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。
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。
基于多光谱影像的遥感影像解译方法与应用案例
基于多光谱影像的遥感影像解译方法与应用案例遥感技术是一种通过获取地面反射、发射和传播的电磁辐射信息，对地球表面进行探测与监测的方法。
近年来，随着遥感技术的不断发展和改善，多光谱影像成为了遥感影像解译中的重要数据源之一。
本文将探讨基于多光谱影像的遥感影像解译方法以及其在实际应用中的案例。
一、多光谱影像解译方法1. 多光谱影像的特点多光谱影像是通过遥感卫星或无人机获取的多波段影像数据。
不同的物体在不同波段上的反射和吸收能力存在差异，因此多光谱影像可以提供丰富的地物信息。
多光谱影像的波段范围通常涵盖可见光、红外和近红外等频段。
2. 遥感影像解译方法概述遥感影像解译是指通过对遥感影像进行分析和解读，从中提取和判读有关地表特征和信息的过程。
常见的遥感影像解译方法包括监督分类、非监督分类和目标提取等，其中监督分类是最为常用且精确的方法之一。
3. 监督分类方法监督分类方法使用已知类别地物样本进行训练，通过建立分类模型将地物影像分为不同的类别。
监督分类过程包括特征选择、样本采集、分类器训练和分类精度评估等步骤。
常用的分类器包括最大似然法、支持向量机和随机森林等。
4. 非监督分类方法非监督分类方法通过对影像中像元亮度和颜色进行聚类，将相似像元组成一个类别。
非监督分类方法不需要事先提供地物样本，适用于探测和发现未知地物类型。
但其分类结果一般需要通过后处理和专家知识进行解释和验证。
5. 目标提取方法目标提取方法是指通过分析地物的几何形状、光谱特征和纹理特征等，从影像中提取出感兴趣的地物目标。
目标提取方法常用于城市建筑物提取、道路提取和水体提取等应用场景。
常见的目标提取方法包括阈值分割法、边缘检测法和形态学算法等。
二、基于多光谱影像的遥感影像解译应用案例1. 农田分类农田分类是利用遥感影像对不同农田类型进行分类的过程。
通过利用多光谱影像中植被指数、土壤湿度指数和植被覆盖度等指标，可以实现农田遥感影像解译。
农田分类可以为农业管理提供决策支持，例如合理施肥和灌溉等。
(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。
如何使用遥感图像进行土地分类与变化监测
如何使用遥感图像进行土地分类与变化监测遥感技术是一种通过使用航空器或卫星获取地球表面信息的方法。
借助遥感图像，人们能够更深入地了解土地利用和土地覆盖的变化情况。
本文将讨论如何使用遥感图像进行土地分类与变化监测。
一、遥感图像的类型遥感图像可以分为光学图像和雷达图像两大类。
光学图像是使用电磁波中的可见光、红外线等可见光谱范围内的光进行拍摄。
它们可以提供地表物体的形态和空间分布信息。
而雷达图像利用微波信号，可以在云层和天气条件下获取地表物体的信息。
二、土地分类土地分类是将土地按照特定的属性或特征划分为不同类别的过程。
遥感图像可以帮助进行土地分类，辅助研究者对土地利用进行判定。
利用遥感技术，人们可以进行监测和分析不同类型土地的面积、分布等信息。
土地分类的准确性对于其他领域的研究和规划十分重要，如环境保护、农业发展等。
三、土地变化监测土地变化监测是指通过对遥感图像进行时间序列分析，观察和分析土地利用和土地覆盖的变化过程。
遥感图像可以提供以往的历史数据，帮助掌握和分析土地利用的演变。
通过比较不同时间点的遥感图像，人们可以发现土地利用类型的变化以及可能的原因。
这有助于制定相关政策，优化土地利用结构。
四、土地分类与变化监测的方法1. 监督分类法：监督分类法是一种常用的土地分类方法。
它需要研究者提前准备一些样本数据，并对样本进行标记。
然后利用这些样本来训练分类器，使其能够自动识别遥感图像中的不同土地类别。
监督分类法具有较高的准确性和可重复性，但需要较大的人力和时间投入。
2. 非监督分类法：非监督分类法是另一种常用的土地分类方法。
它不需要事先准备样本数据，而是通过对遥感图像进行统计学分析，将相似的像素点划分到同一类别中。
这种方法可以自动发现潜在的土地类别，但分类结果可能存在一定的不确定性。
3. 变化检测方法：变化检测是通过比较不同时间点的遥感图像，观察土地利用和土地覆盖的变化情况。
一种常用的变化检测方法是基于像元的差异分析。
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。
监督分类和非监督分类
各自优缺点：监督分类的特点：主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类特点：主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
一、什么是监督分类与非监督分类？非监督分类：没有训练样本，通过计算哪些相似，划分出不同类别。
先定义光谱可分性，再定义信息类。
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。
监督分类：根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对各待分类影像进行的图像分类。
先定义信息类，再定义光谱可分性。
二、它们包括什么？非监督分类包括：1.波谱图形识别分类2.聚类分析监督分类包括：1.最小距离法2.线形判别分析3.最大似然比分类4.最近邻域分类法5.特征曲线窗口法三、二者的优缺点：非监督分类优点：1.人为干预较少，自动化程度较高。
监督分类与非监督分类
缺点
• 主观性； • 由于图象中间类别的光谱差异，使得训练样
本没有很好的代表性； • 训练样本的获取和评估花费较多人力时间； • 只能识别训练中定义的类别。
第 8 章 遥感图像自动识别分类
§8-4 非监督分类
§8-4非监督分类
二 非监督分类 仅凭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；
否 是
迭代次数=I或相邻两次迭代类别中心变动小于限值
否 否
σ > TS 是
确定分裂后的中心
输出
否
DIK< TC
是
确定并类后的中心
ISODATA算法过程框图
(三) 平行管道法聚类分析
它以地物的光谱特性曲线为基础，同 类地物在特征空间上表现为以特征曲线 为中心，以相似阈值为半径的管子，此 即为所谓的“平行管道”。
