高光譜遙感數(shù)據(jù)處理系列（六）

非監(jiān)督分類是一種面對(duì)數(shù)據(jù)本身的分類方法，與之相對(duì)應(yīng)的：監(jiān)督分類，則是面向先驗(yàn)知識(shí)的分類方法。監(jiān)督分類是指給定已知類型的數(shù)據(jù)，通過建模的方式將這些數(shù)據(jù)與對(duì)應(yīng)的類型建立映射關(guān)系，并將這種關(guān)系應(yīng)用到未知類型的數(shù)據(jù)上的過程。如果每種類型用一個(gè)數(shù)字來表示，分類任務(wù)可以看做回歸分析的一種特例。

主界面分區(qū)

ROI工具

監(jiān)督分類需要有已知類型的數(shù)據(jù)集作為先驗(yàn)知識(shí)進(jìn)行訓(xùn)練，稱為訓(xùn)練集。一般可以通過目視解譯，或者實(shí)地樣方調(diào)查的方式獲取訓(xùn)練集。構(gòu)建訓(xùn)練集的方法如下：

在主菜單②工具欄中點(diǎn)擊打開Region of Interest（ROI) Tool，進(jìn)行興趣區(qū)選取：

ROI工具

最基本的ROI選取過程如上圖所示，首先選擇①工具添加新的ROI范圍，在②中調(diào)整ROI的名稱和顏色，在③中選擇繪制ROI的圖形形狀，④在圖上繪制ROI，完成后右鍵Accept shape type。如果想要繪制帶有空洞的圖形，可以點(diǎn)擊復(fù)選框⑤所示的Multi Part復(fù)選框，然后在影像上繪制兩個(gè)疊加的圖形，完成后右鍵 Accept。

使用File可以進(jìn)行ROI圖層的讀取與保存

如果選取好了ROI可以使用Options可以利用對(duì)ROI本身進(jìn)行融合（Merge（Union/Intersection）ROI）,計(jì)算離散度（Compute ROI Separability），或者使用對(duì)ROI范圍內(nèi)的圖像進(jìn)行統(tǒng)計(jì)（Compute Statistics from ROIs）。另外也可以使用ROI對(duì)圖像進(jìn)行裁剪。

除了使用不同形狀進(jìn)行框選，還可以使用像元，自動(dòng)區(qū)域生長(zhǎng)，閾值選取等方式產(chǎn)生ROI。

在ENVI的幫助文件中詳細(xì)介紹了這些工具的使用方法。在主界面①菜單欄 Help 中打開-> 在左側(cè)Contents選項(xiàng)卡中的:book:ROIs, Vectors, Annotations，請(qǐng)讀者自行查閱。

監(jiān)督分類

在訓(xùn)練集選擇完畢后就可以進(jìn)行監(jiān)督分類，ENVI中提供了多種監(jiān)督分類的工具，包括：

• 平行六面體（Parallelepiped）

• 最 小距離（Minimum Distance）

• 馬氏距離（Mahalanobis Distance）

• 最 大似然（Maximum Likelihood）

• 神經(jīng)網(wǎng)絡(luò)（Neural Net）

• 支持向量機(jī)（Support Vector Machine）

• 波譜角（Spectral Angle Mapper）

這里我們介紹兩種監(jiān)督分類方法，最 大似然法和波譜角方法。

01最 大似然法

在ENVI的幫助文件中詳細(xì)介紹了各種分類方法的原理。在主界面①菜單欄 Help 中打開-> 在左側(cè)Contents選項(xiàng)卡中Classification->Supervised Methods中，最 大似然法定義為:

最 大似然分類假設(shè)每個(gè)波段中每個(gè)類別的統(tǒng)計(jì)數(shù)據(jù)呈正態(tài)分布，并計(jì)算給定像素屬于特定類別的概率。每個(gè)像素被分配到具有最 高概率（即最 大似然）的類別。

根據(jù)該定義，最 大似然法將每個(gè)類別投影到特定的分布上，分類問題被轉(zhuǎn)化為分布相似性問題。

在主界面⑤中搜索Maximum Likelihood打開最 大似然分類工具。首先要選擇進(jìn)行訓(xùn)練的數(shù)據(jù)，需要強(qiáng)調(diào)的是，我們選擇在上篇文中生成的主成分分析的結(jié)果進(jìn)行分類，而不是影像本身，具體原因在上篇文章中有詳細(xì)描述。

分類結(jié)果如下所示：

02波譜角方法

光譜角映射器 (SAM) 是一種基于物理的光譜分類，它使用 n 維角度將像素與參考光譜進(jìn)行匹配。該算法通過計(jì)算光譜之間的角度并將它們視為維數(shù)等于波段數(shù)的空間中的向量來確定兩個(gè)光譜之間的光譜相似性。SAM 使用的端元光譜可以來自 ASCII 文件或光譜庫，或者您可以直接從圖像中提取它們（作為 ROI 平均光譜）。SAM 比較端元譜向量與 n 維空間中每個(gè)像素向量之間的角度。較小的角度代表與參考光譜更接近。

在主界面⑤中搜索Spectral Angle Mapper打開光譜角工具，在端元集合（Endmember Collection：SAM）中導(dǎo)入選取的ROI，將上一步選取的ROI所在范圍的光譜均值作為特定類別的標(biāo)準(zhǔn)光譜。SAM的本質(zhì)是將分類問題轉(zhuǎn)化為對(duì)比未知類別數(shù)據(jù)與標(biāo)準(zhǔn)光譜的余弦距離的問題。需要強(qiáng)調(diào)的是，我們選擇主成分分析的結(jié)果進(jìn)行分類，而不是影像本身，具體原因在上篇文章中有詳細(xì)描述。

分類結(jié)果如下所示：

小結(jié)

本文中我們介紹了兩種監(jiān)督分類的方法，相對(duì)于非監(jiān)督分類，監(jiān)督分類通過融入先驗(yàn)知識(shí)，提供了有明確類別的結(jié)果，這大大減少了進(jìn)行后續(xù)處理的成本。但是對(duì)于遙感應(yīng)用來說，獲取地面真值的成本較高，通過目視解譯的方式會(huì)不可避免地引入人為誤差，給結(jié)果帶來不確定性。正如上一篇文章提到，數(shù)據(jù)和特征決定了分類的上限，而分類的方法只能逼近這個(gè)上限。如何構(gòu)建質(zhì)量高、數(shù)量多的訓(xùn)練集，權(quán)衡成本是監(jiān)督分類需要考慮的問題。