遥感图像处理 分类 实验报告
遥感图像处理实验报告
遥感图像处理实验报告
《遥感图像处理实验报告》
摘要:
本实验利用遥感技术获取了一幅卫星图像,通过图像处理技术对图像进行了处理和分析。实验结果表明,遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
引言:
遥感图像处理是利用遥感技术获取的图像进行数字化处理和分析,以获取有用的地理信息和环境数据的过程。本实验旨在通过对遥感图像的处理和分析,探讨遥感图像处理技术在实际应用中的作用和意义。
实验方法:
1. 获取卫星图像:选择一幅特定区域的卫星图像作为实验对象,确保图像质量和分辨率满足处理要求。
2. 图像预处理:对原始图像进行预处理,包括去噪、增强、几何校正等操作,以提高图像质量和准确性。
3. 图像分析:利用遥感图像处理软件对图像进行分类、特征提取、变化检测等分析,获取地理信息和环境数据。
4. 结果展示:将处理后的图像结果进行展示和分析,对图像处理技术的应用效果进行评估。
实验结果:
经过处理和分析,得到了一幅清晰的遥感图像,并从中提取了有用的地理信息和环境数据。通过图像分类和特征提取,可以准确地识别出不同地物类型,如
建筑物、植被、水体等;通过变化检测,可以发现地表的变化情况,如城市扩张、土地利用变化等。这些信息对于地理信息系统、环境监测、城市规划等领
域具有重要的应用价值。
结论:
遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应
用价值,通过对遥感图像的处理和分析,可以获取丰富的地理信息和环境数据,为相关领域的决策和规划提供重要的支持。在未来的研究中,可以进一步探讨
遥感ENVI实验报告
遥感ENVI实验报告
一、实验目的
本实验的目的是学习和掌握ENVI(Environment for Visualizing Images)软件在遥感图像处理方面的应用。通过本次实验,我们将了解遥
感图像的基本概念和原理,并学习使用ENVI软件进行图像预处理、分类
和地物提取。
二、实验要求
1.学习ENVI软件的基本操作和功能;
2.能够对遥感图像进行预处理,如辐射校正和大气校正;
3.能够对遥感图像进行分类,如最大似然分类和支持向量机分类;
4.能够进行地物提取,如植被指数计算和特征提取。
三、实验步骤和结果
1.图像预处理
首先,我们导入了一幅Landsat 8卫星遥感图像,并进行了辐射校正
和大气校正。辐射校正是将图像中的DN(数字化值)转换为辐射度值,
以便进行后续的大气校正和分类。大气校正是根据大气传输模型对图像进
行校正,以消除大气影响。经过预处理后,我们得到了一幅处理后的图像。
2.图像分类
接下来,我们使用ENVI软件进行了图像分类。我们采用了最大似然
分类和支持向量机分类两种方法进行分类。最大似然分类是一种统计分类
方法,通过最大化每类像素的似然度来划分不同类别,得到分类结果。支
持向量机分类是一种基于机器学习的分类方法,通过训练样本来构建分类
模型,并用于对图像中的未分类像素进行分类。
3.地物提取
最后,我们对图像进行了地物提取。我们计算了该图像的植被指数,
并使用阈值法将植被像素提取出来。植被指数是通过计算不同波段之间的
光谱差异来反映植被覆盖程度的指标。我们还对植被像素进行了形状和纹
理特征的提取,以获取更具有区分度的特征。
遥感图像处理实验报告
遥感图像处理实验报告
遥感图像处理实验报告
引言:
遥感图像处理是一门应用广泛的技术,它通过获取、分析和解释地球表面的图
像数据,为地质勘探、环境监测、农业发展等领域提供了重要的支持。本实验
旨在探索遥感图像处理的基本方法和技术,以及其在实际应用中的价值和意义。
一、图像预处理
图像预处理是遥感图像处理的第一步,它主要包括图像的去噪、增强和几何校
正等操作。在本实验中,我们使用了一张卫星图像作为样本,首先对图像进行
了去噪处理,采用了中值滤波算法,有效地去除了图像中的椒盐噪声。接着,
我们对图像进行了增强处理,采用了直方图均衡化算法,使得图像的对比度得
到了显著提高。最后,我们进行了几何校正,通过对图像进行旋转和缩放,使
得图像的几何形状与实际地理位置相符合。
二、图像分类
图像分类是遥感图像处理的关键步骤之一,它通过对图像中的像素进行分类,
将其划分为不同的地物类型。在本实验中,我们使用了监督分类方法,首先选
择了一些具有代表性的样本像素,然后通过训练分类器,将这些样本像素与不
同的地物类型进行关联。接着,我们对整个图像进行分类,将图像中的每个像
素都划分为相应的地物类型。最后,我们对分类结果进行了验证,通过与实地
调查结果进行对比,验证了分类的准确性和可靠性。
三、图像融合
图像融合是遥感图像处理的一项重要技术,它可以将多个不同波段或分辨率的
