遥感实验遥感图像分类.doc

实验六、遥感图像分类 Supervised Classification (监督分类) 监督分类法又称训练场地法，先选择有代表性的试验区（训练场地），用已知的地物波谱特征来训练计算机，取得识别地物的判别分类规则，并以此为标准对未知区进行自动分类。已知—未知。 在ENVI中，训练分类器用感兴趣区（ROI）来定义。感兴趣区的相关操作我们已经在第二次实验过程中给大家讲过。 用下面程序实现ENVI的监督分类技术（包括平行六面体、最短距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法）： 步骤： 1 打开图像，定义感兴趣区（训练分类器）。 也可以从已保存的感兴趣区文件中装入感兴趣区（Restore ROIs）。 2 选择Classification Supervised 需要的分类方法。 3 出现Classification Input File对话框时，选择文件、波段子集。 点击OK，弹出参数对话框 选择感兴趣区Select All Items，输出到memory，Out Rule Images选择No。 点击“OK”开始分类, 新建DISPLAY窗口，显示分类结果。 Link display，察看分类结果。 其它方法类似。 Unsupervised Classification (非监督分类) 非监督分类又称边学习边分类法，因对研究区情况一无所知，只好先对像元数据进行统计分析。依据每一类型地物应具有相似性特征，把反映地物类型的特征值分布按相似分割和概率统计理论，归并呈相对的空间群体。即，将分割结果归纳到与波段数据相等的多维空间内的若干个集群中，然后根据野外调查确定每个集群的含义。未知——已知； Isodata Isodata（独立数据） 非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。 步骤： 1 选择 Classification Unsupervised Isodata. 2 出现 Classification Input File 对话框，进行标准文件选择或输入文件的子集。 3 点击“OK”，显示 ISODATA Parameters 对话框。 在 ISODATA Parameters 对话框中可以利用的选项包括：即将被限定的分类数的范围输入，被用来对数据进行分类的最多迭代次数，像元变化阈值（0~100%），分割、合并和删除分类阈值以及可选的距离阈值。 1) 输入被限定的类数范围（最小值和最大值）。 用到类数范围是由于独立数据算法是基于输入的阈值进行拆分与合并的，并不遵循一个固定的类数。 2 )在合适文本框里，输入迭代次数的最大值和一个变化阈值（0~100%）。 当每一类的像元数变化小于阈值时，用变化阈值来结束迭代过程。当达到阈值或迭代达到了最多次数时，分类结束。 3 )在合适文本框里，键入形成一类需要的最少像元数。 如果一类中的像元数小于构成一类的最少像元数，则这一类就要被删除，其中的像元被归到距离最近的类里。 4 )在“Maximum Class Stdv”文本框里，键入最大分类标准差（用十进制）。 如果一类的标准差比这一阈值大，则这一类将被拆分成两类。 5) 在合适文本框里，键入类均值之间的最小距离和合并成对的最多数。 如果类均值之间的距离小于输入的最小值，则这一类就会被合并。被合并后的成对类的最大数由合并成对的菜蔬最大值设定。 6 )随意设置类均值左右的标准差和最大允许距离误差，分别在 “Maximum Stdev From Mean:” 和 “Maximum Distance Error:” 文本框里，键入数值。 如果这些可选参数的数值都已经输入，分类就用两者中较小的一个判定将参与分类的像元。如果两个参数都没有输入，则所有像元都将被分类。 7 )选用 “Memory” 输出。 8 )点击“OK”，开始进行独立数据分类。 图像中每一个波段将计算统计值，屏幕上出现一条状态信息，显示操作的进展过程。这一信息随着分类器的每一次迭代在 0 到 100% 之间循环。 新建DISPLAY窗口，显示分类结果。 K-Means K-Means 非监督分类计算数据空间上均匀分布的最初类均值，然后用最短距离技术重复地把像元聚集到最近的类里。每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。 步骤类似Isodata法 遥感基础与应用实验指导 实验六、遥感图像分类 2