多光谱影像分类实践
多光谱遥感影像处理与分析技术研究
多光谱遥感影像处理与分析技术研究作为遥感技术的一种，多光谱遥感在遥感图像处理与分析中发挥了重要作用。
多光谱遥感是通过对遥感数据进行加工处理，提取出遥感图像中众多的光谱信息，通过彩色合成技术来反映不同目标的光谱反射特征，为我们提供了从不同角度观察地球的方法。
本文将从多光谱遥感的基本概念、处理方法、应用领域和发展趋势等几个方面进行介绍。
一、多光谱遥感的基本概念多光谱遥感是一种能够同时获取地表不同波段光谱信息的遥感技术，其波段范围通常包括可见光、近红外、短波红外和热红外等波段，每个波段都对应了不同的地物信息特征。
当地表接受来自太阳辐射的照射时，不同的地物会反射出不同波长的光，而多光谱遥感技术则是通过在地表发生反射时采集的光谱来获取这些地物的特征信息。
二、多光谱遥感的处理方法多光谱遥感图像的处理方法相对于单波段遥感技术面临的挑战要更多一些。
首先，遥感图像需要进行预处理，包括图像校正和噪声滤波等，以保证遥感图像的质量。
其次，需要进行多光谱合成，可以采用像素级、物类级和特征级三种方法进行筛选。
最后，对多光谱遥感图像进行分类和分析，以提取出地表的不同地物信息。
三、多光谱遥感的应用领域多光谱遥感在资源环境监测、作物生长监测、城市空间规划和土地利用研究等领域中得到广泛应用。
例如，在资源环境监测领域中，可以通过多光谱遥感技术获取不同波段的水体信息，实现水资源的合理利用和保护；在作物生长监测领域中，可以利用多光谱遥感技术提取植被指数信息，预测作物产量和监测灾害影响等；在城市空间规划领域中，可以借助多光谱遥感技术获取城市开发建设过程中土地利用类型、空间结构和扩张趋势等信息，实现城市可持续发展。
四、多光谱遥感的发展趋势随着技术的不断进步，多光谱遥感技术在越来越多的领域受到了广泛应用。
未来，多光谱遥感技术还将不断完善，包括影像分辨率提高、数据处理速度加快和更精确的物种识别技术等。
此外，随着人工智能和云计算技术的发展，多光谱遥感技术将很快得到更广泛的应用，走向普及化和全球化。
多光谱遥感图像分类算法研究与实现
多光谱遥感图像分类算法研究与实现随着技术开发的进步，遥感技术逐渐受到广泛关注。
近年来，随着计算机技术的快速发展，人工智能等新技术的不断涌现，遥感图像分类算法的应用越来越广泛。
多光谱遥感图像分类算法作为遥感图像分类领域的一种经典算法，其具有精度高、可靠性强等优点，得到广泛应用和研究。
一、多光谱遥感图像分类算法的定义多光谱遥感图像分类算法是指运用机器学习方法对多光谱遥感图像中的特征进行学习和分类的一种算法。
其基本思想是通过测量地球自然和人造物体反射或辐射出的电磁波的能量，形成具有不同波长和频率的多光谱图像，从而获取图像数据。
通过对多光谱图像数据的处理和分析，可以提取具有代表性的信息，为不同地物的快速识别和分类提供有力支撑。
二、多光谱遥感图像特征提取多光谱遥感图像分类算法的核心之一是特征提取。
特征提取是利用计算方法，对多光谱图像中的像元进行判断和分类，从中提取出具有代表性的信息。
其过程通常包括数据预处理、特征提取和特征选择等步骤。
数据预处理包括图像去噪、图像增强等，以保证提取到的特征具有鲁棒性和稳定性。
特征提取可以通过多种数学方法实现，如投影法、主成分分析法、独立成分分析法等。
三、多光谱遥感图像分类算法多光谱遥感图像分类算法是将图像中的像元分为不同类别的过程。
其目的是将图像像元的不同特征进行聚类，以便表现地物分类特征。
它可以通过无监督和监督学习等方法实现。
其中，无监督学习是指基于聚类分析的算法，可以在不事先知道分类种类的情况下对图像进行分类；监督学习是指通过已有的各类地物分类信息，建立分类模型，并在该模型指导下对图像进行分类。
常见的多光谱遥感图像分类算法包括最小距离分类法、最大似然分类法、支持向量机分类法、决策树分类法等。