图像融合成一幅高质量的图像。在本实验中,我们选择了两幅具有不同波段的
卫星图像,通过波段归一化和加权平均的方法,将这两幅图像融合在一起。融
合后的图像不仅保留了原始图像的颜色信息,还具有更高的空间分辨率和光谱
遥感图像实验报告
遥感图像实验报告
一.实验目的
1、初步了解目前主流的遥感图象处理软件ERDAS的主要功能模块。
2、掌握Landsat ETM遥感影像数据,数据获取手段.掌握遥感分类的方法,
土地利用变化的分析,植被变化分析,以及利用遥感软件建模的方法。
3、加深对遥感理论知识理解,掌握遥感处理技术平台和方法。
二.实验内容
1、遥感图像的分类
2、土地利用变化分析,植被变化分析
3、遥感空间建模技术
三.实验部分
1.遥感图像的分类
(1)类别定义: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;
(2)特征判别: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;
(3)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;(4)分类器选择:根据分类的复杂度、精度需求等确定哪一种分类器;
(5)影像分类:利用选择的分类器对影像数据进行分类,有的时候还需要进行分类后处理;分类图如下:
图1.1 1992年土地利用图
图1.2 2001年土地利用图
(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。
图1.3 1992年精度图
图1.4 2002年精度图
2.土地利用变化
2.1 两年土地利用相重合区域
(1)在两年的遥感影像中选择相同的区域。
Subset(x:568121~684371,y:3427359~3288369),过程如下:
图2.1 截图过程图
图2.2.2 截图过程图
(2)土地利用专题地图如下:
图2.2.3 1992年专题地图
图2.2.4 2001年土地利用图
2.2 土地利用变化
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification
12021005龚鑫烨Objection:the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.
Steps:
1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.
2、Implementing above-mentioned non-parametric algorithms to classify your image.
3、Validating your classification.
4、Refining your classification by implementing the majority filtering and modeling process if possible.
遥感数据图像处理实验七、图像分类
实验七、图像分类
实验内容:1.非监督分类
2.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:非监督分类和监督分类。
1. 非监督分类
(以c:\program files\ imagine 8.4\examples\germtm.img为例)
ERDAS IMAGINE 8.4使用ISODATA(Iterative Self-Organizing Data Analysis Technique)算法来进行非监督分类。聚类过程始于任意聚类平均值或一个已有分类模板的平均值,聚类每重复一次,聚类的平均值就更新一次,新聚类的均值再用于下次聚类循环。非监督分类完全按照像元的光谱特性进行统计分类,常常用于对于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与分类运算,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。
1.1分类过程:
第一步:调出非监督分类对话框
方法一:
在ERDAS IMAGINE 8.4图标面板工具条中单击“Dataprep”图标
→打开Data Preparation窗口
→单击Unsupervised Classification菜单项
→打开Unsupervised Classification对话框
方法二:
在ERDAS IMAGINE 8.4图标面板工具条中单击“Classifier”图标→打开Classification窗口
