实验4 图像的非监督
实验四 变化检测
实验四变化检测一、实验目的对两时相的影像作分类处理或求取某一特征值后，为直观对比前后变化情况，掌握变化信息，需要对其进行变化检测操作。
二、实验步骤第一阶段：地理配准首先要对两时相的影像进行配准，使其对应位置和几何形状完全吻合，没有错位，避免由于位置引起的差异影响。
前两种配准方法均为自动生成连接点（同名点），第三种配准方法是手动选取地面控制点。
配准方法一：1）分别打开两时相的影像；2）打开Registration-Image Registration Wrap对话框，按要求选择配准方法并输入相关参数；匹配方法是交互相关法，连接点匹配度最小阈值默认0.6，连接点最大允许误差为5，变换模型选一阶多项式。
选取基影像和待校正影像的1波段进行校正。
3）自动生成同名点，打开同名点属性表，剔除误差较大的同名点；4）输入校正参数。
校正方法是多项式校正，重采样方法选双线性插值法，背景值为0。
5）指定输出路径，得到配准后影像。
配准方法二：1）在Toolbox中打开Registration—Registration：Image to Image功能对话框，输入用于配准的基影像的5波段和待配准影像的5波段；2）输入自动配准的参数，包括连接点数量，搜索窗口面积，移动窗口面积，最小相关性等，一般为默认：3）点击OK，自动生成连接点（同名点）；剔除误差较大的连接点；4）设置校正参数，指定输出路径，得到配准影像；配准方法三：1）同时打开两时相的影像，利用Registration—Select GCPs：from Image to Image，将first影像定为基影像，second影像定为校正影像；2）手动选取同名点，其属性表如下：将误差最大的4号同名点关闭后，所有同名点的误差RMS值均小于1，如下：3）当RMS误差达到要求后，保存控制点文件，执行Options—Warp Image功能，选取校正影像second，并设置校正模型和参数，指定输出路径。
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
(完整word版)ENVI监督分类与非监督分类
对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类,在输出的文件中选择相同的类别，点击Add Combination,所有的类别合并完后点击确定即可。
结果与分析1、各个样本之间的可分离性.说明哪些地物类型之间较易区分，哪些类型之间难以区分。
Jeffries-Matusita（J—M距离）：水稻田水浇地河流居民地草地林地工业区裸地水稻田1。
99982。
00002.00002。
00001.95252.00002。
0000水浇1。
99982.00002。
00001.94941。
98902。
00002.0000Band0。
85 0。
90 0。
88 0.93 1.00 0.97 5Band0.90 0.93 0。
92 0。
92 0。
97 1。
00 63、最大似然法进行监督分类结果：原影像最大似然法进行监督分类结果监督分类的最大似然法分类结果中,主要的地物都可以被区分出来,地物分工业区94.7494.7418/1918/19裸地100.00100。
0042/4242/425、Clump Classes和Sieve classes结果：Clump Classes3＊3处理结果：Clump Classes5*5处理结果：在聚类统计的结果上很容易看出原本监督分类的生成结果中严重的椒盐现象消失了,地物类型都相对完整,但有些细节已经被消除看不清楚，3*3窗口与5＊5窗口生成的结果区别就在于3＊3窗口的细节较5*5窗口的更加清楚具体, 5＊5窗口将周边的面积较小的地物完全合并在一起.Sieve classes结果（Number of Neighbors设为8）：Sieve classes结果（Number of Neighbors设为4）：对影像的过滤分析生成的结果显得椒盐现象更加严重，结果影像上出现了很多小黑点，Number of Neighbors的值设置的越小,小黑点越密集，但是经过过滤分析的影像”孤岛”现象都已经消失。
envi遥感图像监督分类与非监督分类
envi遥感图像监督分类监督分类，又称训练分类法，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。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤,如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理.这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。
