-
摘要：本文在ERDAS的工作环境下，利用最小距离法，马氏距离法，最大似然法等三种遥感影像监督分类的典型方法，基于对不同训练区的选择，分别对安徽省淮南市颍上县的遥感影像进行处理，继而对不同方法的处理精度，相应原理进行分析，得出不同方法的优点与缺点并作出评价。在当今的学术氛围以及研究趋势下，综合应用监督分类的不同方法已经成为另外一种有效的选择。因时制宜，因地区制宜，取长补短，优势互补，使得遥感影像的处理精度越来越高，效果也越来越明显，有利于提高图像的分类精度，促进遥感影像领域的研究与发展。39591
- 上一篇：基于GIS的宿迁市公共自行车站点布局优化研究
- 下一篇：条件极值的充分条件及其应用
毕业论文关键词： 训练区；最小距离法 ； 马氏距离法； 最大似然法； 精度评价
Several kinds of common remote sensing land cover classification method comparison research
Abstract: In this article, under the environment of ERDAS, using several typical method of remote sensing image classification: Minimum distance classifier, Mahalanobis distance classifier, Maximum likelihood classifier, different training area selection based on remote sensing image of Anhui Province under the jurisdiction of Huainan city for processing and processing accuracy of different methods, the corresponding theory analysis the advantages and disadvantages of different methods, and assessment. In today's academic atmosphere and the trend of research, different methods of comprehensive application of supervised classification has become another effective option, namely, due to regionalconditions, learn from each other, complementary advantages, more and more high precision of remote sensing image processing, the effect is more and more obvious, it is good for improving the accuracy of image classification, accelerating the promotion and developmen of the field of remote sensing image research.
Keywords: training area; minimum distance classifier; mahalanobis distance classifier; maximum likelihood classifier; accuracy evaluation
目 录
1 引言 4
2 研究区概况 5
3 资料来源与研究方法 5
3.1 实验数据 5
3.2 研究方法 5
4 实验软件ERDAS简介 6
5 监督分类方法的基本原理 6
5.1 最小距离法 6
5.1.1 算法原理 6
5.1.2 特征分析 7
5.2 马氏距离法 7
5.2.1 算法原理 7
5.2.2 特征分析 7
5.3 最大似然法 8
5.3.1 算法原理 8
5.3.2 特征分析 9
6 实验操作与结果分析 9
6.1 监督分类流程图 9
6.2 实验操作 10
6.2.1 最小距离法分类步骤 10
6.2.2 马氏距离法分类步骤 11
6.2.3 最大似然法分类步骤 12
7 结果评价 14
8 结 论 16
参考文献 16
1引言
土地覆盖是自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括地表植被、土壤、湖泊、沼泽湿地及各种建筑物（如道路等），具有特定的时间和空间属性，其形态和状态可在多种时空尺度上变化，它侧重于土地的自然属性，对地表覆盖物（包括已利用和未利用）进行分类[1]。
遥感影像有监督分类与非监督分类两种主要分类方式，本文重点研究监督分类的三种典型方法: 最小距离法，马氏距离法，最大似然法，利用计算机对研究区的遥感影像进行分析，从空间信息和光谱信息两个不同角度进行研究，在ERDAS工作环境中，对不同像元所属子空间进行详细划分。目前，国内外对遥感影像的研究主要是在物理，数学领域的具体方法应用上比较突出。按照图像要素所利用的不同,大体可以将遥感影像分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合的分类[2]。而目前我们常见的遥感影像处理系统（如ERDAS、PCI、ENVI）均是利用单一分类器进行分类的[3]。遥感影像的自动分类步骤，一般由四个部分组成：选择分类特征波段、选择训练区样本、进行训练器分类、评价分类精度[4]。因分类器的原理各不相同，方法也不尽相同，所以各自有其优劣，因此目前没有任何的能够对所有的遥感数据都能进行很好区分的分类器。