→单击Unsupervised Classification菜单项
遥感数字图像处理实习报告
遥感数字图像处理实习报告
一、引言
遥感数字图像处理是一项重要的技术,通过对遥感图像的处理和分析,可以获取地表信息、监测环境变化、进行资源调查等。本报告旨在总结我在遥感数字图像处理实习中所学到的知识和经验,并对实习过程中的工作进行详细的描述和分析。
二、实习背景
在本次实习中,我加入了某遥感数字图像处理公司的团队,负责处理和分析卫星遥感图像。公司的主要业务包括地表覆盖分类、环境监测、农业调查等。在实习期间,我主要参与了地表覆盖分类和环境监测方面的工作。
三、实习内容
1. 数据获取
在实习开始前,我首先了解了卫星遥感图像的获取方式和数据源。公司与多个卫星数据提供商合作,可以获取高分辨率的多光谱和全色遥感图像。我通过公司内部的数据平台,获取了一些地区的遥感图像数据,用于后续的处理和分析。
2. 图像预处理
在进行地表覆盖分类和环境监测之前,我对获取的遥感图像进行了预处理。预处理包括图像校正、辐射定标、大气校正等步骤,旨在消除图像中的噪声和偏差,提高图像的质量和准确性。
3. 地表覆盖分类
地表覆盖分类是遥感数字图像处理的重要应用之一。我使用了监督分类和非监督分类两种方法进行地表覆盖分类。在监督分类中,我利用已知类别的样本数据训练分类器,并对整个图像进行分类。在非监督分类中,我使用聚类算法对图像进行
分割,并根据像素的相似性进行分类。通过比较两种方法的结果,我发现监督分类在准确性方面表现更好,但非监督分类在处理大规模数据时更高效。
4. 环境监测
除了地表覆盖分类,我还参与了环境监测方面的工作。通过对多时相的遥感图像进行比较和分析,我可以监测地表的变化情况,如城市扩张、植被覆盖变化等。我使用了变化检测算法和时间序列分析方法,对图像进行处理和分析,得到了地表变化的信息。
遥感实验报告-影像地图制图
《遥感解译与制图》实验报告
影像地图制图
班级: 620707
学号: ********
**: **
日期: 2010/4/18
要求: 对实验目的与要求、实验内容进行简要说明, 重点说明实验步骤及相应结果(附相关的图像、图形等), 并对存在问题进行适当说明和分析。
一实验目的与要求
目的: 以辽宁省葫芦岛市所在地为研究区, 利用Land sat /ETM+遥感数据, 通过遥感数字图像处理及分幅, 进行影像地图制图, 最终提交1∶5万锦西县影像地图及实验报告。
要求:
1.掌握遥感影像制图的分幅方法
2.掌握影像地图制图要素的制作规范及方法
二实验内容
利用E nvi给图像添加网格线和比例尺, 在利用photo shop软件对图像进行制作, 包括添加图框, 标题, 图例等。
三实验步骤及相应结果
1添加网格线
给图像添加网格线:
对网格线进行设置: 结果:
2添加比例尺结果:
3输出图像
4用photoshop对图像进行制作
用到的主要工具有文字编辑, 画线等。5最终结果:
遇到的问题:
一开始在photo shop中总是无法编辑文字, 和同学交流, 发现有好几个同学也遇到了同样的问题, 后来在E nvi输出图像的时候选择JPEG格式, 就可以进行文字编辑了。
收获:
通过本实验, 了解了photo shop的一些简单的图像处理功能。理解了影像地图制图的一般过程。
实验五 遥感图像处理
实验五遥感图像处理
实验目的:通过上机操作,了解空间增强、辐射增强、频率域增强等几种遥感图象增强处理的过程和方法,加深对遥感图象增强处理的理解。
通过上机操作,初步掌握遥感信息融合的方法,深入理解遥感信息融合在信息解译中的意义。
实验内容:ENVI中进行直方图的交互式拉伸、卷积滤波处理、频率域滤波FFT。
多光谱数据与高分辨率全色数据的融合。
一、遥感图像增强处理部分
1、直方图的交互式拉伸
ENVI 用2% 的系统默认线性拉伸值来显示所有图像(两边均舍去信息量的2%),经过这样处理后合成的假彩色图像层次分明、地物差异大,各类地物易于判别。
从Enhance子菜单选择Interactive Stretching,出现一个新的对话框,它包含输入和输出的直方图。若显示一幅RGB 彩色图像,则出现三个直方图窗口,一个直方图对应于一个波段。
打开交互式对话框
在主图像窗口,选择Enhance > Interactive stretching.在交互式对比度拉伸对话框中将显示输入和输出直方图,它们表明了当前的输入数据以及分别应用的拉伸。两条垂线(虚线)表明了当前拉伸用到的最小和最大值。对于彩色图像来说,直方图的颜色与所选择的波段颜色一致。交互式直方图窗口的底部会列出拉伸类型和直方图来源。
注意:
要把任何拉伸或直方图变化自动地应用于你的图像,选择Options > Auto Apply: On.