启动ENVI5.1,打开待分类数据：can_tmr.img。
以R：TM Band 5，G：TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物:林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键,选择”New Region Of Interest"，打开Region of Interest (ROI）Tool面板,下面学习利用选择样本。
1）在Region of Interest （ROI) Tool面板上，设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本,一个多边形绘制结束后,双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本,样本尽量均匀分布在整个图像上;4）这样就为林地选好了训练样本。
erdas实验报告——非监督分类
实习七非监督分类一、实习目的通过实习，掌握在软件中实现非监督分类、分类精度评价及分类后处理的操作流程、步骤。
二、实习内容1.非监督分类2.分类后处理3.分类精度的评价三、实习步骤1、获取初始分类结果1）启动非监督分类步骤：raster → unsupervised（）→ unsupervised classification非监督分类对话框：2）进行非监督分类初步分类结果：2、分类方案调整（p106-107）1）显示原图像与分类图像批阅意见：装订线步骤：→ editor →进行编辑2）定义类别颜色3）设置不透明度4）确定类别意义及精度5）标注类别名称和颜色3、分类后处（）1）聚类分析步骤：raster → thematic → clump 聚类结果：2）去除分析步骤：raster → thematic → eliminate 去除对比：3）重编码步骤：raster → thematic → recode重编码结果：4、评价分类精度1）分类叠加2）精度评估步骤：分别加载重编码后图像和专题图Inlandc.img图像 raster → supervised → accuracy assessment①加载cbm图像②关联专题图③点击edit ：create/add random points点击OK点击edit → show class values；点击view → show all；专题图会随机出现（point#）查看class与reference是否一致并填入reference一栏；最后点击Report 生成报告：．．．．．．．．．．．．．．．．。
子情境4遥感图像分类—习题答案.
一、名词解释1. 目标解译：凭着光谱规律、地学规律和解译者的经验,通过直接观察或借助辅助判读仪器从遥感图像上获取特定目标地物的信息，从而推出地面的地物类型.此方法通常应用于高空间分辨率的图像。
2.计算机分类: 利用计算机模式识别技术,结合地学分析、遥感图像处理、地理信息系统与人工智能技术等,实现对遥感图像上的信息进行属性的识别和分类,从而达到识别图像信息所对应的实际地物3.监督分类: 首先需要从研究区域选取有代表性的一定数量的已知类别的样本(训练区),并根据这些样本的观测值(类别的先验知识)确定判别函数和相应的判别准则, 然后将未知类别的样本的观测值代入判别函数,最后再依据判别准则对该未知类别的样本的所属类别做出判定.4.非监督分类：在没有先验类别(训练区)作为样本的条件下,即事先不知道类别特征的情况下,仅依靠影像上不同类地物光谱信息(或纹理信息等)进行特征提取,再采用聚类分析方法,将所有样本划分为若干个类别。
5.同类地物对比分析法:在同一景遥感影像上,由已知地物推出未知目标地物的方法。
二、填空题1.遥感数字图像计算机分类有监督分类和非监督分类两种方法，其区别在是否使用训练场地。
2. 在遥感图像分类过程中,常使用距离和相关系数来衡量遥感图像像素之间的相似度。
三、简答题1、比较监督分类与非监督分类的优缺点？根本区别在于是否利用训练场地来获取先验的类别知识，监督分类是根据样本选择特征参数，所以训练场地要求有代表性，样本数目要满足分类的要求，有时这些不容易做到;非监督分类不需要更多的先验知识，他根据地物的光谱统计特征进行分类，所以非监督分类方法简单，且具有一定的精度。
2、影响遥感图像分类精度的因素有哪些？计算机分类的精度和可靠性与分类方法本身的优劣有关，一般说来，最大似然法的分类精度要优于最小距离法、平等多面体法等，而神经网络法、分类树法、模糊分类法又能在一些特定情况下进一步提高分类精度。
