基于ENVI的遥感图像分类方法比较研究.docx
- 文档编号:24188969
- 上传时间:2023-05-25
- 格式:DOCX
- 页数:31
- 大小:2.39MB
基于ENVI的遥感图像分类方法比较研究.docx
《基于ENVI的遥感图像分类方法比较研究.docx》由会员分享,可在线阅读,更多相关《基于ENVI的遥感图像分类方法比较研究.docx(31页珍藏版)》请在冰豆网上搜索。
基于ENVI的遥感图像分类方法比较研究
基于ENVI的遥感图像分类方法研究比较
(聊城大学环境与规划学院GIS专业2010级4班学号:
**********)
摘要基于监督分类方法在遥感图像分类中已经普遍应用,本文将介绍了几种ENVI提供的常用的监督分类方法和ENVIEX提供的面向对象的分类方法。
对同一遥感图像运用这几种方法进行分类,并对分类结果进行对比,从而分析这几种方法分类精度之间的差异。
关键词遥感图像分类平行六面体最小距离法最大似然法面向对象
第一章绪论
1.1、研究的背景和意义
随着遥感技术的发展,遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源,并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。
由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就显得尤为重要。
遥感图像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异。
这是区分不同图像地物的物理基础。
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某种规则或算法划分为不同的类别,然后获得遥感图像中与实际地物的对应信息,从而实现遥感图像的分类。
目前随着各种新理论新方法的相继涌现,遥感图像存在多种分类方法,所以本文主要是选取几种常用的监督分类方法和ENVIEX提供的面向对象分类方法用实验结果表明它们之间存在的差异。
1.2、研究方法
(1)、本文从遥感图像解译的基本原理出发,阐述了ENVI软件在遥感图像解译中使用的原理,并对其提供的方法进行了详细的解读。
(2)、详细叙述了ENVIEX提供的FeatureExtraction工具即面向对象分类方法的使用。
(3)、根据得到的分类结果,采用混淆矩阵和kappa系数对分类结果进行精度评价。
从中得出一些结论,并对ENVI软件在遥感图像分类方法中提出可行性建议。
第二章图像分类原理
2.1、遥感图像分类方法
目前遥感图像分类方法种类繁多,并且每种方法都有其自身的特点,但也不可避免的有一些缺陷。
通常遥感图像的分类方法可分为非监督分类和监督分类。
非监督分类方法是在没有先验类别(训练场地)作为样本的条件下,即事先不知道类别特征,主要根据像元间相似度的大小进行归类合并(将相似度大的像元归为一类)的方法(对于此种分类方法本文只做方法介绍并不做过多的研究)。
监督分类方法,首先需要从研究区域选取有代表性的训练场地作为样本。
根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、方差等),建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别。
监督分类的关键是训练场地的选择,其选择的质量将直接影响到分类结果的可靠性。
有时仅仅考虑在某特定时间和空间内选取训练样本还是不够的,为了提高分类的精度,所以有必要研究一些新的分类算法,比如:
基于专家知识的决策树分类、支持向量机、面向对象图特征提取等方法(本文主要应用第三种新分类方法)。
2.2、监督分类
遥感图像监督分类大致流程如图2所示:
图2:
监督分类流程
遥感图像监督分类处理的基本过程,包括原始图像的预处理、训练样本的选择、特征的选择和特征提取、分类器设计、图像分类、结果输出以及结果检验等。
2.2.1、最小距离法
最小距离分类法是以特征空间中的距离作为像素分类的依据。