◆浏览数据细节
要浏览当前的DN值和指定DN值的像元数、直方图以及累积直方图,可以在直方图内按住鼠标左键并拖放随之产生的白色十字交叉指针。
实验九 遥感图像处理监督分类
实验九遥感图像处理监督分类
————————————————————————————————作者:————————————————————————————————日期:
实验九监督分类
监督分类是基于分类模板来进行的,
1.定义分类模板
(1)显示需要分类的图像
打开germtm。img,注意打开之前要把这副图的raster options → layers to colors 设置为:red (4), green (5), blue (3)。
(2)打开分类模板编辑器
Classifier → signature editor →打开signature editor对话框,就是分类模板编辑器。
(3)调整分类属性字段
signature editor对话框中的分类属性表中有很多字段,为了突出作用比较大的字段,需要进行必要的调整。因此,在signature editor对话框的菜单条:
view → columns →打开view signature columns对话框
选中所有字段(左键点住第一个字段往下拖,所有字段呈黄色),然后按住键盘上shift 键的同时,分别点击red, green, blue ,呈白色,点击apply,这时属性表中就没有这三个字段的列了.Close。
(4)获取分类模板信息
就是应用AOI绘图工具在原始图像上获取.
在显示原图像的视窗中点击工具栏图标,打开工具面板。下面的操作将要在工具面板,图像视窗和signature editor对话框中交替进行。
a。工具面板中点击第二行第一个图标,进入多边形AOI绘制状态。
卫星遥感技术实验报告
卫星遥感技术实验报告
一、实验目的
本实验旨在通过使用卫星遥感技术,对地球上特定区域进行遥感观测,获取区域内的地表信息,如地形、植被覆盖、土地利用等,并通过数据处理和分析,探索卫星遥感技术在环境监测、资源调查、城市规划等领域的应用。
二、实验材料
1. 计算机
2. 卫星遥感影像数据
3. 遥感数据处理软件
三、实验步骤
1. 下载相应的卫星遥感影像数据,存储到计算机中。
2. 使用遥感数据处理软件打开影像数据,进行预处理,包括数据纠正、增强和地理坐标校正等。
3. 对处理后的影像数据进行图像分类,将地表分为不同类别,如水体、植被、裸土等。
4. 进行遥感信息提取和数据分析,通过地物光谱特征等参数进行识别和分类。
5. 利用地理信息系统对实验区域进行空间分析,生成地图表达分析结果。
四、实验结果
通过本次实验,成功获取了实验区域内的地表信息,包括植被覆盖率、土地利用类型等数据。经过数据处理和分析,得出了实验区域的植被分布情况、土地利用结构及变化趋势等结果。同时,通过地图展示,清晰地呈现了实验区域的空间特征。
五、实验结论
卫星遥感技术作为一种高效、准确的遥感手段,对地球表面的环境和资源进行监测和调查具有重要意义。通过本次实验,验证了卫星遥感技术在地理信息提取、环境监测等领域的应用潜力,为未来进一步开展相关研究提供了有力支持。
六、实验总结
本次实验通过卫星遥感技术的应用,成功实现了对特定区域地表信息的获取和分析,为环境监测和资源管理提供了有益数据支持。随着科技的不断进步,卫星遥感技术将在地球科学领域发挥越来越重要的作用,为人类的可持续发展和生存提供更多有效手段。
ENVI图像分类实验
(4).
最大似然分类假定每个波段的每一类统计都呈正态分布,并计算给定像元属于某一特定类别的似然度。除非选择一个似然度阈值,所有像元都将被分类。每一个像元被归并到似然度最大的那一类中。
(1).选择Classification > Supervised >maximum lilkelihood。
在最大似然分类中,规则图像(每类一幅图像)包含一个满足修正了的Chi Squared概率分布的最大似然判别函数。规则图像的值越高,说明像元属于该类的可能性越大。最后的分类结果就是将每个像元都归到可能性最大的类中。
(4).点击OK,保存分类结果。
(5).打开分类结果图像和未分类图像,Link displays,检查分类结果。
最小距离法通过计算每个未知像元到每类样本的欧几里德距离来决定像元归属,所有像元都将被归为距离最近的一类。
(1).选择Classification > Supervised >Minimum Distance。
(2).选择要进行分类的影像(SPOT5_FusionImage)。
(3).设置分类参数,选择训练样本(Select All Items):
图10
注:标准差和最大距离误差如果不设定,即用默认值,则所有像元都被归为最近的一类;若设定了标准差和最大距离误差,则会出现一些像元因不满足选择的标准,而成为“无类别”。阈值是根据输入数据的范围而定的,一般都通过研究规则图像的直方图来设定合适的阈值。