除分类方法之外，分类精度还取决于一些其它的因素：（1）训练场地和训练样本的选择问题；（2）地形因素的影响；（3）混合像元问题；（4）分类变量的选择问题；（5）空间信息在分类中的应用问题；（6）图像分类的后期处理问题。
EDVI操作课堂作业4
实习四主要内容1.对比遥感图像非监督分类与监督分类2.对比ISODATA与最大相似性分类的差异，并解释产生差异的原因3.最大似然法监督分类结果的后处理1.非监督分类isodata分类1.打开图像can_tmr，选择classification菜单下的unsupervised-IsoData分类，按照如图默认设置，分为5-10组，得到结果如下，与原图对比，虽然细致，但分类过多，有些冗杂。
图12.只使用4,5,7三个波段进行分类，得到结果与原图比较。
两种方法有一定差别。
但分类类型和个数差别不大。
图22.监督分类2.1分类流程1.用波段5,4,3假彩色合成打开nj-Work2.设置感兴趣区参数。
Tools-region of interest-ROI tools，在Zoom窗口上绘制。
3.开始绘制，注意绘制完后用go to进行查看，选择的像素不能太少，由于图像有7个光谱，选择像素至少要210左右。
图34.选出如下几个感兴趣区。
图45.保存区域，File-save rois，用restore选项可以把保存好的感兴趣区加载进来。
6.先后点击ROI Tool上的select all和stats，得到感兴趣区的光谱特征图，可以看到不同地物在不同波长的平均值。
在图像上右击，选择plot function-x axis:index，可以得到他们在不同波段上对应的值。
图5可以看到，差别较大的有波段3，5和6，这些波段有较大的可分性。
可分性最大，标准差最小的波段是3。
7.检验感兴趣区。
ROI tools-Options-Compute ROI separability，选择所有ROI，在得到结果的最后找到pair separation，如果两两之间差距大于1.9，分类好。
图6可以看到在这次分类中，道路和城镇，河水和湖水的区别都较小，在图像上也反映出他们的差别不大，有些难以区别。
8.改进感兴趣区。
1）File-export ROI to n-D visualiser，选中所有感兴趣区，得到图如下，选择想要三维查看的至少三个波段，大于等于三个波段会进行动态演示。
envi遥感图像监督分类与非监督分类
envi遥感图像监督分类监督分类，又称训练分类法，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。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。
以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。
1）在Region of Interest (ROI) Tool面板上，设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本。
高光谱图像非监督分类方法
高光谱图像非监督分类方法高光谱遥感技术起源于20世纪80年代初，它是在多光谱遥感技术的基础上发展起来的。
经过数十年的发展，现在的高光谱遥感技术已经达到了一定的水平，在很多领域也得到了应用。
比如它在农业中的应用，其主要表现在快速、精准地获取各种环境信息，以及农作物生长情况。
在大气与环境应用上，在太阳光谱中，大气中的分子，如氧气、臭氧、二氧化碳、水蒸气等成分的反应十分强烈。
而因为大气成份生变而引起的光谱差异通过传统宽波遥感方法难以准确识别，而这种差异可通过窄波段的高光谱识别出来。
广西善图科技有限公司非监督分类方法1 K-means分类K-means分类方法是最典型的目标函数聚类方法，以原型为依据。
包含了以下流程：1）从n个数据对象任意选择k个对象作为初始聚类中心（m1，m2，m3，…，mk）；2）依据各个聚类中心对象，即对象的均值来计算出与它距离最近的聚类中心，并将对象向聚类中心做以分配。
3）对各个聚类的均值做二次计算：K-means方法是比较快捷和简单的，不过初始聚类中心和最佳聚类数也会影响到聚类结果。
1.2.2 ISODATA方法ISODATA（Iterative Selforganizing Data Analysis），又叫作迭代自组织数据分析。
它是在先验不足的情况下，通过给出一个初始聚类，然后再判断其是否达标，再利用迭代法反复调整，最后得出一个准确的聚类。
其采用以下步骤：1）选择初始值，设置聚类分析控制参数。
可以运用各种参数指标，按照指标，将所有模式标本向各个聚类中心进行分配。
