遥感图像分类实习..docx

遥感图像分类实习实习原理：遥感图像分类的目的就是将每个像元或区域划归为若干类别的一种，即对各类地物的光谱特征分析来选择特征参数分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各个子空间中去，从而实现分类。1.监督分类波段的选择打开武汉的TM图像，选取相关性比较小的图像信息进行分类。方法：在主菜单下选择Basic Tools →Statistics →Compute Statistics，选择武汉的TM波段。得到武汉TM各个波段的相关性，如图14.1所示，选择相关性小的三个波段。图14.1 各波段的相关性划分训练区打开图像，并以波段选择选择出来的三个波段彩色显示出来在主影像菜单下选择Basic Tools →Region of interest → ROI_Tool。或者在主影像上右击，选择ROI_Tool，如图14.2所示。图14.2 ROI_Tool对话框在出的现ROI_Tool对话框下，选择所要分类的窗口，选择Zoom窗口，即在 Zoom图像上划训练区。在Available Regions of Interst中点击New Region，可以新建训练区。Delete 可以删除已经建成的任一个训练区。选中一个训练区，点击Edit，可以对训练区的名字、颜色和填充形式等进行编辑。本图像可以分3个训练区，即：植被、水体和建筑。将每一个区赋予一个颜色，用鼠标左键在Zoom窗口选取训练区。画完一个闭合的区域，点击右键，计算机就将所画的区域自动填充为预定的颜色。保存训练区文件：在ROI Tool对话框下选择File，而后点击Save ROIs ，在出现的Save ROIs to File对话框中选择建好的ROIs。查看训练区划分的效果在ROI Tool的对话框中，选择一个训练区。点击Go to 可以一一查看所选择的训练区。点击Stats，出现统计报告和曲线图。监督分类根据分类的复杂度、精度需求等选择一种分类器。选择主菜单下Classification →Supervised →分类器类型，如表所示，还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。这里我们以最大似然法为例来进行分类。分类器说明平行六面体（Parallelpiped）根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则时根据所选类的均值求出最小距离（Minimum Distance）利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类马氏距离（Mahalanobis Distance）计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别最大似然（Likelihood Classification）假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类中神经网络（Neural Net Classification）值用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类支持向量机（Support Vector Machine Classification）支持向量机（SVM）是一种建立在统计学习理论（Statistical Learning Theory）基础上的机器学习方法。SVM可以自动寻找那些分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率在主菜单选择Classification →Supervised →Maximum Likelihood出现 Classification Input File的对话框，点击OK。选择已经划分好的植被、水体和建筑三个训练区。在Set Probability Thrshold中设置像元分类的可能性的域值，它决定了像元准确分类的可能性。选择Single Value，将 Probability Threshold的值设置为0.6000。保存文件，即可得到做完监督分类的图像，如图14.3所示。图14.3 做完监督分类的图像2.非