基于LANDSAT/TM遙感影像監督分類方法研究

羅雷

摘要：以重慶市銅梁縣為研究區域，以Landsat/TM遙感影像，矢量數據為主要數據來源，結合ENVI，Google Earth，ArcGIS等軟件，綜合應用影像數據，矢量數據，統計數據及各軟件之間的交互操作對該區域土地利用類型進行分類，再利用往年統計數據和Kappa系數對分類結果的可靠性進行檢驗，最后土地分類結果精度比傳統方法高。

關鍵詞：土地分類 銅梁縣 Google Earth ENVI

1.傳統分類方法

傳統分類方法主要是目視解譯。它是從影像色調、顏色、陰影、目標物的大小、形狀、紋理結構、圖型格式、位置、組合等基本解譯要素結合具體目標物的解譯要素來識別目標，獲取目標物信息的最直接、最基本的方法。由Cih-IarJ提出，目視解譯具有操作簡單，靈活性強等優點有，但由于解譯經驗和專業知識的差別，解譯結果受個人主觀因素影響較大，尤其是單純利用空間分辨率不高的圖像進行解譯分類時，精度往往不高。

2.數據準備與說明

2007年9月27日重慶市TM/ Landsat影像（已經過輻射和幾何精校正），重慶市矢量數據，1990、2007、2008年銅梁縣土地統計數據及一些文字資料。

3.實驗步驟

3.1影像鑲嵌

由于銅梁縣全區不在一景完整的TM影像上，需要將相鄰兩景TM影像鑲嵌。

3.2確定工作范圍

用銅梁縣邊界的矢量數據裁剪TM影像。

3.3圖像增強與變換

3.3.1彩色合成

TM前7個波段當中第六個波段為熱紅外波段，用于探測地物自身的熱輻射特征，與地表的光譜特征無直接聯系，且分辨率較低，為120m。因此，將第6波段剔除，剩余6個波段作為融合的信息源。由于銅梁縣上空云霧較多，在能明顯反應地表不同地物光譜特征的前提下，有要盡量消除云霧對目視解譯的影響，經多次試驗后，選擇5，4，3波段組合。

3.3.2圖像融合

高分辨率圖像對圖象解譯有很重要的作用，用HSV變換和全色波段（空間分辨率為15m）可以實現在保證光譜分辨率的前提下提高空間分辨率。

HSV變換具體方法為[2]：首先采用立方卷積作為重采樣方法將多光譜圖像放大一倍，完成后用RGB模式顯示5，4，3波段，并對圖像（scroll窗口）進行均衡化拉伸。

將圖像（image窗口）作為輸入數據進行RGBHSV變換，由于V是與顏色無關的屬性，并且V的值域范圍是[0，1]，先用波段計算的方法將全色波段值域調至[0，1]（用band8/255），再通過HSV→RGB變換用全色波段替換掉V成分，其余兩個成分不變。

3.3.3圖像變換

圖像變換的常用方法有主成分變換，纓帽變換，Brovey變換，傅里葉變換，乘積變換，小波變換等。實驗要保證在減少數據冗余的情況下，盡可能不丟失有用信息，以保證小地塊的分類精度。主成分變換滿足上述要求，是研究該地區的較理想的融合方法。

3.4土地利用類型分類

3.4.1分類方法及分類依據的確定

本研究采用的是監督分類的方法，監督分類的方法有很多，如最小距離法，馬氏距離法，最大似然法，神經網絡，支持向量機分類法等[3]。對于以上分類方法中，支持向量機分類法具有最高的分類精度，對于容易錯分的地物也得到了比較好的區分，能更準確地提取出目標地物，但是計算時間長。最小距離分類法的分類精度最低，但是算法簡單，計算時間短。最大似然分類法和神經網絡分類法的精度也很高，但是最大似然法的計算時間很短，神經網絡法的計算時間是這四種分類方法中最長的。最大似然法由于分類精度較高，且計算時間快，所以仍是使用較多的分類方法[4]。本研究采用最大似然法。

3.4.2操作要點

3.4.2.1結合谷歌地球幫助解譯

除結合傳統的解譯標志—色調、顏色、形狀、大小、紋理結構解譯之外，還結谷歌地球幫助解譯。圖像經過以上步驟后，空間分辨率為15m，但圖像仍然存在大量混合象元，各類地物之間邊界不明晰，除了一些光譜特征比較明顯的地物可直接進行ROI（Region of Interest）選取，光譜特征不太明顯的地物借助谷歌地球，注意要調整谷歌地球數據時間點。對于影像上不確定的地物可以直接用ENVI的Tools工具跳轉至實際地點幫助解譯；還可以先在谷歌地球找到面積較大的一類地物后，在其上新建地標，查看地標屬性，將屬性當中經緯度信息輸入ROI，精準定位到相應地物象元，較大程度避免了混合象元的選取。

3.4.2.2結合已有矢量數據

由于在5，4，3波段組合下交通用地和工礦用地都是亮白色的，且紋理也相似，很

難手動將它們劃分成不同的ROI。

本實驗采用結合矢量數據的方法：先將這兩種地物分為同一類，并且將公路等矢量數據轉為柵格數據，計算出總面積，在用兩種地類的總面積減去交通用地就可得出工礦用地面積。最后土地分類圖像疊加上矢量的交通線圖層。

3.4.2.3利用統計資料

在選取“未利用”土地類型時，參考統計文獻[4]可知銅梁縣“未利用”土地類

型大部分是田埂，對于空間分辨率為15m的圖像來說，寬度為1m左右的田埂是和其他地類混在一起的混合象元，如果強行在圖像選取ROI的話，難免不將其他地類包含其中，影響總體分類精度。這里采取“間接”的方法：先將其他地類分好，最后用總面積減去其他地類面積之和，可以得出“未利用”土地面積。

3.5精度評價

3.5.1Kappa系數

Kappa分析采用一種離散多元技術，考慮了矩陣的所有因子，克服了利用總體精度、用戶制圖精度的缺點：象元類別的小變動可能導致百分比變化較大，這些指標的客觀性依賴于采樣樣本和方法。

結論與建議

在用像Landsat/TM之類的中等分辨率進行土地利用類型進行分類時，應充分結合該地區的高分辨率的影像，矢量數據，往年統計數據，Google Earth等手段幫助解譯，提高解譯精度。

參考文獻：

1. 紀仰慧，李國春，關宏強. 土地利用/覆蓋遙感分類研究綜述[J]. 農業網絡信息，2005（8）：36-38.

2. 韋玉春. 遙感數字圖像處理實驗教程[M] 北京：科學出版社， 2011

3. 趙英時等. 遙感應用分析原理與方法[M]. 北京：科學出版社， 2003

4. 閆琰， 董秀蘭， 李燕. 基于ENVI的遙感圖像監督分類方法比較與研究[J]. 北京測繪 2011（3）：14-16

5. 張振德等. 重慶市國土資源遙感綜合調查與信息系統建設[M]. 北京：地質出版社， 2002

6. Congalton R. G.，1991，A Review of Assessing the Accuracy of Classification of Remotely Sensed Data， Remote Sens. Environ. 37：35-36.