四、多光谱遥感图像分类算法实现多光谱遥感图像分类算法实现的步骤包括图像预处理、特征提取、像元分类等。
具体步骤如下：1.图像预处理：对多光谱图像进行去噪、增强等处理，以提高算法的准确性。
如何使用多光谱遥感图像进行农作物分类
如何使用多光谱遥感图像进行农作物分类遥感技术作为一种获取地球表面信息的方法，正被越来越广泛地应用于农业领域。
其中，多光谱遥感图像被用来进行农作物分类，可以帮助农业生产者快速准确地了解农田的种植情况，提高农作物管理的效率和决策的准确性。
农业是人类社会的基石，而农作物的分类是农业生产管理的重要一环。
在过去，传统的农作物分类方法主要依靠人工观察和地面调查，但这种方法需要耗费大量的时间、人力和物力，而且结果往往有一定的主观性和不准确性。
多光谱遥感图像则提供了一种更加高效、准确的农作物分类技术。
多光谱遥感图像是通过采集地球表面不同波段的光谱信息来获取农田的遥感数据。
传感器可以捕捉不同植被类型的反射特征，根据不同植被在不同波段的光谱响应，可以将农田中的植被按照其类型进行分类。
首先，多光谱遥感图像可以通过准确捕捉不同波段的反射光谱特征，对农田中的不同植被进行分类。
例如，在红外光谱波段中，植被的反射率较高，而土壤的反射率较低。
因此，通过解析多光谱图像中的红外波段，可以清楚地区分出植被和土壤区域，从而实现农作物的分类。
其次，多光谱遥感图像可以识别和区分不同农作物。
不同的农作物具有不同的反射光谱特征，通过比对多光谱图像和农作物光谱库的数据，可以将农田中的不同农作物进行分类。
例如，小麦和玉米在绿光波段的反射率差异较大，因此可以通过解析多光谱图像中的绿光波段，对小麦和玉米进行分类。
此外，多光谱遥感图像还可以提供农作物生长状况的评估。
不同农作物在不同生长时间段具有不同的反射光谱特征。
通过定期获取多光谱遥感图像，可以对农田中的农作物生长情况进行监测和评估。
例如，在农作物生长的初期，由于植被覆盖较少，土壤的反射率较高；随着农作物生长，植被的反射率逐渐增加。
通过解析多光谱图像中的近红外波段，可以对农作物的生长情况进行快速评估。
最后，多光谱遥感图像的分类结果可以为农业生产和管理提供决策依据。
通过对农田的分类，可以了解农田中不同农作物的分布情况，对农田的利用和种植计划进行优化和调整。
多光谱影像的主要优势和应用场景
多光谱影像的主要优势和应用场景多光谱影像的主要优势和应用场景如下：多光谱影像的主要优势：1.四重信息：光谱图像的数据空间、辐射、光谱以及时间，这些信息能够得到目标的位置和形状在空间的几何特征、目标和背景在光谱亮度有差别时的辐射特征，还可以提取表面材料的光谱特征等信息。
2.高分辨率：多光谱成像技术利用具有一定分辨率的光谱图像进行目标探测，该图像数据具有图谱结合的特性，对比于传统的单一宽波段探测，能够在目标场景上有更为丰富的信息。
多光谱影像的应用场景：1.农业领域：多光谱镜头在农业领域有着广泛的应用。
利用多光谱图像可以接收到庄稼成长的光合作用代谢信息和植被开花与结果的关键信息等，可量化普通照片所无法呈现的精细信息。
农民可以用它来推断出植物的生长状况和健康状况，从而进行有效的灌溉管理、施肥和病虫害防治，优化农业生产系统。
同时，收集的多光谱数据还可以用于制图、评估土地利用和土地覆盖等方面，为农民提供决策支持。
2.林业领域：多光谱镜头在林业领域中，主要用于对森林类型、林场健康状态和物种组成等方面的研究。
通过合理的光谱图像处理，能够分类和分析不同树种和森林中的地理景观，用来监测和预警森林火灾、疾病、虫害等会导致树木萎缩死亡的因素。
多光谱的应用呈现出与其他地球观测平台相比的高时空分辨率，在跟踪森林覆盖变化、衡量森林生长和林场产品量等方面显示出了更稳定的表现。
3.气象领域：多光谱成像技术还可以应用于气象领域，如气象监测、灾害预警和气候变化研究等。