2）对各类中全部的样本的距离指标函数进行计算。
3）依据要求，对前一次所得到的聚类集进行分裂，并做并合处理，从而计算出新的聚类中心和分类集。
4）再次做迭代运算，对各项指标进行计算，以判断结果是否达标，直至求出最理想的聚类结果。
IOSDATA算法规则十分明确，便于计算机实现，但是要把握好迭代的次数，防止出现分类不到位的现象。
图像分类(word文档良心出品)
第六章图像分类遥感图像分类就是利用计算机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，然后获得客观的地物信息的过程。
一般的分类方法可分为两种：监督分类与非监督分类。
将多源数据应用于图像分类中，发展了基于专家知识的决策树分类。
4.1 非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。
其类别的属性是通过分类结束后目视判读或实地调查确定的。
主要有两方法：ISODATA分类与K-Means 分类。
4.1.1 ISODATA分类ISODATA是一种遥感图像非监督分类法。
全称“迭代自组织数据分析技术”（Iterative Self-Organizing Data Analysis Technique）。
ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心作为初始类别的“种子”，依据某个判别规则进行自动迭代聚类的过程。
在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。
操作步骤如下：（1）在主菜单中，选择File→Open Image File，打开待分类图像；（2）在主菜单中，选择Classification→Unsupervised→ISOData；（3）在Classification Input File选择分类的图像文件；（4）在ISODATA Parameters窗口中设置分类参数以及输出路径和文件名（图4-1）；图4-1 ISODATA分类参数设置❖Mumber of Classes:Min，max：类别数量范围，一般输入最小数量不能小于最终分类数量，最大数量为最终分类数量的23倍；❖Maximum Iterations:最大迭代次数，迭代次数越大，得到的结果越精确，运算时间也越长；❖Change Threshold：变换阈值，当每一类的变化像元小于阈值时，结束迭代过程；❖Minimun # Pixel in Class:一类所需的最小像元数，如果某一类中的像元数小于最少像元数，则将其中的像元归并到距离最近的类型中；❖Maximum Class Stdv：最大分类标准差，以像素值为单位，如果某一类的标准差比该阈值大，则将该类分成两类；❖Minimum Class Distance：类别均值之间的最小距离，以像素值为单位，如果类均值之间的距离小于该值，则类别将被合并；❖Maximum # Merge Pairs：最大的合并类别；❖Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项。
监督分类与非监督分类遥感实习
4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
Clump对话框Sieve对话框Majority对话框
【结果与分析3】：（clump—sieve—majority）请替换如下对比图并分析发生的变化
分类后影像clump后影像
【分析】：聚类处理将邻近的类似分类单元进行聚类合并，可以看到影像中比较小的地物被合并，但是也将一些比较孤立的地物被错分。
分类后影像sieve后影像
实验结果
1、监督分类：（请将前后对比图截图至此）
原始影像监督分类后影像
【分析】：
2.运用ISODATA方法进行非监督分类结果对比图：
监督分类影像非监督分类影像非监督分类合并后处理影像
【分析】：
存在问题与解决办法
1、在监督导致地物选取有很大的误差，城镇居民区、工业区选区不能有效地区分，裸地与砾石也比较难以辨别。
距离和变换分散度都是一种特征空间距离度量方法是指影像特征矢量与各个类中心的距离变换分散度是tdivercd1expdivercd8jm距离j21e3最大似然分类法是基于概率论中每个像元存在属于所有类别的概率假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率比较各个类别的概率值并将像元划归到概率最大的那个类别当中去
遥感实验报告非监督分类
一、实验背景随着遥感技术的飞速发展，遥感数据在资源调查、环境监测、灾害评估等领域发挥着越来越重要的作用。
