Đăng ký Đăng nhập
Trang chủ Bài tập cơ sở viễn thám thực hành phân loại thông tin trên tư liệu ảnh viễn thám...

Tài liệu Bài tập cơ sở viễn thám thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong envi (p1)

.PDF
11
1314
57

Mô tả:

TRƢỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT KHOA CÔNG NGHỆ THÔNG TIN BỘ MÔN TIN HỌC TRẮC ĐỊA CƠ SỞ VIỄN THÁM BÀI TẬP Đề tài: “Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI.” SV thực hành: Nguyễn Viết Quân. Lớp tin học trắc địa K51 Giáo viên hướng dẫn: TS. Nguyễn Thị Mai Dung HÀ NỘI - NĂM 2010 MỤC LỤC I. PHÂN LOẠI THÔNG TIN TRÊN TƢ LIỆU ẢNH VIỄN THÁM .................... 3 I.1. Phân loại không kiểm định Isodata và K-Means .......................................................................... 3 I.2. Phân loại có kiểm định ..............................................Lỗi! Thẻ đánh dấu không đƣợc xác định. II. KỸ THUẬT HẬU PHÂN LOẠI .............Lỗi! Thẻ đánh dấu không được xác định. II.1. Lọc loại nhiễu kết quả phân loại ( Majority/Minority Analysis) ........ Lỗi! Thẻ đánh dấu không đƣợc xác định. II.2. Gộp lớp – Combine Classes .....................................Lỗi! Thẻ đánh dấu không đƣợc xác định. II.3. Thống kê kết quả – Class Statistics ..........................Lỗi! Thẻ đánh dấu không đƣợc xác định. II.4. Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping .. Lỗi! Thẻ đánh dấu không đƣợc xác định. II.5. Chuyển kết quả phân loại sang dạng vectơ–Classification to Vector Layer . Lỗi! Thẻ đánh dấu không đƣợc xác định. II.6. Chồng lớp vectơ lên ảnh – Overlay Vector File .......Lỗi! Thẻ đánh dấu không đƣợc xác định. II.7. Kiểm tra thực địa và đánh giá chất lượng phân loại .Lỗi! Thẻ đánh dấu không đƣợc xác định. I. PHÂN LOẠI THÔNG TIN TRÊN TƢ LIỆU ẢNH VIỄN THÁM I.1. Phân loại không kiểm định Isodata và K-Means Khởi động phần phân loại không kiểm định của ENVI bằng cách chọn Classification > Unsupervised > Method, ở đây Method hoặc là K-Means hoặc Isodata. Hình : Menu phân loại không kiểm định Phương pháp phân loại kiểm định chủ yếu dùng vào mục đích dựa vào ảnh phân loại này đi khảo sát lựa chọn khu vực lấy mẫu để phân loại có kiểm định… I.1.1. Phƣơng pháp phân loại Isodata Phương pháp phân loại Isodata sẽ tính toán cách thức phân lớp trong không gian dữ liệu, sau đó nhóm đi nhóm lại các pixel bằng kỹ thuật khoảng cách tối thiểu (minimum distance). Mỗi lần nhóm lại các lớp này sẽ tính toán lại cách thức phân lớp và phân loại lại các pixel theo cách thức phân lớp mới. Quá trình này sẽ tiếp tục lặp đi lặp lại đến khi số các pixel trong mỗi lớp nhỏ hơn ngưỡng thay đổi pixel đã chọn hoặc đạt tối đa số lần lặp đi lặp lại đó. Chọn File ảnh cần phân loại bldr_tm (ảnh đã được nắn chỉnh hình học ở phần nắn ảnh). Ảnh cần phân loại Trên menu chính của ENVI chọn Classification > Unsupervised > Isodata. Hộp thoại hiện ra cần thiết lập các tham số sau trong hộp thoại. Hình: Hộp thoại phân loại theo phương pháp Isodata  Number of classes: Chọn số lớp tối thiểu – min và tối đa – max để phân loại.  Maximum Iterations: Số lần tính toán lặp lại tối đa. Việc phân loại sẽ dừng lại khi đạt tới số lần lặp tối đa đưa ra.  