通过多光谱镜头可以获取地表信息，如温度、湿度、风速等，从而对气象条件进行实时监测和预警。
同时，多光谱技术还可以用于研究气候变化对地表环境的影响，为气候变化研究提供重要的数据支持。
4.军事领域：军事领域也是多光谱成像技术的重要应用方向之一。
通过多光谱镜头可以获取目标的多种光谱信息，从而对目标进行识别和分析。
这种技术在情报侦察、导弹预警和战场监测等方面具有广泛的应用前景。
此外，多光谱成像技术还可以应用于遥感监测、环境保护、矿产资源勘探等领域。
envi无人机多光谱影像处理流程
envi无人机多光谱影像处理流程
处理遥感数据是一项复杂的任务，特别是在处理无人机多光谱影像方面。
下面是一个基本的无人机多光谱影像处理流程：
1. 数据采集：使用多光谱传感器的无人机进行数据采集。
无人机根据预先设置的飞行线路和参数进行飞行，在规定的区域内获取多光谱影像。
2. 数据预处理：对采集的多光谱影像进行预处理，包括去除散焦、轨迹畸变校正、几何校正、辐射校正等。
这些预处理步骤能够帮助提高影像质量和准确度。
3. 数据分割：将多光谱影像分割成不同的地物类别，如植被、水体、建筑等。
常用的分割方法包括阈值分割、区域生长法等。
4. 特征提取：从各个地物类别中提取特征，用于后续的分类和分析。
常见的特征包括纹理特征、形状特征、频谱特征等。
5. 分类：使用机器学习或深度学习算法对特征进行分类，将不同的地物类别分类出来。
常用的分类算法有支持向量机（SVM）、随机森林（Random Forest）、卷积神经网络（Convolutional Neural Network）等。
6. 土地利用/土地覆盖分析：根据分类结果进行土地利用/土地
覆盖分析，估计不同类别的面积和分布情况。
这可以帮助决策者对土地资源进行合理规划和管理。
7. 结果展示：将处理后的数据结果进行可视化展示，以便于用户对结果进行分析和理解。
可以生成各种图表、地图等形式的结果。
需要注意的是，以上流程只是一个基本框架，具体的处理流程还会受到数据的特点和处理目标的影响，需要根据具体情况进行调整和完善。
使用多光谱影像进行土壤分类测绘
使用多光谱影像进行土壤分类测绘随着科技的不断发展，遥感技术在土壤分类测绘中扮演着越来越重要的角色。
其中，使用多光谱影像进行土壤分类测绘已经成为一种有效的方法。
本文将探讨多光谱影像在土壤分类测绘中的应用，并介绍其原理和优势。
多光谱影像是通过飞行器、卫星或无人机等采集的，能够获取不同波段的光谱信息。
在土壤分类测绘中，多光谱影像可以帮助我们识别不同土壤类型和其特征。
其原理是利用土壤各波段的反射率差异，结合统计和数学方法，对土壤进行分类。
首先，利用多光谱影像进行土壤分类测绘可以提高测绘的效率。
传统的土壤测绘需要人工采样和实验室分析，这耗时耗力且费用高昂。
而使用多光谱影像，可以一次性获取大范围的土壤信息，并且可以随时更新数据，为农业生产和土地管理提供及时的支持。
其次，多光谱影像可以提供更丰富的土壤特征和信息。
通过分析多光谱影像，可以获得土壤的颜色、湿度、质地、有机质含量等多个性质指标。
这些指标可以帮助我们了解土壤的肥力、排水情况、适宜种植作物等，为农业生产提供科学依据和决策支持。
另外，多光谱影像可以辅助土壤退化和污染的识别。
土壤退化和污染是当前不可忽视的环境问题，对农业生产和生态环境带来了很大威胁。
使用多光谱影像，可以检测土壤的化学成分和光谱反射，从而识别出土壤中的重金属、养分平衡和酸碱度等情况。
通过对这些数据的分析，可以及时发现土壤退化和污染的问题，并采取相应的治理措施。
在土壤分类测绘中，多光谱影像的应用还需要充分解决一些挑战。
首先是数据处理的问题。
多光谱影像通常需要进行预处理、特征提取和分类等步骤，这需要专业的软件和算法来支持。
其次是光谱库的建立。
光谱库是对土壤样本进行光谱分析和数据录入的数据库，其质量和数量直接影响土壤分类的准确性和可行性。