首先由训练样本数据得出每一类别的均值向量和协方差矩阵,然后以各类的均值向量作为该类在多维空间中的中心位置。
计算输入图像中的每个像元到各类的距离,到哪一类中心的距离最小,则该像元就归入哪一类别。
因此,在这类分类方法中距离就是一个判别函数。
最小距离分类原理简单,分类精度不高,但计算速度快,它可以在快速浏览分类概况中使用。
通常使用马氏距离、欧氏距离、计程距离这三种判别函数。
2.2.2、最大似然法
最大似然法因有严密的理论基础,对于呈正态分布的类别判别函数易于建立,综合应用了每个类别在各波段中的均值,方差以及各波段之间的协方差,有较好的统计特性,一直被认为是最先进的分类方法。
最大似然法是建立在贝叶斯准则基础上的,其分类错误概率较小,是监督分类方法中风险最小的判决分析,是典型的和应用最广的监督分类方法,偏重于集群分布的统计特性,并假定训练样本数据在光谱空间服从高斯正态分布。
用最大似然法分类,具体分为三步:
首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描影像各像元,将像元特征向量代入判别函数求出其属于各类的概率,将待判断像元归属于判别函数概率最大的一组。
该分类法错误最小精度高,是较好的一种分类方法。
不足的是传统的人工采样方法工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差。
利用GIS数据来辅助最大似然法分类,可以提高分类精度,通过建立知识库指导分类的进行,可以减少分类的错误,这是提高最大似然法分类精度的有效途径。
其分类步骤为:
1)确定需要分类的地区、使用的波段和特征分类数,检查所用各波段或特征分量的位置是否已经相互配准;
2)根据已掌握典型地区的地面情况,在图像上选择训练区;
3)根据选出的各类训练区的图像数据,计算
和
,确定先验概率
;
4)分类,将训练区以外的图像像元逐个逐类地代入公式2.2,对于每个像元,分几类就计算几次,最后比较大小,选择最大值得出类别;
5)产生分类图,给每一类规定一个值,如分10类,就为1,2,…,10,分类后的像元值用类别值替代,最后得到分类专题图像,因最大灰阶值等于类别数,在监视器上显示时需要给各类加上不同彩色;
6)检验结果,如分类中错误较多,需重新选择训练区再走以上各步,直到结果满意为止。
2.2.3、平行六面体法
平行多面体分类法是根据设定在各轴上的值域,在多维数据特征空间中划分出若干个互不重叠的平行多面体块段(特征子空间)。
应用这种方法进行分类需要由训练组数据学习产生基本的统计量信息,包括每个类别的均值向量和标准向量。
若有n个波段,m个类别,用
代表第i类第j波段的均值,
为对应的标准差,
为像元x在j波段的像元值。
对于某一个类别i(i=1,2,…,m)当像元x满足:
即该像元在所有波段的灰度值都符合上述条件,就把像元x归入第i列,即Class(x)=i;否则不能归入已知类别,即Class(x)=0。
式中T为人为规定的一个阈值,相当于有概率分布触发,采用几个标准差作为可信的分类边界,T越大则一个类的范围越大。
这种方法比较简单,计算速度比较快。
主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致,也就造成两类的互相重叠,混淆不清的情况。
2.2.4、监督分类的主要特点
主要优点:
可充分利用分类地区的先验知识,预先确定分类的类别;可控制训练样本的选择,并可通过反复检验训练样本,以提高分类精度(避免分类中的严重错误);可避免非监督分类中对光谱集群组的重新归类。
主要缺点:
人为主观因素较强;训练样本的选取和评估需花费较多的人力、时间;只能识别训练样本中所定义的类别,对于因训练者不知或因数量太少未被定义的类别,监督分类不能识别,从而影响分类结果(对土地覆盖类型复杂的地区需特别注意)。
2.3、遥感图像分类新方法
2.3.1、基于专家知识的决策树分类