遥感图像的分类是遥感应用中的一项基础性工作，它将遥感图像中的像素根据其光谱特性划分为不同的类别，从而实现对地表地物的识别和提取。
非监督分类作为遥感图像分类的一种重要方法，因其无需预先设定分类类别，能够自动将相似像素归为一类，在遥感图像处理中具有广泛的应用。
二、实验目的1. 理解非监督分类的原理和方法；2. 掌握利用ENVI软件进行非监督分类的步骤；3. 分析不同非监督分类方法的效果，比较其优缺点；4. 将非监督分类应用于实际遥感图像处理，提取地表地物信息。
三、实验原理非监督分类，也称为聚类分析或无监督分类，是一种基于像素光谱特征自动将像素归为不同类别的分类方法。
其主要原理是：将像素按照其光谱特征相似性进行聚类，使得同一类别的像素之间的距离尽可能小，而不同类别的像素之间的距离尽可能大。
常用的非监督分类方法包括：1. K-Means聚类算法：将像素按照其光谱特征分为K个类别，使得每个类别内部的像素距离最小，不同类别之间的像素距离最大。
2. ISODATA聚类算法：在K-Means聚类算法的基础上，引入了噪声点和边界点的概念，使得聚类结果更加合理。
3. 密度聚类算法：基于像素空间分布密度进行聚类，适用于地表地物分布不均匀的情况。
四、实验步骤1. 数据准备：选择合适的遥感图像作为实验数据，并进行预处理，如辐射校正、几何校正等。
2. 选择分类方法：根据实验需求和图像特点，选择合适的非监督分类方法。
3. 参数设置：设置聚类数量、迭代次数等参数，以影响聚类结果。
4. 分类执行：利用ENVI软件进行非监督分类，生成分类结果图。
5. 分类结果分析：分析分类结果，评估分类效果，并根据需要调整参数。
五、实验结果与分析以某地区Landsat 8遥感图像为例，采用K-Means聚类算法进行非监督分类，将图像分为5个类别。
非监督分类
非监视分类实验报告1 实验目的通过本实验加强对遥感非监视分类处理理论局部的理解，熟练掌握图像非监视分类的处理方法，并将处理前后数据进展比拟。
2 实验内容利用Envy软件进展非监视分类，主要是应用IsoData和K-Means对实验数据进展处理，并进展比拟。
3 实验步骤和过程分类过程1.翻开envi软件，添加影像,并对数据进展裁切。
2.选择Classification→Unsupervised→isodata,选择数据Stack-b1-6167.img,出现下面的对话框，选择适宜的分类值，迭代值，3.翻开影像。
选择RGB翻开，设置为5,4,3波段4.Overlay→Classification,根据经历判断具体的地物类型5.将一样地物合并Classification→Post Classification→Combine Classess6.翻开合并后的影像，并进展颜色处理〔Classification→Post classification→Assign class colors)7.分类后处理Classification→Post classification→Majority/Minority Analysis分类过程1.K-means分类方法与isodata分类方法根本类似，不同的是是在第二步过程选择Classification→Unsupervised→k-means，选择数据Stack-b1-6167.img,出现下面的对话框，选择适宜的分类值，迭代值，2.我们设置了10次迭代，而系统只进展了6次，说明对我们设置的分类数只进展6次迭代就可以了3.此后与isodata步骤一样，得到合并后的以及颜色处理后的图像如图4.进展分类后处理5.结果如图比照IsoData和K-Means分类1.在Envy中，比拟IsoData和K-Means分类，可以将最终的结果影像放在一起，如下列图。
IsodataK-means将二者连接，比照红色矩形框的图像我们发现，K-means处理容易将一些细节局部弱化掉，使分类效果不如isodata好，因此人们常使用isodata进展非监视分类。
遥感图像处理实例分析03(监督分类、非监督分类)
遥感图像处理实例分析监督分类（supervised classification ）一、方法原理监督分类方法是多光谱图像专题信息分类的两种方法之一（另一种方法是非监督分类）.该方法是假设已经收集到多区域的地理图像，如Landsat TM 或 SPOT XS 卫星多谱图像(分类对其它类型的图像也有效）,具有实地野外属性分类或覆盖类型（如城区、水域、沼泽地等）的位置和特性数据（也可以通过航片分析得到），对该已知分类区域的光谱特性，通过分类程序,进行训练,将图像中每类区域的像素进行已知类的分配，对每一类计算多变量统计参数，如均值、标准差、相关距阵等，根据分类方法，最后将图像中每一个像素以最大然似性分配到某一类中。