Change Threshold: Ngưỡng thay đổi sau mỗi lần tính toán lặp lại. Việc phân loại cũng sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động được xác định.  Minimum pixel in class: Số pixel nhỏ nhất có thể có của một lớp.  Maximum class Stdv: Ngưỡng độ lệch chuẩn tối đa của một lớp. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai.  Minimum class Distance: Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được gộp vào.  Maximum Merge Pairs: Số các cặp lớp tối đa có thể được gộp.  Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa từ giá trị trung bình của lớp.  Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp. Tại Output Result to tích chọn ghi lưu theo file dữ liệu hoặc bấm chọn Memory. Nhấp OK. Ta thu được kết quả. Chọn các tham số trong hộp thoại trên để so sánh. Để có thể so sánh một cách chính xác và hiệu quả của việc chọn lựa các tham số thì ta sử dụng trên cùng một ảnh, đó là ảnh đã được nắn ở bài tập trước. Ảnh gốc chưa phân loại dùng để so sánh. Khi chọn lựa các tham số nhất định thì các tham số khác để mặc định theo chương trình để dễ quan sát và nhận xét. Chọn tham số:Number of classes . Quan sát trên ảnh phân loại ta Số lớp phân loại là 7 nhiều hơn Số lớp phân loại ở đây là 12. thấy ảnh được phân ra thành 3 trường hợp bên, và độ chính xác Đã nhiều lên rất nhiều so với 2 lớp. Ở đây độ chính xác về đã tăng lên. Mức độ phân loại đã trường hợp kia. Nhưng mức độ thông tin phân loại có độ chính chi tiết lên. chia nhỏ ra rất nhiều làm cho xác kém. khả năng quan sát sự khác biệt là rất khó khăn. Nhận xét chung: Công việc lựa chọn tham số phân chia ảnh sau khi phân loại ra làm bao nhiêu lớp là rất cần thiết. Tuy là việc chọn lựa lớp là do chương trình tự động chọn theo ngưỡng nhất định nhưng ta cần chọn số lớp tối thiểu và tối đa để chương trình phân chia cho phù hợp nhất. Tránh tình trạng số lớp quá ít hoặc quá nhiều sẽ làm ảnh hưởng đến khả năng phân chia vùng trên ảnh sau khi phân loại. Ta nên chọn cho phù hợp nhất. Chọn tham số: Maximum Iterations Công việc tiến hành lặp là hai Việc gộp các điểm pixel được Số lần lặp là 5 lần, ảnh sau khi lần mức độ tính toán gộp các lặp lại 3 lần ta quan sát độ phân phân loại có mức độ phân chia pixel lại thực thi 2 lần có độ chia chi tiết trên ảnh nhiều hơn chi tiết hơn so với 2 trường phân chia các vùng khác nhau ở so với số lần lặp là 2. hợp bên nhưng so với số lần mức độ trung bình. lặp là 3 cũng không khác là mấy. Từ 3 trường hợp trên ta có nhận xét: Việc chọn lựa số lần lặp sẽ quyết định việc gộp các điểm pixel ở mức độ như thế nào. Số lần tính toán lại càng nhiều thì mức độ gộp càng chính xác nhưng đến một mức độ nào đó sẽ dừng lại. Vì vậy ta cần xác định số lần lặp cho hiệu quả để cho việc tính toán lặp được nhanh chóng và không làm mất hiệu quả của việc phân loại. Chọn tham số: Change Threshold Việc phân loại sẽ dừng lại khi Việc phân loại sẽ dừng lại khi Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần sau mỗi lần tính lặp lại, số phần sau mỗi lần tính lặp lại, số trăm biến động của các lớp nhỏ trăm biến động của các lớp nhỏ phần trăm biến động của các hơn ngưỡng biến động là 10%. hơn ngưỡng biến động là 15%. lớp nhỏ hơn ngưỡng biến động là 20%. Chọn lựa tham số ngưỡng thay đổi sau mỗi