还有，不同光谱参数对土壤分类的影响也需要进一步研究和了解。
总之，使用多光谱影像进行土壤分类测绘是一种高效、准确和实用的方法。
通过分析多光谱影像的数据，我们可以获得土壤的各种特征和信息，为农业生产和土地管理提供科学依据和决策支持。
多光谱成像技术的原理及应用
多光谱成像技术的原理及应用1. 概述多光谱成像技术是一种用于采集、处理和分析物体或地表的多波段图像数据的技术。
通过测量目标在不同波段下的反射、辐射或发射数据，可以获取丰富的光谱信息，从而提供对目标的详细分析和表征。
本文将介绍多光谱成像技术的原理和应用。
2. 原理多光谱成像技术的原理基于光物理学和光谱学的基本原理，采用了多波段成像的方法。
通过使用多个离散波段的光谱传感器或光谱仪，可以同时获取目标在不同波段下的光谱信息。
这些光谱信息可以表示目标的光谱响应，反映了目标物质的化学成分、光学特性、生理状态等。
3. 应用多光谱成像技术在许多领域中有广泛的应用。
以下是一些常见的应用领域：3.1 农业多光谱成像技术在农业中的应用十分重要。
通过对农作物进行多光谱成像，可以获取作物在不同波段下的生长状态、营养状况等信息。
这些信息可以帮助农民监测作物的健康状况，及时采取措施预防和治理病虫害，并实现精准施肥、灌溉等农业管理。
3.2 环境监测多光谱成像技术在环境监测中有着广泛的应用。
通过多光谱成像仪器，可以获取地表的光谱信息。
这些信息可以帮助研究人员分析大气污染、水体富营养化、土壤质量等环境问题。
同时，多光谱成像技术还可以用于监测植被覆盖变化、湿地演变等生态系统变化。
3.3 医学多光谱成像技术在医学领域中也有广泛的应用。
通过对人体组织和细胞的多光谱成像，可以获得关于病理、生理、代谢等方面的信息。
这些信息对于疾病的诊断、治疗和监测有着重要的作用。
同时，多光谱成像技术还用于皮肤科、牙科等领域的医学美容和治疗。
3.4 遥感多光谱成像技术在遥感领域中也有重要的应用。
通过航空或卫星遥感平台搭载多光谱成像仪器，可以获取地表的多波段图像数据。
这些数据可以用于制图、地理信息系统（GIS）分析和环境监测等领域。
同时，多光谱成像技术在遥感应用中也可以用于农业、林业、城市规划等方面。
3.5 其他领域除了上述应用领域外，多光谱成像技术还在许多其他领域中有着广泛的应用。
遥感影像处理实验报告(3篇)
第1篇一、实验背景与目的随着遥感技术的不断发展，遥感影像已成为获取地球表面信息的重要手段。
遥感影像处理是对遥感影像进行一系列技术操作，以提高影像质量、提取有用信息的过程。
本实验旨在通过实践操作，让学生掌握遥感影像处理的基本原理和常用方法，提高学生对遥感影像数据的应用能力。
二、实验内容与步骤本次实验主要包括以下内容：1. 数据准备：获取实验所需的遥感影像数据，包括光学影像、红外影像等。
2. 影像预处理：对原始遥感影像进行辐射校正、几何校正、图像增强等处理。
3. 影像分割：对预处理后的影像进行分割，提取感兴趣的目标区域。
4. 影像分类：对分割后的影像进行分类，识别不同的地物类型。
5. 结果分析：对分类结果进行分析，评估分类精度。
三、实验步骤1. 数据准备- 获取实验所需的遥感影像数据，包括光学影像、红外影像等。
- 确保影像数据具有较好的质量和分辨率。
2. 影像预处理- 辐射校正：对原始遥感影像进行辐射校正，消除大气、传感器等因素对影像辐射强度的影响。
- 几何校正：对原始遥感影像进行几何校正，消除地形起伏、地球曲率等因素对影像几何形状的影响。
- 图像增强：对预处理后的影像进行图像增强，提高影像对比度、清晰度等。
3. 影像分割- 选择合适的分割方法，如基于阈值分割、基于区域生长分割、基于边缘检测分割等。
- 对预处理后的影像进行分割，提取感兴趣的目标区域。
4. 影像分类- 选择合适的分类方法，如监督分类、非监督分类等。
