基于ENVI的遥感图像分类方法研究

李 楠，王雪林

（1.浙江煤炭测绘院有限公司，浙江 杭州 310020；2.核工业井巷建设集团有限公司，浙江 湖州 313000）

随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要信息来源，其中遥感图像分类一直是遥感领域的重要研究内容。将遥感图像中存在的光谱信息经过一系列的算法后将图像中的特征信息进行划分，获得遥感图像与实际地物的对应信息，从而实现遥感图像的分类[1-2]。当前，遥感图像有多种分类方法，而如何应用不同分类方法，解决多类别的遥感图像分类识别问题，并满足一定的精度，是遥感图像分类领域的重要研究方向。基于此，本文基于ENVI平台，利用该平台自带的Landsat tm5数据Can_tmr.img多光谱遥感图像作为主要的数据源，进行遥感图像监督分类应用实验，并对其分类结果进行精度比较，其研究成果对遥感图像分类领域具有一定参考意义。

1 遥感图像分类方法

监督分类与非监督分类是遥感图像的两大分类方法。本文主要采用监督分类法，其又被称为训练分类法。通过对事先选择的已知类别的训练场提取各类训练样本，建立分类器，然后将图像中各像元划分到各给定的具体类别中，从而实现图像分类。分类前，需要对遥感图像进行目视解译或者野外调查，从而对图像中的各种地物类别有一定的先验认识，有利于训练样本的选择。利用选取的训练样本，选择特征参数，建立判别函数，并对判别函数进行训练，使其符合分类要求。然后根据训练结束的判别函数对其他图像中的像元数据进行分类，按照不同的方法将像元划分到与其最相似的样本分类中，从而完成整个遥感图像的分类。监督分类的关键是训练样本和训练场地的选择，其选择的质量关系到分类能否取得良好的效果[3-4]。

监督分类主要分为平行六面体分类法、最小距离分类法、马氏距离分类法、最大似然分类法、神经网络分类法、支持向量机分类法[5]。本文分别对这6种分类方法进行应用实验。

2 监督分类方法的应用实验

1）实验数据。本文以ENVI自带的Landsat tm5数据Can_tmr.img多光谱遥感图像作为主要数据源，以波段5，4，3模拟真彩色图像合成RGB进行显示，根据图像的光谱特征，通过人工判读把图像中的地物分为林地、草地、耕地、裸地、沙地、水体6类，见图1。通过绘制多边形感兴趣区进行训练样本选取，并对每类地物的感兴趣区用不同颜色加以区分。

图1 原始遥感图像

2）分类实验。创建6类感兴趣区分别为林地、草地、耕地、裸地、沙地、水体，并以此定义训练样本。各个样本类型之间的可分离性，用Jeffries-Matusita距离和转换分离度参数表示，根据可分离性值的大小，从小到大列出感兴趣区组合。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，需重新选择样本[6]。训练样本可分离性计算报表见表1，可见各样本分离性均在1.9以上，说明各类感兴趣区分离性较好，选择该感兴趣区作为训练样本较为合适。

表1 样本可分离性计算报表

本文对图像进行监督分类实验，分类分别采用：平行六面体、最大似然、最小距离、马氏距离、神经网络，支持向量机6种方法。图2为采用监督分类结果图。

图2 监督分类结果

3 结果精度分析

为了定量分析遥感图像分类结果，采用混淆矩阵进行评价。混淆矩阵以矩阵的形式罗列出地表真实图像与处理后图像对比的分类结果的各种精度，精度分为总体分类精度 （Overall Accuracy）和Kappa系数两种。总体分类精度用分类后正确的像元数与真实图像像元总数的比值表示。Kappa系数可以反映真实图像像元与分类像元的一致程度。本文对各种分类结果的精度见表2及第65页图3。

表2 各种分类结果精度比较

从图2、图3和表2可以看出以下5点。

1）平行六面体法的总体分类精度为71.887 7%，Kappa系数为0.665 0，计算时间为5 s；最大似然法的总体分类精度为93.832 1%，Kappa系数为0.930 2，计算时间为3 s；最小距离法的总体分类精度为80.437 8%，Kappa系数为0.797 6，计算时间为3 s；马氏距离法的总体分类精度为77.247 5%，Kappa系数为0.753 8，计算时间为4 s；神经网络法的总体分类精度为96.918 8%，Kappa系数为0.954 3，计算时间为20 s；支持向量机法的总体分类精度为97.539 1%，Kappa系数为0.964 7，计算时间为7 s。

图3 各种分类结果精度对比图

2）6种分类方法中支持向量机法具有最高的分类精度，分类效果最好，能够较为准确地提取目标地物，但计算时间较长；平行六面体法分类精度最低，效果最差，得到的结果容易出现重叠，混淆不清的结果，但算法较为简单，计算时间也短。

3）最大似然法和神经网络法也具有较高的分类精度，其中最大似然法计算时间较短，神经网络法计算时间相比于其他5种分类法均较长。

4）最小距离法和马氏距离法的精度并不是很高，其中最小距离法容易出现大面积没有被分类成果的区域，但该算法较为简单，且计算时间较短。

5）针对本文采用的中低分辨率多光谱数据，6种分类方法的计算时间均可在20 s之内完成，均较为短暂。但因在实际应用中遥感数据的类型及大小不同，使用不同分类方法计算时具体计算时间会有所差异。

4 结论

本文利用基于ENVI平台自带的Landsat tm5多光谱遥感图像，通过对其进行监督分类，分别介绍了监督分类法中的平行六面体法、最小距离法、最大似然法、马氏距离法、神经网络法、支持向量机法6种分类方法，并且对实验结果进行精度分析。精度分析结果表明，6种监督分类方法中支持向量机法和神经网络法虽然具有较高的分类精度，但计算时间较长；最小距离法和马氏距离法的分类精度一般，平行六面体法的分类精度较差，相比之下最大似然法分类精度较高，且计算时间相对较短，因此该分类方法为使用较多的分类方法，更适合中低分辨率多光谱遥感图像分类工作。随着遥感技术不断发展、遥感理论知识不断更新、研究领域不断扩大，未来将会有更多新理论和新技术提高遥感影像分类效果。