决策树分类作为一种基于空间数据挖掘和知识发现的监督分类方法,突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感知识先验确定、其结果往往与其经验和专业知识水平密切相关的问题,而是通过决策树学习过程得到分类规则并进行分类,分类样本属于严格“非参”,不需要满足正态分布,可以充分利用GIS数据库中的地学知识辅助分类,大大提高了分类精度。
决策树分类算法:
决策树(Decisiontree)是通过对训练样本进行归纳学习生成决策树或决策规则,然后使用决策树或决策规则对新数据进行分类的一种数学方法。
决策树是一个树型结构,它由一个根结点、一系列内部结点及叶结点组成每一结点只有一个父结点和两个或多个子结点,结点间通过分支相连。
决策树的每个内部结点对应一个非类别属性或属性的集合(也称为测试属性),每条边对应该属性的每个可能值。
决策树的叶结点对应一个类别属性值,不同的叶结点可以对应相同的类别属性值。
决策树除了以树的形式表示外,还可以表示为一组IF—THEN形式的产生式规则。
决策树中每条由根到叶的路径对应着一条规则,规则的条件是这条路径上所有结点属性值的舍取,规则的结论是这条路径上叶结点的类别属性。
与其它分类方法相比,规则更简洁、更便于人们理解、使用和修改,可以构成专家系统的基础。
因此在实际应用中更多的是使用规则。
决策树分类流程图如图3所示:
图3:
决策树分类流程图
决策树技术应用于遥感影像的土地利分类过程中的优点:
决策树方法不需要假设先验概率分布,这种非参数化的特点使其具有更好的灵活性,因此,当遥感影像数据特征的空间分布很复杂,或者多源数据各维具有不同的统计分布和尺度时,用决策树分类法能获得理想的分类结果;决策树技术不仅可以利用连续实数或离散数值的样本,而且可以利用“语义数据”,比如离散的语义数值:
东、南、西、北、东南、东北、西南、西北;。
决策树方法生成的决策树或产生式规则集具有结构简单直观、容易理解、以及计算效率高的特点,可以供专家分析、判断和修正,也可以输入到专家系统中,而且对于大数据量的遥感影像处理更有优势;决策树方法能够有效地抑制训练样本噪音和解决属性缺失问题,因此可以解决由于训练样本存在噪声(可能由传感器噪声、漏扫描、信号混合、各种预处理误差等原因造成)使得分类精度降低的问题。
2.3.2、面向对象图像特征的提取
“同物异谱,同谱异物”会对影像分类产生的影响,加上高分辨率影像的光谱信息不是很丰富,还有经常伴有光谱相互影响的现象,这对基于像素的分类方法提出了一种挑战,面向对象的影像分类技术可以一定程度减少上述影响。
本小节以ENVI中的面向对象的特征提取FX模块为例,对这种技术和处理流程做一个简单的介绍。
(1)、技术概述
面向对象分类技术集合临近像元对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱的空间、纹理和光谱信息对图像分割和分类,以高精度的分类结果或者矢量输出。
它主要分为两部分过程:
影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术,常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。
比较常用的就是多尺度分割算法,这种方法综合遥感图像的光谱特征和形状特征,计算图像中每个波段的光谱异质性与形状异质性的综合特征值,然后根据各个波段所占的权重,计算图像所有波段的加权值,当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时,进行重复迭代运算,直到所有分割对象的综合加权值大于指定阀值即完成图像的多尺度分割操作。
影像对象的分类,目前常用的方法是“监督分类”和“基于知识分类”。
这里的监督分类和我们常说的监督分类是有区别的,它分类时和样本的对比参数更多,不仅仅是光谱信息,还包括空间、纹理等信息。
基于知识分类也是根据影像对象的熟悉来设定规则进行分类。
表1为三大分类方法的一个大概对比。
类型
基本原理
影像的最小单元
适用数据源
缺陷
传统基于光谱的分类方法
地物的光谱信息特征
单个的影像像元
中低分辨率多光谱和高光谱影像
丰富的空间信息利用率几乎为零
基于专家知识的决策树
