）

支持向量机分类（Support Vector Machine 或 SVM）是一种建立在统计学习理论（Statistical Learning Theory 或 SLT）基础上的机器学习方法。SVM 可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。

（7）波谱角（Spectral Angle Mapper）

它是在 N 维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。

10.2.4 影像分类

基于传统统计分析的分类方法参数设置比较简单，在 Toolbox/Classification/Supervised Classification 能找到相应的分类方法。这里选择支持向量机分类方法。在 toolbox 中选择 /Classification/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击 OK，按照默认设置参数输出分类结果。如图10.2.3和10.2.4



图10.2.3 支持向量机分类器参数设置



图10.2.4 支持向量机分类结果

10.2.5 分类后处理

包括更改类别颜色、分类后统计、小斑块处理、栅矢转换等

10.2.6 精度验证

对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是 ROC 曲线，比较常用的为混淆矩阵，ROC 曲线可以用图形的方式表达分类精度，比较抽象。

真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单->Classification->Post Classification->Confusion Matrix 或者 ROC Curves 来选择。 真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM 影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。

在 Data Manager 中，分类样本上右键选择 Close，将分类样本从软件中移除
	
直接利用 ROI 工具，跟分类样本选择的方法一样，即重复第二步，在 TM 图上选择
	
类验证样本。如图10.2.5


图10.2.5 选择验证样本

（4）在 Toolbox 中，选择/Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类结果，软件会根据分类代码自动匹配，如不正确可以手动更改。点击 OK 后选择报表的表示方法（像素和百分比），点击 OK，就可以得到精度报表如图10.2.6和10.2.7。



图10.2.6 验证操作面板



图10.2.7 分类精度评价混淆矩阵

混淆矩阵中的评价指标：

总体分类精度
等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的 Overall Accuracy = (1849/2346)  78.8150%。

Kappa 系数
它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。Kappa 计算公式



错分误差
指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，林地有 419 个真实参考像元，其中正确分类 265，12 个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为 12/419=2.9%。

漏分误差
指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的耕地类，有真实参考像元 465 个，其中 462 个正确分类，其余 3 个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为 3/465=0.6%

制图精度
是指分类器将整个影像的像元正确分为 A 类的像元数（对角线值）与 A 类真实参考总数（混淆矩阵中 A 类列的总和）的比率。如本例中林地有 419 个真实参考像元，其中 265 个正确分类，因此林地的制图精度是 265/419=63.25%。

用户精度
是指正确分到 A 类的像元总数（对角线值）与分类器将整个影像的像元分为 A 类的像元总数（混淆矩阵中 A 类行的总和）比率。如本例中林地有 265 个正确分类，总共划分为林地的有277，所以林地的用户精度是 265/277=95.67%。

& 尺度与空间分辨率是两个概念，不能混淆。

& 图像分辨率包括：1.光谱分辨率
                        2.辐射分辨率
                        3.时间分辨率
                        4.空间分辨率

高分辨率数据：常用与研究小尺度（地理）研究；如IKONOS和SPOT 5 HRG
中分辨率数据：如：Landsat TM/ETM+和 Terra ASTER
低分辨率数据：用于大尺度（地理）研究；如：VHRR, MODIS和 SPOT卫星植被数据

&
空间尺度：在遥感的整个信息传递过程中，从始至终设计空间尺度的概念；信息传输涉及不同信息的四种尺度问题：
                   a：地理尺度：指研究的区域大小或空间范围。
                   b：操作尺度：环境中某过程的操作尺度。
                   c：比例尺：指图上的距离与实际距离之比，与分辨率不同，不要混淆。
                   d：空间分辨率：能详细区分的最小单元的尺寸与大小，如遥感影像中的像素大小。

 

 
高空间分辨率遥感数据