- 对分割后的影像进行分类，识别不同的地物类型。
5. 结果分析- 对分类结果进行分析，评估分类精度。
- 分析分类结果中存在的问题，并提出改进措施。
四、实验结果与分析1. 影像预处理结果- 经过辐射校正、几何校正和图像增强处理后，遥感影像的质量得到显著提高，对比度、清晰度等指标明显改善。
2. 影像分割结果- 根据实验所采用的分割方法，成功提取了感兴趣的目标区域，分割效果较好。
3. 影像分类结果- 通过选择合适的分类方法，对分割后的影像进行分类，成功识别了不同的地物类型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多光谱影像分类实践杨沈斌南京信息工程大学应用气象学院概述遥感影像分类是遥感应用的重要内容之一。
多光谱遥感图像通过亮度或像元值的高低差异，即地物光谱信息在各波段图像上的反映，以及地物分布的空间特征来表示不同地物的差异。
因此，不同地物的光谱特征差异及空间分布特性是区分不同地物的物理基础。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照特定的规则或算法划分为不同的类别，识别不同地物，并获取不同地物的空间分布。
遥感图像分类主要分为两种方法：监督分类与非监督分类。
另一种是将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。
监督分类方法的一般过程：1)定义训练样本2)执行监督分类3)评价分类结果4)分类后处理非监督分类方法的一般过程：1)执行非监督分类2)类别定义3)合并子类4)评价结果监督分类方法的实践操作以ENVI软件自带的Landsat TM数据can_tmr.img为例，运用最大似然分类算法（Maximum Likelihood Classification）进行影像分类的操作。
按照该分类方法的一般过程执行，步骤如下：1. 启动ENVI，使用File—Open Image File命令并打开ENVI软件默认路径下的can_tmr.img影像。
打开后，使用波段组合R=7、G=4、B=2方式Load RGB显示，如图1所示。
从Available Bands List中可以看出，该影响不带投影坐标系统（即没有蓝色的小地球图标）。
从打开的图像中，基本上可以看出，绿色对应植被区域，山区有植被覆盖（深绿色），山的背阳面为黑色，白色的区域主要对应裸地（但笔者不是非常确定）。
利用Z Profile（Spectrum）工具提取植被、河流、裸地的波段光谱曲线，如图2所示。
从图中可以看出，不同地物的光谱曲线差异明显。
2. 建从菜的感中设建立ROI （感兴菜单中选择P 感兴趣区域作设定Fill 为Li 图2 三种兴趣区域）。
在Polygon （默认作为该地类的ine形式以便种地物的波段光在影像显示窗认），同时在训练样本。
例便查看。
图1 在E 光谱曲线，白色窗口上点击右在面板的Wind例如，在图ENVI 中打开并色为农作物，蓝右键，打开RO dow 一栏选4中用绿色多并显示影像蓝色为林地，红OI Tool … 面中Zoom 。
即多边形建立了红色为裸地，绿面板。
如图3所即以多边形方了vegetation绿色为河流所示。
点击面板方式在Zoom n1的两处样方板中ROI_Ty 窗口中建立方，在ROI ype ，立一定Tool3. 根练样令，出，的是小于根据目视判图样本之间的可然后选择ca 各地类训练是，两地类样于1.8，需要重图，从影像中可分性，以初an_tmr.img 影练样本间的可分样方之间的可重新选择样本图4 中建立了四种初步判断可能影像，再选定分性很好，J 可分性越强，本；小于1，图在Zoom 窗口种地物的ROI 的分类精度。
定所有建立的Jeffries-Matus 数值越大，最需要考虑将3 ROI Tool 面口中画取的v I 区域作为训。