即通过自定义的已知分类区域的训练，对多波段图像进行专题信息分类.方法流程如下:二、实例演示及分析以1985年美国加利福利亚州圣地亚哥地区的TM —MSS(0.55，0。
65，0。
75，0.95um4波段)图像为例，进行土地覆盖类型分类，分为海洋、城区、居民区、草坪和秃地等类型。
监督分类主要步骤如下：1．由原始遥感图像文件Landsat_Mass_Notwarped 。
ers 复制出用于分类的图像数据文件Landsat_practice.ers.① 通过主菜单算法图标或主菜单View 中Algorithm 项，打开算法窗口,装载数据集，文件名为：\examples\shared_data\Landsat_Mass_Notwarped.ers 。
选择训练区计算训练区统计量 评价训练区统计量 进行图像分类 显示分类图像和精度计②复制3个假彩色层（现共有4个假彩色层)，分别命名为B1、B2、B3、B4，并与装载数据集文件的4个波段相对应。
③选择主菜单File中的Save As项，以Er Mapper Raster Dataset格式保存文件,文件名为：\examples\miscellaneous\tutorial\Landsatt_practice.ers。
非监督分类
非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理)信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1非监督分类操作流程目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，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进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。
这里选择软件自带的Can_tmr.img，按默认设置，之后跳出参数设置，如图2。
这里主要设置类别数目（Number of Classes）为5-15、迭代次数（Maximum Iteration）为10。
lk实习四：非监督分类
实习四、非监督分类姓名：傅晓峰班级：10504班序号6一、实习目的：了解并掌握非监督分类的过程和方法二、实习说明：非监督分类是另一种图像分类技术。
在非监督分类方法中,图像中的主导光谱反射形式被提取出来,然后通过地面实况调查来判别这些信息类所对应的实际地物类型。
在IDRISI for Windows中用于非监督分类的两个模块是聚类和迭代自组织聚类。
聚类使用直方图峰值选择技术。
这相当于在一个一维直方图上寻找峰值(峰值是比两侧值频率都高的地方)。
一旦峰值被确定,所有可能的值将分给离它最近的峰。
两类的分界线一般都落在两个峰之间的中点。
关于什么是一个峰,这个技术有它特定的判别标准,所以你不需要预先估计(象一些其他技术所需要的)一个图像含有的类数-它会自动确定类数。
非监督分类（聚类）中初始类别参数的选择方法除了直方图峰值定心法外，总体直方图均匀定心法，最大最小距离选心法。
聚类可以直接处理3个波段的彩色合成图像。
聚类模块评估彩色合成中提供的3个波段图像的3维直方图。
任何波段组合的彩色合成图像均可用于聚类。
如我们在主成分分析中看到的,近红外、红色和绿色波段(标准假彩色合成)含有七波段数据集中的绝大部分信息。
所以在本练习中我们将使用这3个波段。
三、基于聚类的非监督分类：1、图像处理》图像增强》彩色合成。
指定HOW87TM2作为”蓝”波段，指定HOW87TM3作为”绿”波段，指定HOW87TM4作为”红”波段。
(注意,我们没有使用蓝色可见光波段。
而且其他使用的波段也被移植了。
这就是为什么叫假彩色合成的原因)。
选择饱和度为2.5%的线性拉伸。
选择output type ->creat 8-bit composit。
拉伸时不剔除0。
称结果图像为TMFC。
彩色合成处理过程较慢。
结果将被用彩色合成调色板显示。
问题1：在彩色合成图像中，可以识别出哪几类地物，它们在图像上的特征分别是什么？答：可识别出植被：呈红色，反射率高，面积最大；城区：有规则的分布；道路：呈线状；湖泊：呈黑色，反射率低，呈封闭多边形。
遥感图像非监督分类
遥感图像非监督分类1.概述非监督分类仅仅用统计方法对数据集中的像元进行分类，它不需要用户定义任何训练分类器。
ENVI提供了两种非监督分类方法：（1）IsoData(迭代自组织数据分析技术)（2）K-Means(K-MEANS算法)两种非监督分类技术。
Isodata 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。