(二) ISODATA算法聚类分析
可以自动地进行类别的“合并”和“分 裂”，从而得到类数比较合理的聚类结 果。
迭代次数 每类集群允许
选定初始类别中心
的最大标准差
输入迭代限值参数:I,Tn, TS ,TC
集群允许的最 短距离
对样本像素进行聚类并统计ni,m,σ
每类集群至少 的点数
ni<Tn
是 取消第i类
第 8 章 遥感图像自动识别分类
§8-3 监督分类(续)
原始影像数据的准备
(二) 分类过程
图像变换及特征选择 分类器的设计
初始类别参数的确定 逐个像素的分类判别
形成分类编码图像 输出专题图
▪ 选择样本区域 植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
监督分类和非监督分类的异同
监督分类和非监督分类的异同监督分类是纪检监察机关的一项重要职责，是对监督对象开展监督的依据。
实践中经常会遇到两类监督分类的概念表述问题，如何准确把握这两类监督分类界定？如果两者不能区分清楚，容易出现问题。
本文将从二者的关系入手进行阐述。
•一、界定对监督分类，《中华人民共和国监察法》第四十三条第一款明确规定，监督是指国家行政机关、检察机关及其工作人员在行使权力、履行职责过程中，对公职人员行使职权情况进行监督，发现公职人员违纪违法问题线索，及时向有关部门移送或者采取其他必要措施以加强对公职人员监督。
监察机关应当在监察调查终结后五个工作日内将审查调查结论、处分决定等文书送达被调查人，并抄送被调查人所在单位党组织。
对监察对象实施监督的同时，监察机关应当会同有关部门建立健全协调机制，加强信息共享，实现监督资源共享与共用。
根据监督分类规则，《中国共产党纪律检查机关监督执纪工作规则》第二十一条规定“监督对象可以通过谈话、函询、要求说明材料等方式被监督对象如实向纪检监察机关反映问题，或者被监督对象因特殊情况不能如实说明问题而进行询问、质询、检查、问责等方式进行询问、质询或者进行检查；对涉及党和国家工作人员利益的其他方式进行监督的”以及《中华人民共和国监察法》第三十一条规定“监察机关应当依照法定权限和程序对监察对象进行工作评议后认为存在不应当被监督问题的”等情形下组织开展监督或者开展其他监督时可以采取相应措施实现监督目的或目标，属于监督分类规定的情形之一。
”由此可见，监督分类并非仅限于对纪检监察机关工作人员进行监督或者进行其他形式监督那么简单。
•二、特征这两类监督分类的特征表现在：一是“监督”是纪委监委履行监督责任中，运用监督执纪“四种形态”的重要内容，体现了对腐败行为的有效遏制，体现了“四种形态”协同作用；二是“监督”是纪检监察机关履行监督职责的主要方式之一，是纪检监察机关工作规范化、科学化的重要内容。
“监督”的主要区别在于：“监督”重在“发现问题”，是纪检监察机关开展监督的基本方式之一；“监督”重在“督促整改”，是纪检监察机关开展监督的主要方式之一。
监督分类、非监督分类操作手册
ERDAS IMAGINE Professional 操作手册—监督分类和非监督分类图像分类简介：图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。
非监督分类运用1SODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。
使用该方法时。
原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
监督分类比非监督分类更多地要求用户来控制，常用于对研究区域比较了解的情况。
在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。
对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。
由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification 菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。
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。
监督分类与非监督分类
实习目的和内容1 .选取研究区数据(512X512或者1024X1024),通过目视解译建立分类系统及其编码体 系2 .按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。
3 .计算各个分类类别之间的可分离性，整理成表格。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
4 .监督分类：利用最大似然法完成分类。
5 .分类精度评价，从随机采集100〜200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa 系数，并对结果进行解释。
6 . 分类后处理(clump —sieve —majority)。
运用ISODATA 方法进行非监督分类：预先假定地表覆盖类型为30类，迭代次数选为15,由 系统完成非监督分类；然后进行类别定义与合并子类，最后进行结果的精度评价。
原理和方法1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识， 进而可利用这些样本类别的特征作为依据建立和训练分类器(亦即建立判别函数)，进而完 成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。
换句话说，监督分类就 是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最 后完成整景影像的分类；2、可分性度量：本次实习主要涉及J —M 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 TDivercd=[1-exp(-Divercd/8)],J —M 距离 J=2*(1-e-B)；3、最大似然分类法：在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区， 用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，计算各待分类样区的 归属概率，而进行分类的一种图像分类方法。