点击ROI 的ROI 训练样sita 和Trans 最大为2.0。
将两类样本合面板vegetation1RO 训练样本，如Tool 面板里样本，最终得formed Diver 大于1.9则说并一类样本。
OI 区域图5所示。
的Options —得到图6的可rgence 数值均说明样本之间。
下面操作用来Compute RO 可分性报告。
均在1.9以上间可分性好，来查看各RO OI Separabili 从报告中可上。
这里需要属于合格样OI 训ity 命可以看要说明样本；4. 执的影有R 要设度小择N 辐射的整255；执行监督分类影像后，弹出ROI ，或者点设置似然度的小于该阈值不None 。
面板中射率数据转化整型数据，也；对于10-bi 类。
在ENVI 出最大似然分点击面板区域的阈值。
如果不被分入该类中Data Scale 化为浮点型数也就是DN 值it数据，设定主菜单中，点分类方法的参数域下方的Selec 果选择Single 类。
如果选择Factor 参数是数据。
例如，，将比例系数定的比例系数图5 建立图6点击Classifi 数设置对话框ct All Items 按Value ，则在Multiple Va 是一个数据比如果反射率数数设为2n -1，数为1023；对立的四种地类的6 ROI 可分性报ication —Sup 框，如图7所按钮，选择全在Probability alue 时，则对比例系数。
这数据为0~10n 为数据的对于11-bit数的ROI 区域报告ervised —Ma 所示。
在Sel 全部的训练样Threshold 文对每个训练样这个比例系数0000，则设定的比特数。
例数据，设定的aximum Likel lect Classes fr 样本。
Set Pr 文本框中输入样本建立阈值数是一个比值定的比例系数如，对于8-b的比例系数为lihood 。
在选from Regions robability Th 入一个0~1的值，阈值意义值系数，用于数就为10000-bit 数据，设为2047。
点击选择需要进行面板中，选hreshold 面板的值，即如果义与上同。
这于将整型反射,。
对于没有设定的比例系击面板左下方行分类选择所板中需果似然这里选射率或有定标数为方按钮Prevview可以预览览分类的结果果，单击Chaange View 可图7 最大图8最大似然分可改变预览区大似然分类法参分类法参数设定区域，如图8参数对话框定及Preview显所示。
分类结显示结果如图9所示。
5. 评混淆1）使在In 话框结果并到在并③选改的评价分类结果淆矩阵（Conf 使用将分类结nteractive Cla 框中，勾选类果的准确性。
到Unclassified 并入类别的选择Edit —Po的分类结果区果。
执行监督fusion Matric 结果叠加的评ass Tool Inpu 类别前面的On 如图10所示d 中。
下面以的前面点击左olygon Type ：区域（如图11督分类后，需ces ）和ROC 评价方法。
在D ut File 选择框n ，就能将此示。
如果发现以合并到别的键，让这个类Polygon 。
④1），按住左键需要对分类结C 曲线（ROC Display 中显示框中选择分类此类结果叠加现部分分类结的类的方法做类别处于激活④在Edit Win键绘制多边形图9 分类结果结果进行评价C Curves ）。
示can_tmr.im 类结果。
单击加显示在Disp 结果不准确，做详细的介绍活状态（Activ ndow 选项中形区域，单击果 价。
ENVI 提供mg 影像，在Im 击OK 按钮打play 的Image 可有两种处绍，步骤如下ve Class ）。
②选中，选择Zoo击右键确认形供了多种评价mage 窗口中选打开Interactiv e 窗口上。