lần tính lặp sẽ quyết định việc tính lặp có tiếp tục hay dừng lại. Khi ta chọn ngưỡng thay đổi quá lớn thì việc phân loại sẽ không đạt được kết quả, việc tính lặp sẽ dừng lại. Ta nên chọn ngưỡng thay đổi vừa phải với mục đích cần sử dụng, thông thường là dưới 20%. Chọn tham số: Minimum pixel in class Số pixel nhỏ nhất có thể có của Số pixel nhỏ nhất có thể có của Số pixel nhỏ nhất có thể có của một lớp là 100 pixel. Chương một lớp là 200 pixel. Chương một lớp là 500 pixel. Chương trình sẽ căn cứ vào đặc điểm trình sẽ căn cứ vào đặc điểm này trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là để chia lớp với điều kiện là lớp này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ này phải có số pixel nhỏ nhất là lớp này phải có số pixel nhỏ nhất là 100 pixel. 100 pixel. nhất là 100 pixel. Việc chọn lựa tham số này có thể giúp ta cho ra kết quả tấm ảnh có tính phân chia nhỏ nếu ta chọn số pixel nhỏ nhất có thể có của một lớp là nhỏ, còn nếu ngược lại thì trên tấm ảnh kết quả có thể là một vùng đồng nhất rộng theo mức ta chọn. Nhìn 3 tấm ảnh kết quả không có sự thay đổi nhiều, do số điểm pixel nhiều và số lớp phân chia ít. Muốn có sự thay đổi rõ rệt thì ta chọn số điểm pixel nhỏ nhất lớn và số lớp nhiều. Chọn tham số: Maximum class Stdv Ngưỡng độ lệch chuẩn tối đa Ngưỡng độ lệch chuẩn tối đa của Ngưỡng độ lệch chuẩn tối đa của một lớp là 10. Nếu độ lệch một lớp là 100. Nếu độ lệch của một lớp là 1000. Nếu độ chuẩn của một lớp lớn hơn chuẩn của một lớp lớn hơn lệch chuẩn của một lớp lớn ngưỡng này thì lớp đó sẽ bị chia ngưỡng này thì lớp đó sẽ bị chia hơn ngưỡng này thì lớp đó sẽ ra làm hai. Và lại được gộp với ra làm hai. Và lại được gộp với bị chia ra làm hai. Và lại được lớp khác. lớp khác. gộp với lớp khác. Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhiều. Chứng tỏ ngưỡng độ lệch chuẩn của một lớp trong các ảnh là nhỏ cho nên khi thay đổi ngưỡng tăng lên không có sự thay đổi nhiều. Việc chọn tham số này sẽ giúp ta có ảnh kết quả có ngưỡng độ lệch chuẩn của một lớp không lớn hơn tham số mà ta lựa chọn cho chương trình. Chọn tham số: Minimum class Distance Khoảng cách tối thiểu giữa các Khoảng cách tối thiểu giữa các Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp là giá trị trung bình của các lớp là giá trị trung bình của các lớp là 50. Nếu khoảng cách giữa các 200. Nếu khoảng cách giữa các 500. Nếu khoảng cách giữa các giá trị trung bình của các lớp giá trị trung bình của các lớp nhỏ giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các hơn giá trị nhập vào thì các lớp nhỏ hơn giá trị nhập vào thì lớp đó sẽ được gộp vào. đó sẽ được gộp vào. các lớp đó sẽ được gộp vào. Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhiều. Chứng tỏ khoảng cách tối thiểu giữa các giá trị trung bình của các lớp trong những ảnh là nhỏ cho nên khi thay đổi khoảng cách tối thiểu tăng lên không có sự thay đổi nhiều. Việc chọn tham số này sẽ giúp ta có ảnh kết quả có khoảng cách tối thiểu giữa các giá trị trung bình của các lớp không lớn hơn tham số mà ta lựa chọn cho chương trình. Muốn thấy được sự thay đổi thì ta chọn phân loại thành nhiều lớp và khoảng cách tối thiểu là nhỏ.
- Xem thêm -

Tài liệu liên quan