4、混淆矩阵：从随机点位上获取地面参考验证信息，并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。
[转载]监督分类和非监督分类
![[转载]监督分类和非监督分类](https://img.taocdn.com/s3/m/b84adcd49fc3d5bbfd0a79563c1ec5da50e2d630.png)
[转载]监督分类和⾮监督分类原⽂地址：监督分类和⾮监督分类作者：维度空间实习序号及题⽬实习⼋、监督分类和⾮监督分类实习⼈姓名xuanfengling专业班级及编号地信0834任课教师姓名实习指导教师姓名实习地点榆中校区实验楼A209实习⽇期时间2010年12⽉16⽇实习⽬的理解影像监督分类和⾮监督分类的原理、⽅法和步骤，初步掌握⼟地覆盖的计算机⾃动分类⽅法实习内容1、通过遥感影像解译确定的⼟地覆盖分类类型、⾊调和编码：编码地物名称编码地物名称11⽔稻⽥ paddy land51河流 stream12⽔浇地 irrigated land52⽔库、坑塘 reservoir or pond20园地 garden61城镇及农村居民地 town or village30草地 grassland62⼯业区 industrial31林地 forest71沙漠 sandy desert32防护林 prevention desert72砾漠 gravel desert33幼林地 young forest73裸地及盐碱地 barren land4公路/铁路 road or railway53设施农⽤地 facility agricultural land 2、按照监督分类的步骤，在影像上找出对应各个⼟地利⽤/覆盖类型的图斑，建⽴训练区，给出各个类别的特征统计表3、采⽤4种可分性度量⽅法（欧⽒距离、分散度、变换散度、J-M距离）给出可分性矩阵，判断类型之间的可分性，要求将可分性矩阵转换为⽂本⽂件格式并以表格形式插⼊实习报告中，注意在输出时选取CellArray。
4、监督分类：利⽤最⼤似然法完成分类；5、分类精度评价，从随机采集100～200个样本点，进⾏分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进⾏解释。
6、⽣成特征空间影像和监督分类的结果专题特征空间影像，7、⾮监督分类：预先假定地表覆盖类型为30类，叠代次数选为20，由系统完成⾮监督分类；参照监督分类的结果对分类结果进⾏分析，修改类别属性值，进⽽确定新的⼟地利⽤/覆盖分类⽅案。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理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。
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。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理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。
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。
非监督分类名词解释
非监督分类名词解释非监督分类是一种无需先验类别标签即可对数据进行分类的机器学习方法。
与监督分类不同，非监督分类不需要输入数据标签或先验类别，因此适用于无法或难以获得类别标签的数据分析任务。
非监督分类是基于数据本身的特征对其进行分组或分类，其目的是在不知道数据属于哪个类别的情况下，找到数据内在的规律、结构或模式。
跟据不同的分类方式，非监督分类可分为层次聚类、K‐均值聚类、密度聚类、基于图的聚类等多类。
其中，层次聚类是最常见的分类算法之一，其基本思想是以树形图的形式表示数据集中的对象之间的相似度信息，同一类别的对象聚集在一起，不同类别的对象分别放在不同的类别里。
由于它不受先验知识的限制，因此非常适用于对未知数据进行探索性分析和模型构建。
K‐均值聚类是基于数据集中的样本距离进行分类的一种典型方法，算法的核心是通过不断对数据点进行重新分组，以使得每个组内的数据点更加相似、组间的数据点相异度更大，从而最终得到满足特定目标的聚类结果。
密度聚类则是以数据点的邻近密度为基础进行分类，相似度高的数据点被划分到同一类别，而高于一定密度阈值的数据点则成为聚类中心，最终将聚类中心相邻、密度相仿数据归入同一类别。
基于图的分类方式则是基于数据点之间的邻近关系构建图形，再通过不同的聚类算法对其进行分组。
同类别的数据被构成一个图中的子图，通过改变图的连接方式和边的权重，最终确定不同类别的样本。
在实际应用中，非监督分类广泛用于对大量无标签数据进行分类、挖掘潜在规律、了解数据特征等任务。
例如，在医学领域，非监督分类可用于对大量患者病历数据进行预处理、特征提取和分类，从而挖掘出潜在疾病及其相关特征，以辅助临床医疗决策。
在图像处理领域，非监督分类技术被广泛应用于分析图像特征、图像分割和模式识别等任务。
在应用非监督分类技术时，需要注意的是选择适当的分类算法和评估指标。
由于分类算法及其参数选择对分类结果的影响很大，因此在选择算法时需要结合具体应用场景并对分类效果进行评估和比较。
- 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)。
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理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。
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。
其他选项按照默认设置，输出文件。
图2 ISODATA非监督分类参数设置图3 ISODATA分类结果4、类别定义/类别合并1)类别定义在display中显示原始影像，在display->overlay->classification，选择ISODATA分类结果，如图4所示，在Interactive Class Tool面板中，可以选择各个分类结果的显示。
图4影像与分类结果的叠加Interactive Class Tool面板中，选择Option->Edit classcolors/names。
通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。
