K均值聚类【基于NDVI图像的K均值分类】
时间：2019-05-17 03:31:58 来源：雅意学习网 本文已影响 人 
【摘要】全球变化与陆地生态系统研究是当前遥感领域研究的主要方向，而土地利用和土地植被覆盖率变化对全球与区域生态环境的影响是当前研究的热点问题。为了能更好的进行地面植被覆盖率的研究，基于NDVI图像进行K均值分类，这样能够将植被与土壤和水系等地物更加清晰的区分开来，从而提高分类的精度。
【关键词】植被覆盖率，NDVI，K均值分类
【 abstract 】 the global change and the land ecological system study is the current remote sensing the main direction of research, and the land use and land vegetation coverage change on the global and regional ecological environment is the effect of the current research hot spot problems. In order to better ground vegetation coverage of research, based on NDVI image k-means classification, this can vegetation and soil and water system will be more clear features such as to distinguish, so as to improve the accuracy of classification.
【 key words 】 vegetation coverage, NDVI, k-means classification
中图分类号： TN911.73文献标识码：A文章编号：
一、引言
随着人们对环境保护的逐渐重视，植被研究在生态系统保护中的重要性日益明显。而植被覆盖及其变化是评价区域生态系统环境变化的重要指标，也是影响土壤侵蚀与水土流失的主要因子。随着遥感技术的发展，从多时相、多波段、多分辨率的遥感影像中利用NDVI算法提取植被指数，并生成NDVI图像，在此基础上进行K均值分类，从而提高分类的精度，达到准确统计区域内的植被覆盖率的目的。
二、遥感数据处理
实验数据采用宜昌地区的Landsat TM图像，包括了1、3、4、5、6、7波段数据，每一波段数据分为左右两片，同时利用纠正好的SPOT图像作为地理参照图来进行TM图像的几何纠正。为了进行分类精度的对比，采用融合图像与NDVI图像分别进行K均值分类，然后得出结论。
在图像处理软件ERDAS IMAGINE9.2 的支持下，依次的进行以下操作：图像格式的转换，以便后续操作的进行；波段的叠加，将六个波段的图像数据进行叠加，以增加图像的信息量，从而便于图像的分类；图像的几何纠正，几何纠正是遥感图像预处理至关重要的一步，它关系到图像的几何精度以及图像的拼接的质量，按照Raster->Geometric Correction，然后利用选点工具，在TM图像与SPOT图像上选择同名点，利用二次多项式进行几何校正，由于选择的是二次多项式，因此需要选择至少六个同名点，同时选择六个检查点参与解算，进行精度的评定，当精度满足要求后，再利用双线性内插法进行重采样；图像镶嵌，由于研究区域不在一张图像内，因此需要使用DataPrep->Mosaic Images->Mosaic Tool，将左右两张TM图像合成一张整幅的遥感图像；图像裁剪，由于图像边缘可能存在一些畸变差，需要对图像进行合理的裁剪，图像的裁剪应该对SPOT影像与拼接后的TM影像同时进行，这样可以保证两张图像裁剪的范围和大小是完全相同的，便于图像的精确融合；图像的融合，图像的融合采取Interpreter->Spatial Enhancement->Resolution Merge，将多光谱的TM影像与高分辨率的SPOT影像进行融合，综合两种图像的优势，从而提高图像的效果与质量。
三、原理介绍
1、NDVI
