多种机器学习算法实现遥感影像监督分类(LR,KNN,NB,SVM,RF)

引言

遥感影像的监督分类是用被确认类别的样本像元去识别其他未知类别像元的过程。它是在分类之前通过目视判读和野外调查，对每一种类别选取一定数量的训练样本，通过数学模型对其进行训练，根据训练结果将待分数据划分到与其最相似的样本类，以此完成对整个图像的分类。

本文基于逻辑回归、最近邻、朴素贝叶斯、支持向量机、随机森林5种分类算法，选择一幅Landsat8 OLI多光谱影像，为每类地物选择一定数量的样本（shp格式）进行监督分类，将不同算法的分类结果导出为带有空间参考的tif影像。

结果展示

准备遥感影像

首先准备一幅用于分类的遥感影像，本文用到的影像为Landsat8 OLI多光谱影像，可从地理空间数据云下载，对下载后的影像进行辐射定标、大气校正等操作，并适当裁剪，本文影像裁剪后大小为5000×5000，水平分辨率为30m。由于需要对影像进行目视解译以选取训练样本，应选择各种地物区分度较好的假彩色图像作为分类影像。根据Landsat8 OLI不同波段组合的应用场景遥感影像解译，如何更好的识别地物类型？ ，本文选择了SWIR1、NIR、Blue波段的假彩色影像，将其另存为tif格式数据。

预处理后的遥感影像（真彩色）

制作训练样本

打开tif格式的遥感影像，通过目视判别选取不同地物类型的样本，本文所使用的影像地理位置为昆明市周边，该区域为亚热带气候，地表植被类型丰富，且生长周期不尽相同，因此地物判别有一定的难度。我们结合地物光谱曲线，将这幅影像的地物分为6类：城镇用地、天然林地、水体、农业用地1、农业用地2、农业用地3，农业用地被划分成了3类，具体植被类型不是很清楚，但在假彩色影像中确实有明显区别。使用GIS软件制作训练样本，在影像中为每类地物新建点要素，不同地物类别的样本总数不应相差太远，把选好的地物样本保存为shp文件。注意：遥感影像和训练样本数据的坐标参考系应保持一致（最好是投影坐标系）。

选取地物样本（假彩色）

提取训练样本

我们需要将shp文件中点要素对应的栅格值提取出来，并对每类地物的值进行标记，作为监督分类的训练数据和标签。对遥感影像某点数值的提取通过geopa