根据光谱特征、空间关系和其他上下文关系归类像元
单个的影像像元
多源数据
知识获取比较复杂
面向对象的分类方法
几何信息、结构信息以及光谱信息
一个个影像对象
中高分辨率多光谱和全色影像
速度比较慢
表1:
传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比
(2)、ENVIFX简介
全名叫做“面向对象空间特征提取模块—FeatureExtraction”,基于影像空间以及影像光谱特征,即面向对象,从高分辨率全色或者多光谱数据中提取信息。
该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
同时可以在操作过程中随时预览影像分割效果。
该项技术对于高光谱数据有很好的处理效果,对全色数据一样适用。
对于高分辨率全色数据,这种基于目标的提取方法能更好的提取各种具有特征类型的地物。
具有易于操作(向导操作流程),随时预览效果和修改参数,保存参数易于下次使用与共享,可以将不同数据源加入ENVIFX中(DEMs、shapefiles、地面实测数据等)以提高精度、交互式计算和评估输出的特征要素、提供注记工具可以标识结果中感兴趣的特征要素和对象等特点。
(3)、ENVIFX操作说明
ENVIFX的操作可分为两个部分:
发现对象(FindObject)和特征提取(Extractfeatures),其操作流程如图4所示:
图4:
FX操作流程
(4)、准备工作
根据数据源和特征提取类型等情况,可以有选择的对数据做一些预处理工作。
主要包括:
空间分辨率的调整、光谱分辨率的调整、多源数据组合、空间滤波等。
(5)、发现对象
影像分割:
FX根据临近像素亮度、纹理、颜色等对影像进行分割,它使用了一种基于边缘的分割算法,这种算法计算很快,并且只需一个输入参数,就能产生多尺度分割结果。
通过不同尺度上边界的差异控制,从而产生从细到粗的多尺度分割。
选择高尺度影像分割将会分出很少的图斑,选择一个低尺度影像分割将会分割出更多的图斑,分割效果的好坏一定程度决定了分类效果的精确度,我们可以通过预览分割效果,选择一个理想的分割阀值,尽可能好地分割出边缘特征。
分块合并:
影像分割时,由于阀值过低,一些特征会被分错,一个特征也有可能分成多部分,这种情况下可以通过合并来解决这些问题。
FX利用了FullLambda-Schedule算法,该方法在结合光谱和空间信息的基础上迭代合并临近的小斑块。
这一步是可选项,如果不需要可以直接跳过。
分块精炼:
FX提供了一种阈值法(Thresholding)进一步精炼分块的方法。
它是基于直方图操作,根据分割后结果中的一个波段的灰度值重新聚合分块。
对于具有高对比度背景的特征非常有效(例如,明亮的飞机对黑暗的停机坪)。
计算对象属性:
计算4个类别的属性,包括空间、光谱、纹理、高级选项(颜色空间和波段比)。
其中“颜色空间”选择三个RGB波段转换为HSI颜色空间,“波段比”选择两个波段用于计算波段比(常用红色和近红外波段)。
每个类别包括若干个属性,每个属性详细描述参考ENVI/IDL提供的FeatureExtractionModule文档。
(6)、特征提取
FX提供三种提取特征的方法,分别是监督分类、规则分类和直接矢量输出。
监督分类:
是利用训练样本数据去识别未知对象,包括定义样本、分类方法选择和输出结果三个步骤。
定义样本,是在发现的对象里选择一些能识别地物类型的对象作为样本数据的过程,也可借助地面实测数据定义样本,实测数据主要是点或面的Shapefile矢量文件;FX提供两种监督分类方法:
(1)K临近法,依据待分类数据与训练训练样本元素在n维空间的欧几里得距离来对图像进行分类,n由分类时目标物属性数目来确定。
相对传统的最邻近方法,K临近法产生更小的敏感异常和噪声数据集,从而得到更准确的分类结果。
(2)支持向量机法,是一种源于统计学原理的分类方法。
据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的分类结果;输出结果,可以同时输出两种格式的分类结果:
Shapfile矢量和栅格分类结果,同时也可以看到整个操作的参数和结果统计报表。
规则分类:
每一个分类由若干个规则(Rule)组成,每一个规则有若干个属性表达式来描述。
每个分类可以拥有若干个规则,它们之家是“OR”的关系;每一个规则可以拥有若干个属性表达式,它们之家是“And”的关系。
规则的书写将直接影响到分类结果的精度。
(7)、小结
基于像元的分类方法,依据主要是利用像元的光谱特征,大多应用在中低分辨率遥感图像。
而高分辨率遥感图像的细节信息丰富,图像的局部异质性大,传统的基于像元的分类方法易受高分辨率影像局部异质性大的影响和干扰。
而面向对象分类方法可以利用高分辨率图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息,可以结合专家知识进行分类,可以显著提高分类精度,而且使分类后的图像含有丰富的语义信息,便于解译和理解。
对高分辨率影像来说,还是一种非常有效的信息提取方法,具有很好的应用前景。
第三章分类方法的应用
3.1、研究区概况
本文研究区域为珠海市南部的横琴岛及其附近地区。
横琴岛处于北回归线以南,属南亚热带季风气候区,年平均气温22-23℃;最热月7月,平均气温27.9℃;最冷月1月,平均气温15.1℃;海水温度平均为22.4℃;平均年降水量2015.9毫米;年淡水量达3,654万立方米。
横琴岛四面环水,气候温和,山清水秀,空气清新,原始植被保存完好,一派田园风光,是一片未开发的"处女地",而且有“十步一瀑布,百步万棵树”的自然景观。
素有“山不奇水奇、树不奇石奇、地不奇岛奇”之美称。
有“雨后处处是瀑布,块块奇石都是景”的自然景观,加上横琴与澳门三岛一河之隔,澳门的中西文化建筑成为令人驻足观赏的风景线。
岛上还有"南海前哨钢八连"营地、古战场的遗迹和许多美丽传说。
横琴岛南北长8.6公里,东西宽7公里,海岛岸线76公里,全部开发后将达106.46平方公里,是珠海市146个海岛中最大的岛屿,是澳门现有面积的3倍。
岛上可供开发土地面积约60平方公里,现仍有40平方公里土地未开发。
3.2、研究方法与技术路线
3.2.1、研究数据
随着高分辨率卫星的发展,越来越多的城市开始使用高分辨率影像来提取土地利用信息,如QuicBird(快鸟)影像。
与传统的中、低空间分辨率的遥感影像相比,高分辨率影像空间信息更加丰富,地物目标的细节信息表达得更加清楚,图像上地物景观的结构、形状、纹理等细节信息都非常突出。
本文所采用的QuickBird影像覆盖了珠江下游工业园区和横琴岛大部分区域(数据来源于往届GIS大赛),为0.6米分辨率全色影像和1米分辨率的多光谱影像。
图像成像质量较好,影像格式为tif格式,投影方式为UTM,坐标系统为WGS84。
3.2.2、分类方法
运用ENVI软件自带的监督分类方法中的平行六面体法、最小距离法、最大似然法对同一区域采用同一ROI(感兴区域)样本进行土地利用分类。
并结合验证ROI利用混淆矩阵和Kappa系数对分类结果进行精度评价。
另外,利用ENVI面向对象空间特征提取模块—FeatureExtraction方法,对影像进行面向对象特征提取。
并采用基于图像信息综合评价方法,对该分类结果图像进行评价。
3.2.3、技术路线
3.3、研究区图像预处理
3.3.1、几何校正
常用于影像几何精校正的方法有简单多项式法、理性多项式方法、严格的模型法等。
本文将采用简单多项式法,以全色影像为基准影像对多光谱影像进行几何精校正。
在选取GCP点时遵循了以下原则:
(1)选取地形图与遥感图像上易分辨且较精细的特征点如拐弯点、道路或河流的交汇点、湖边缘、城廓边缘等。
(2)尽量使控制点分布均匀,且覆盖整个研究区域。
(3)选点个数最少为(n+1)(n+2)/2个,但实际操作中应多于要求的1-3倍。
图6:
几何校正
重采样(Resample)就是将未校正图进行像元值计算生成校正图像的过程,未校正图像中的所有栅格数据层被重新赋值。
双线性插值法、邻近点插值法、立体卷积插值法是目前最为常用的重采样方法。
其中邻近点插值法是把最邻近像元值直接赋给输出像元,这种方法具有速度快的特点。