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。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
2 具体操作步骤2.1 执行Isodata非监督分类打开影像数据（参考上节内容），读取波段值（R:5,G:4,B:3），选择Toolbox>Classification > Unsupervised >Isodata Classification.选择分类TM图像文件，点击“OK”，显示ISODA TA Parameters 对话框。
图1 ISODA TA 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，像元变化阈值（0~100%），被用来对数据进行分类的最多迭代次数，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）。
（2）最大迭代次数和一个变化阈值（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）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）。
深度学习技术的非监督学习方法教程
深度学习技术的非监督学习方法教程近年来，深度学习技术在计算机视觉、自然语言处理和机器学习等领域取得了显著的成就。
而监督学习方法是传统深度学习的核心，它需要大量标记好的数据进行训练，并且对于训练数据的质量和数量也有较高的要求。
然而，在许多实际场景中，获取大量标记好的数据往往是一项困难和昂贵的任务。
为了解决这个问题，非监督学习方法应运而生。
非监督学习是指对未标记数据进行分析和建模的机器学习方法。
它通过发现数据中的隐藏模式和结构来获得信息，避免了对标记数据的依赖。
在深度学习中，非监督学习方法发挥着重要的作用，能够提供更多的信息和知识，为其他任务如分类、聚类和生成模型等提供支持。
在下面的文章中，我们将介绍几种常见的非监督学习方法，以帮助读者更好地了解深度学习技术的应用。
1. 自编码器（Autoencoder）自编码器是一种无监督学习的神经网络模型。
它包括一个编码器和一个解码器，旨在将输入数据压缩到一个低维表示并重构回输入空间。
自编码器通过最小化输入和重构之间的差异来学习有用的特征表示。
它可以用于特征提取、降维和去噪等任务。
2. 稀疏编码（Sparse Coding）稀疏编码是一种将输入数据表示成稀疏线性组合的方法。
它假设数据可以由少数的基向量表示，并通过最小化表示的稀疏度来学习这些基向量。
稀疏编码可以应用于特征学习、噪声去除、图像修复等任务。
3. 受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）受限玻尔兹曼机是一种生成式模型，可以用于学习数据的概率分布。
RBM通过最大化数据的似然函数来学习模型参数，从而能够生成与原始数据相似的样本。
受限玻尔兹曼机可以应用于生成模型、特征学习和协同过滤等任务。
4. 深度信念网络（Deep Belief Networks, DBN）深度信念网络是由多层受限玻尔兹曼机组成的深度神经网络。
它通过逐层无监督地预训练和有监督的微调来学习数据的表示和分类。
机器学习中的非监督学习方法与应用案例
机器学习中的非监督学习方法与应用案例随着人工智能技术的不断发展，机器学习成为了人工智能领域的重要分支之一。
而在机器学习中，非监督学习方法则是一种非常重要的学习方式。
与监督学习不同，非监督学习不需要标记好的训练数据，它通过对数据的内在结构进行学习，从中挖掘出数据的潜在规律和特征。
本文将介绍机器学习中的非监督学习方法以及一些应用案例。
一、非监督学习方法非监督学习方法主要有聚类、降维和异常检测等，其中聚类是其中最为常见和重要的方法之一。
聚类的目标是将数据集中的样本划分为若干个组，使得同一组内的样本相似度较高，不同组之间的样本相似度较低。
K均值聚类是一种常见的聚类算法，它通过不断调整聚类中心来不断迭代，直至收敛于最优解。
另外，层次聚类、密度聚类等方法也是常用的聚类算法。
另一种非监督学习方法是降维，它的目标是通过保留数据的关键信息来减少数据的维度。
主成分分析（PCA）是一种常见的降维方法，它通过线性变换将原始数据映射到一个新的坐标系中，使得映射后的数据具有最大的方差。
另外，独立成分分析（ICA）和t分布邻域嵌入（t-SNE）等方法也是常用的降维算法。
最后，异常检测是非监督学习中的另一重要方法，它的目标是识别数据集中的异常样本。
