不同时期天水市tm遥感影像特征与分类分析_毕业论文(编辑修改稿)

不同时期天水市tm遥感影像特征与分类分析_毕业论文(编辑修改稿)内容摘要：

多光谱图像。 再对已合成的数据 进行空间剪切，剪切出所要处理的那部分图像作为主要的研究区。 分类方法 遥感图像包括了丰富的光谱信息，光谱信息反应了地物的某种物理测量值大小，是地物特征较直观的反映，不同地物 的光谱特征不同〔图 3〕。 遥感图像分类是将图像的所有 像 元按其性质分为若干个类别， 按照像元之间的相似度分类， 遥感图像分类 包括 监督分类和非监督分类。 本次分类研究采用了多光谱数据监督分类法，以 TM 数据为主要信息源，配合同年实地调查结果，经过 的处理，生成主要地物的分类图。 图 3 天水市 TM 遥感影像主要地物平均波谱 The surface feature of average spectrum of TM remote sensing image in TianShui City 监督分类主要按以下步骤进行，首先要选定分类方案，确定要将遥感影像分成哪些类别；其次要为每个类别选取训练样本，要选的准确、全面；再选取适当的分类特征，所选特征要保证训练样本之间的可分性要高；然后选择适当的分类方法，确定所有像元类别并进行精度评价。 在 1992 年的 T T T4 三 个 波段合成的假彩色合成图像上，根据 不同 地物的 特征和分析， 采 用目 视解译法， 并 根据国家土地利用分类的标准和已有的城市地类研究的结果，结合专家已经得出的遥感图 像上地物类别的解译原理，在 研究区确定其主要的地物类型，主要有 5 种 地物：河流、植被、耕地、 裸地和建筑区。 再 结合部分地区的实地考察及借助 google earth 中的遥感图像作为参考，得出天水市区的典型地物类型的目视解译标志。 然后选取感兴趣区，对研究区选择不同的方法进行分类。 每种方法的最终分类结果 大致分为五类，用红色表示河流，绿色表示植被分布区，蓝色表示城乡建筑区，深红色表示耕地，黄色表示裸地。 天水师范学院毕业论文 表 1 典型地物目标解译标 志 Table1: The objective interpretation signs of classic surface feature 地物类型 图像特征 样本图片 河流 橘黄色；线状 植被 绿色；块状 耕地 浅绿色；有规则的块状 裸地 白色；块状 建筑地 紫色；不规则的小块状 最大似然分类法 最大似然分类法是经常使用的监督分类方法之一，它是通过计算每个像元对于各类别 的 归属概率，把该像元分到归属概率最大的类别中去的方法。 最大似然法假设训练 区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。 此时，像元X 归为类别 k 的归属概率 Lk 表示如下（这里省略了和类别无关的数据项）。        1 12 2 12 d e t e x p 2n tk k k kx x xL                在该式中， n：特征空间的维数； p（ k）：类别 k 的先验概率； kL （ x）：像元 x 归并到到类别 k 的归属概率； x：像元向量； k ：类别 k 的平 均向量即 n 维列向量； det：矩阵A 的行列式； ∑k：类别 k 的方差、协方差矩。 在分类过程中主要是通过改变概率阈值天水师范学院毕业论文 来生成分类影像。 分类图像如图 4 所示： 图 4 最大似然法分类后的结果 The results of Maximum likelihood classification 对分类后的图像进行分类精度评价，主要是选点然后进行数据统计分析，可以得出的一个混淆矩阵，在该矩阵中可以看出各种地物的分类效果以及总得分类效果。 表 2 研究区最大似然分类精度评价结果 Table2: The evaluation results of classification accuracy of Maximum likelihood classification in study areas 河流 植被 居民区 裸地 耕地 用户精度（ %） 河流 107 21 0 12 8 植被 0 199 10 9 34 居民区 5 51 57 0 11 裸地 1 1 15 69 26 耕地 5 18 5 11 87 生产精度 (%) 总体精度： % Kappa 系数： 最小距离法 最小距离法使用了每个感兴趣区的均值矢量，并以均值向量作为该类在特征空间中的中心位置，来计算每一个未知象元到每一类均值矢量的距离，到哪一类中心的距离最小，像元都将被分类到那一类。 这种方法原理简单，分类精度不高，但计算速度快，可以在快速浏览分类概况中使用。 在分类过程中主要是利用改变标准差和最大距离误差来生成分类影像。 分类图像如图 5 所示： 天水师范学院毕业论文 图 5 最小距离法分类后的结果 The results of Minimum distance classification 分类后精度评价结果如下表： 表 3 研究区最小距离法分类精度评价结果 Table3: The evaluation results of classification accuracy of Minimum distance in study areas 河流 植被 居民区 裸地 耕地 用户精度（ %） 河流 52 9 11 22 3 植被 12 48 10 4 30 居民区 4 1 71 16 1 裸地 10 3 18 80 1 耕地 7 6 2 13 17 生产精度（ %） 总体精度： % Kappa 系数： 平行六面体法 平行六面体法 用一条简单的判定规则对多光谱数据进行分类，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，其它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，就被划分其类别中。 平行六面体的尺度是由标准差阈值所确定的，而 该标准差阈值则是根据每种所选类的均值求出的。 分类结果如图 6所示： 天水师范学院毕业论文 图 6 平行六面体法分类结果 The result of parallelepiped classification 分类后精度评价结果如下表 ： 表 4 研究区平行六面体法分类精度评价结果 Table4: The evaluation results of classification a。