图5 类别定义如图6所示为最终的结果。
图6类别定义结果在类别定义时候，可以利用Mode：Polygon Add to Class、Edit->Mode：Polygon Delete from Class或者Set delete class value把很明显的错误分类结果并入或者删除。
2)类别合并选择主菜单->Classification->Post Classification ->Combine Classes。
把同一类的类别合并成一类，如图7所示。
在点击ok后，需要选择输出文件和Remove Empty Class选择YES，可以得到结果。
图7类别的合并5、分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
1)更改类别颜色可以在Interactive Class Tool面板中，选择Option->Edit class colors/names 更改，也可以在Display->Color Mapping->Class Color Mapping。
如下图8所示，直接可以在对应的类别中修改颜色。
也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单->Classification->Post Classification->Assign Class Colors。
图8 类别颜色的更改图9 类别颜色更改后的效果图10 自动颜色更改的效果图2)分类统计分析主菜单->Classification->Post Classification->Class Statistics。
如图11所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。
图11 分类结果统计3)小斑点处理（类后处理）运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过滤（Sieve）和。
这些工具都可以在主菜单->Classification->Post Classification中找到。
Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。
如下图12为Majority分析的结果。
图12类后处理结果图4)栅矢转换打开主菜单->Classification->Post Classification->Classification to Vector，可以将分类后得到的结果转化为矢量格式，或者主菜单->Vector->Raster to Vector，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件。
图13 栅矢转换面板6、结果验证对分类结果进行评价，确定分类的精度和可靠性。
有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。
真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。
两种方式的选择都可以通过主菜单->Classification->Post Classification->Confusion Matrix或者ROC Curves来选择。
真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。
由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。
直接利用ROI工具，在TM图上均匀的选择6类真实参考源，如图13所示。
选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
图14 真实感兴趣区参考源选取图15验证操作面板图16 分类精度评价混淆矩阵这里说明一下混淆矩阵中的几项评价指标，如下：●总体分类精度等于被正确分类的像元总和除以总像元数。
被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = (1849/2346)78.8150%。
●Kappa系数它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。
●错分误差指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。
本例中，林地有419个真实参考像元，其中正确分类265，12个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为12/419=2.9%。
●漏分误差指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。
如在本例中的耕地类，有真实参考像元465个，其中462个正确分类，其余3个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为3/465=0.6%●制图精度是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A 类真实参考总数（混淆矩阵中A类列的总和）的比率。
如本例中林地有419个真实参考像元，其中265个正确分类，因此林地的制图精度是265/419=63.25%。
●用户精度是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。
如本例中林地有265个正确分类，总共划分为林地的有277，所以林地的用户精度是265/277=95.67%。
监督分类监督分类监督分类：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，如图17所示：图17 监督分类步骤1、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。
本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
2、样本选择为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。
本例中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs 为多边形，按照默认设置在影像上定义训练样本。