基于密度的异常检测方法通过计算每个样本点周围的密度来识别异常点，而基于距离的异常检测方法则是通过计算样本点与其最近邻样本点之间的距离来识别异常点。
另外，基于模型的异常检测方法也是常用的异常检测方法之一。
二、非监督学习的应用案例非监督学习方法在实际应用中有着广泛的应用。
其中，聚类方法在市场分析、社交网络分析、生物信息学等领域有着重要的应用。
例如，在市场分析中，可以使用聚类方法对消费者进行分群，从而实现精准营销；在生物信息学中，可以使用聚类方法对基因进行分类，从而挖掘出基因之间的相关性。
降维方法在图像处理、语音识别、推荐系统等领域也有着广泛的应用。
例如，在图像处理中，可以使用降维方法对图像数据进行降维，从而实现图像的压缩和去噪；在推荐系统中，可以使用降维方法对用户和商品进行降维，从而实现个性化推荐。
遥感图像处理中的无监督分类方法研究
遥感图像处理中的无监督分类方法研究摘要：遥感图像无监督分类方法在图像处理领域中具有重要的应用价值。
本文基于传统的无监督分类方法，对遥感图像处理中的无监督分类方法进行了研究与探讨。
首先，介绍了遥感图像处理的背景和意义，以及无监督分类方法的基本原理。
然后，详细分析了K-means聚类算法、Gaussian混合模型算法和自组织映射神经网络算法等常用的无监督分类方法的优缺点。
接着，结合实际应用案例，探讨了无监督分类方法在遥感图像处理中的具体应用。
最后，总结了当前无监督分类方法的研究现状，并提出了未来研究的方向。
1. 引言遥感图像处理是遥感技术中的重要分支，具有广泛的应用前景。
遥感图像的无监督分类，即不依赖于已知类别信息的分类方法，对于无需先验知识的图像处理任务具有重要的意义。
本文旨在研究与探讨遥感图像无监督分类方法，为遥感图像处理提供更准确、高效的解决方案。
2. 无监督分类方法的基本原理无监督分类方法是一种从数据中发现潜在模式或结构的方法，其基本原理是通过计算数据样本之间的相似性或距离来进行样本分类。
常见的无监督分类方法包括K-means聚类算法、Gaussian混合模型算法和自组织映射神经网络算法等。
3. 常用的无监督分类方法3.1 K-means聚类算法K-means聚类算法是一种基于距离度量的无监督分类方法。
该算法通过迭代计算样本数据与聚类中心之间的距离，并将样本分配到距离最近的聚类中心。
K-means算法具有简单、高效的特点，但对初始聚类中心的选择较为敏感。
3.2 Gaussian混合模型算法Gaussian混合模型算法假设数据样本符合多个高斯分布，并通过似然函数的最大化来估计各个高斯分布的参数。
该算法能够较好地处理数据的不确定性，并且在处理非线性问题时表现良好。
3.3 自组织映射神经网络算法自组织映射神经网络算法是一种基于神经网络的无监督分类方法。
该算法通过自适应学习和竞争机制来实现数据的非线性映射和分类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验四图像的非监督分类
一、实验目的
利用ERDAS软件对遥感图像上的地物信息进行属性的识别和分类，从而达到识别图
像信息所相应的实际地物，提取所需地物信息的目的
二、实验数据与软件
硬件：计算机
软件：ERDAS软件
开发环境：windows xp 系统
三、实验原理：
按照“物以类聚”的原理，在对影像地物未获取先验知识，仅仅靠影像上不同类地物的光谱信息进行特征提取，再统计差别来达到分类的目的，最后对各个类别
的实际属性进行确认的原理。
四、实验步骤
第一步：
启动非监督分类。
点击Dataprep图标→Data Preparation →unsupervised Classification →启动Unsupervised Classification 对话框（导入待分类的图
像和输出将来分类后的图像的位置）
初步定类型为12类：
第二步：
由“物以类聚”的原理，修改其他项的透明度为0 ，class1的为1然后可以看到，class1很明显是：河流：
然后设置河流的颜色为蓝色
第三步：
同第二步，由地物的波谱特征，然后比较原图可知森林，并设置森林的颜色为绿色
同理可以山体：
同理其他的地物依次进行识别和判读，得到其他的地物
对地物类别一致的进行归并成一类，具体做法是设置为颜色一致即可
Class5、class9和class10进行合并：（设置一样的颜色）
第四步：同理归并其他相似的类型为一个大类，最后结果如下：
五、五、结果分析：：
保存非监督分类后的结果后，在viewer窗口中打开分类后的图像：
比较分类前后的图像：
很明显用非监督的办法是一种比较盲目的做法，起初就是在没有样本的前提下，自行边观察，边分类，原图像由于各个地物波谱之间的特征差异比较大，所以用非监督的方法还是比较简单而且得到的分类效果比想象中的好。