通处理方法：合：①在Inter 选择Edit —M m 。
⑤在Dis形状，再次单价方法，包括选择Overlay ve Class Tool 通过目视判断合并到别的类ractive Class Mode ：Polygo splay 窗口中单击右键确认括分类结果叠y —Classifica 对话框。
在断的方法评价类别中和删除Tool 对话框on Add to Cla 中，定位到需认修改。
叠加、ation ，在该对价分类除并归框中，ass 。
需要修2）使信息种方练样—Po 果图输出混淆分误沿=360使用混淆矩阵息）。
ENVI 可方式来计算混样本相同。
笔ost Classifica 图像。
地表真出窗口的Outp 淆矩阵，如图误差、制图精着混淆矩阵0/361=99.723阵计算分类结可以使用一副混淆矩阵，即笔者建立了如ation —Confu 真实ROI 将被put Confusio 图15所示。
混精度以及用户的对角线30%。
Kappa 结果。
该方法副地表真实图Using Groun 下真实地类usion Matrix 被自动加载到n Matrix 中，混淆矩阵输出精度。
总体分分布，总像a 系数则越接图图11 使法把分类结果像或地表真实nd Truth ROI 的ROI 区域—Using Grou 到Match Class 选择像素（出的结果包括分类精度等于元数等于所接近1说明精图12建立真实地10 分类结果叠使用多边形修改果的精度显示实感兴趣区域IS 。
因此，需域，如图12所und Truth RO ses Paramete （Pixels ）和百括总体分类精于被正确分类有真实参精度越高。
其地类的ROI用叠加改分类结果示在一个混淆域来计算混淆需要建立各地所示。
此时，OIs 。
在Classi ers 对话框中百分比（Perc 精度、Kappa 类的像元总和考源的像其他精度定义请用于评价分类结淆矩阵里（用淆矩阵。
这里地类真实的R 在ENVI 主ification Inpu ，如图13所cent ），如图系数、混淆矩和除以总像元元数。
例如请见ENVI H 结果用于比较分类里限于数据的ROI 区域，建主菜单中，选ut File 对话框所示。
在随后14所示。
点矩阵（概率）元数。
被正确，图15HELP文档。
类结果与地表的缺乏，选用建立方法同建选择Classific 框中，选择分后弹出的混淆点击OK 后，）、错分误差确分类的像元中的总分类表真实第二建立训cation 分类结淆矩阵输出差、漏元数目精度图13 Match 图14 Confusi h Classes Paramion Matrix Para meters 对话框ameters对话框3）使Imag 对于曲线信息此，以—R 波段Para 如图ROC 使用ROC （R ge ）分类结果于每种所选类线和P d 相对息的ROI ，并以上面分类算OC Curves —段将生产一条ameters 对话框图16所示。
R C曲线，从结Receiver Ope 果与地表真实类别（规则波于阈值的曲线并需要规则图算法获得Ru Using Groun 条ROC 曲线，框中，选择匹ROC 曲线参数结果可以看出erating Charac 实信息进行比段），都将记线。
这里使用像。
该图像le Image 为规nd Truth ROI 这里使用S 匹配的类别，数设定面板如出，分类精度图cteristic ）曲线较。
ENVI 是记录该类别的用地表真实感由分类算法导规则图像进行Is 。
在Rule I Spectral Subs 点击Add C 如图17所示度非常高，裸15 混淆矩阵线计算分类精是通过地表真的“探测”概感兴趣区的方导出，如最大行ROC 曲线分Input File 对话set 按钮选择Combination 按示，ROC Curv裸土的检测概阵精度。