归一化植被指数（the Normalized Difference Vegetation Index，NDVI）是植被指数的一种。植被指数是指从多光谱的遥感数据中提取的有关地球表面植被状况的各种数值。通常使用红光波段与近红外波段通过数学运算进行线性或非线性组合得到数值，用以表征地表植被分布和质量情况。常用的植被指数有许多种，归一化植被指数就是其中之一。由于它与植被的很多生理生态指标有关，如叶面积指数、有效光合辐射、叶绿素浓度、绿叶面积和蒸腾速率等等，因此可以较好地反映植被的生长状况。
NDVI的具体定义式为：
式中：TM3 是可见光红光波段反射率；TM4 是近红外波段反射率。NDVI 的值在- 1 与+1 之间变动，无植被的裸土地区，NDVI 值很低，近于0，而植被密度较高的区域，NDVI 值较高，利用ERDAS IMAGINE 9.2 的Spectral提取该区域的NDVI。
2、K均值分类
K均值分类算法首先确定指定数目的聚类中心，然后依照各类样本到聚类中心的距离平方和最小的原则，进行初始的聚类；完成初始的聚类后，取各类样本的均值作为新的聚类中心，同样按照各类样本到聚类中心的距离平方和最小的原则来进行聚类，直至聚类中不再发生变化，这时则聚类完成。
由于K均值聚类算法对于初始质心的选择是随机的，这样就会导致聚类的结果可能不是最优解，因此初始质心的选择对于聚类结果的影响很大，选取好的初始质心在效率上和结果上要好于选取不合适的初始聚类中心，在选择初始聚类中心时，除了考虑其散布程度外，还应该考虑密度因素，可以采用最近邻相似度的算法来辅助K均值分类算法来进行初始聚类中心的选取。
四、实现方法与过程
在完成遥感数据的预处理后，利用ERDAS进行NDVI图像获取。
选择Interpreter->Spectral Enhancement->Indices，获得进行了灰度拉伸之后的NDVI图像。
将NDVI图像转化为BMP格式的文件，以便在编写好的K均值分类的程序中运行。
同时将融合后的图像进行K均值分类处理，以便作为对比。
在完成了图像的K均值分类后，将图像格式从BMP转换为IMG格式，然后利用Classifier->Accuracy Assessment，进行分类的精度评价。
五、实验与分析
通过分别对NDVI图像和融合后的图像分别进行分类后的精度评定，发现NDVI图像的总体分类精度确实高于融合图像的分类精度，两者的精度分别为85%和83%，尤其是植被的分类精度就显得格外的明显了，NDVI图像中植被的分类精度是93%，而融合影像中植被的分类精度则只有85%。这样的分类精度的对比充分地说明了，利用NDVI算法可以极大地提高植被的分类精度，有助于遥感图像的判读与解译。
六、结束语
在实验中，为了得到可靠的结论，必须进行准确的遥感图像预处理，其中几何纠正是一个十分关键的步骤，它是后续的图像镶嵌、图像融合等一系列步骤的基础。本次实验中，我的图像几何纠正步骤也是重复的进行了许多次，从检查点的数据上看，几何纠正的精度比较不错，从后续的影像拼接等操作来看，总的纠正效果也非常的好。刚开始，我没有选取检查点，只选择了六个控制点，然后从控制点的数据上来判断几何纠正的精度，这就导致了几何纠正的效果不是十分的好；后来加上了六个检查点，从检查点的数据上来判断纠正精度，这样就提高了几何纠正的精度；但实际上，这样的数据上的精度还是不能完全的保证几何纠正的效果，还必须通过后续的拼接来进一步的检查，然后反复的进行几何纠正的选点工作与图像的拼接，直至数据符合小于1的指标以及拼接的图像上没有明显的接缝与拼接模糊现象为止。通过了多次的几何纠正，我获得的经验是在选择同名点的时候，切勿将图像放得过大，这样会导致图像的模糊，以至于根本选不到准确的同名点；同时选择的控制点一定要分布均匀，尽量的分布在整个图面上，这是至关重要的，如果没有均匀的分布，则有一些部分的控制就会不够，导致在图像的拼接时产生变形、扭曲等现象；在选择控制点时，尽量不要去选择水中的点，因为可能所拍摄的图像时相不同，水可能有涨有落，导致了同名点的不精确，应尽量的选择地面上的点。
多光谱图像包含了丰富的地物信息，利用其中的几个波段的运算形成的图像往往会增加地物的信息，通过发现一些规律性的信息特点，可以增加我们对于地物专题信息提取的准确度。
参考文献
[1] 舒宁，马洪超，孙和利 模式识别的理论与方法武汉大学出版社
[2] 贾永红数字图像处理武汉大学出版社
[3] 孙家炳遥感原理与应用武汉大学出版社
[4] 解伏菊，肖笃宁基于NDVI的不同火烧强度下大兴安岭林火迹地森林景观恢复《生态学杂志》
[5] 孙可，刘杰 K均值聚类算法初始质心选择的改进《沈阳师范大学学报》
注：文章内所有公式及图表请用PDF形式查看。