本文采用最邻近距离法。
3.3.2、图像融合
图像融合是将低空间分辨率的多光谱图像或高光谱数据与高空间分辨率的单波段图像重采样,生成一副高分辨率多光谱遥感图像处理技术,使得处理后的图像既有较高的空间分辨率,又具有多光谱特征。
图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。
只有将两幅融合图像进行精确配准,才可能得到满意的结果。
ENVI中提供的融合方法有:
HSV变换、Brovey变换、Gram-Schmidt融合、主成分变换(PC变换)、ColorNormalized变换(CN变换),以及ENVI补丁工具waveletfusion融合等。
根据数据特征,本文主要对数据进行了主成分变换、Gram-Schmidt融合、waveletfusion融合三种方法,在此仅展示后两种融合方法。
(1)采用Gram-Schmidt方法得到的融合结果如图所示:
图7:
Gram-Schmidt融合(3,4,2)图8:
Gram-Schmidt融合(4,2,1)
融合结果分析:
采用Gram-Schmidt融合方法得到的结果图中,当采用3,4,2波段组合显示时,林地和草地光谱特性差异明显易于区分,但水域和建筑物光谱特性相近,容易产生分类误差;当采用4,2,1波段组合显示时,地物光谱特征明显,易于区分;同时也尝试了其他波段显示,但效果均不理想,在此就不做过多的展示。
(2)采用waveletfusion方法得到的融合结果如图所示:
图9:
waveletfusion融合(4,3,2)图10:
waveletfusion融合(3,4,2)
融合结果分析:
采用waveletfusion融合方法得到的结果图总体色彩偏暗,当采用4,3,2波段组合显示时,水域和建筑物光谱特性差异明显易于区分,但林地和草地、裸地和建设用地光谱特性相近,容易产生分类误差;当采用3,4,2波段组合显示时,地物光谱特接近于地表真实地物,但裸地和建筑用地光谱特征相近不易于区分。
通过对不同融合方法的比较,以及对融合结果的分析,本文将选择经过GramSchmidt方法融合,以4,2,1波段组合显示的结果数据作为后续工作的研究数据。
3.3.3、图像裁剪
在实际工作中,经常需要根据研究工作范围对图像进行分幅裁剪,包括:
规则分幅裁剪和不规则分幅裁剪。
规则分幅裁剪是指裁剪图像的边界范围是一个矩形,通过左上角和右下角两点的坐标,就可以确定图像的裁剪位置,整个裁剪过程比较简单。
不规则分幅裁剪是指裁剪图像的边界范围是任意多边形,无法通过左上角和右下角两点的坐标确定裁减位置,而必须事先生成一个完整的闭合多边形区域,可以是一个AOI多边形,也可以是ArcInfo的一个PolygonCoverage,针对不同的情况采用不同的裁剪过程。
为了保证遥感图像具有更好的可操作性,同时便于进行土地利用类型分类,在尽量保持研究区最大范围的情况下,本文将对校正后的结果图像进行规则分幅裁剪。
裁剪前后对比如图所示:
图11:
裁剪前图像图12:
裁剪后图像
3.4、图像分类
遥感图像分类是利用计算机对图像像元数值进行运算、统计及对比等,将像元归并成有限几种等级、类型或数据集的过程。
一般的分类方法可分为两种:
监督分类和非监督分类。
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,以及适合中高分辨率多光谱和全色影像的面向对象分类。
依据本文提出的技术路线,图像分类方法主要采用监督分类方法中的平行六面体法、最小距离法、最大似然法和ENVIFX模块的面向对象特征提取方法。
3.4.1、研究区土地类型分类
从对融合后图像的目视解译中得知,该地区水域主要为珠江、水渠、池塘、湖泊;建筑物主要为居民点、道路、工厂、矿区、工地;山上主要为林地;其他植被覆盖区主要为草地;除此之外,该地区还有相当部分的裸露地表。
根据光谱
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ENVI 遥感 图像 分类 方法 比较 研究