遥感图像处理实验报告
遥感图像处理实验报告
遥感图像处理实验报告
引言
遥感技术作为一种获取地球表面信息的重要手段,已经在农业、环境、城市规划等领域得到广泛应用。本实验旨在通过遥感图像处理,探索图像处理算法的应用效果,并分析其在实际应用中的潜力。
一、图像预处理
图像预处理是遥感图像处理的第一步,其目的是消除图像中的噪声、增强图像的对比度和清晰度。在本实验中,我们使用了直方图均衡化和中值滤波两种常见的图像预处理方法。
直方图均衡化是一种通过调整图像像素的灰度分布来增强图像对比度的方法。通过对图像的灰度级进行重新分配,使得图像的灰度分布更加均匀,从而使得图像的细节更加清晰。实验结果显示,直方图均衡化对于遥感图像的对比度增强效果显著。
中值滤波是一种常见的图像去噪方法,其原理是通过计算像素点周围邻域的中值来替代该像素点的值,从而消除图像中的噪声。在本实验中,我们使用了3x3的中值滤波器对遥感图像进行滤波处理。实验结果表明,中值滤波能够有效地去除图像中的椒盐噪声和高斯噪声,使得图像更加清晰。
二、图像分类
图像分类是遥感图像处理的核心任务之一,其目的是将遥感图像中的像素点按照其特征分类到不同的类别中。在本实验中,我们使用了支持向量机(SVM)算法进行图像分类。
支持向量机是一种常用的机器学习算法,其通过构建一个最优超平面来实现分类。在图像分类中,我们将遥感图像中的每个像素点看作一个数据样本,其特
征由像素的灰度值和纹理信息组成。通过对训练样本进行学习,支持向量机能
够建立一个分类模型,从而对测试样本进行分类。
实验结果显示,支持向量机在遥感图像分类中表现出较高的准确性和鲁棒性。
遥感报告
遥感图像的分类及专题制图
一、实验目的
理解遥感图像监督分类及非监督分类的原理,掌握用ENVI对获取图像进行监督分类和非监督分类的方法,简单了解掌握图像分类后的相关操作。熟悉了解整个实验的过程。
二、实验内容
1.采用ENVI实现遥感图像的监督分类(至少采用两种监督分类方法)与非分类监督分类(采用监督分类中的一种算法)
2.对分类之后的遥感图像进行专题制图输出
三、实验原理
1. 监督分类的原理
监督分类(supervised classification)又称训练场地法,是以建立统计识别函数为理论基础,依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数以对各待分类影像进行的图像分类,是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求,则此准则成立;反之,需重新建立分类的决策规则,直至满足分类精度要求为止。常用算法有:平行算法、最小距离法、最大似然法等。
最小距离分类法是用特征空间中的距离座位像元分类依据的。最小距离分类包括最小距离判别法和最近邻域分类法。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量(均值),首先计算待分象元与已知类别之间的距离,然后将其归属于距离最小的一类。最近邻域分类法是上述方法在多波段遥感图像分类的推广。在多波段遥感图像分类中,每一类别具有多个统计特征量。最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离,这样,该象元到每一类都有几个距离值,取其中最小的一个距离作为该象元到该类别的距离,最后比较该待分象元到所有类别间的距离,将其归属于距离最小的一类。最小距离分类法原理简单,分类精度不高,但计算速度快,它可以在快速浏览分类概况中使用。
遥感图像处理实习报告
《数字图像处理》
集中实习报告
(2015-2016学年第2学期)
专业班级:地信1302
小组成员:曹晓东、傅文青、蔡雳鹏、黄亚阳评语:
实习总成绩:
指导教师签名:
2016年04月01日
项目一:遥感数据下载
一、实习时间及地点
实习时间:2016年03月21日至04月22日
实习地点:测绘学院四楼微机室
二、实习内容
(一)、选定实验研究区和相关的两期或多期的数据
(二)、遥感数据下载
三、任务分工
首先小组内讨论实习研究的区域以及两期数据的大致时间段间隔
数据下载和图像增强:曹晓东
遥感图像镶嵌和裁剪:黄亚阳
遥感图像监督分类和动态监测:傅文青
遥感影像专题地图制作综合:蔡雳鹏
四、实习过程
1研究区及数据准备
1.1 实验研究区筛选
从包含的地类、地物的种类尽可能的多的角度进行选择
2选择研究区影像的时间段
2.1 选取的多大的时间跨度比较合适,可以使两期的影像较为明显
3在/ 下载区域数据
3.1 首先确认所用电脑是否安装有Java的JRE环境或者Java开发者工
具包
3.2 在USGS的官方网站上注册上自己的账户
3.3 按事先选择的区域和时间间隔进行筛选,选择适合的时间段(尽量
不少于4、5年)
3.4 先去地理空间数据云网站去搜索好需要下载的时间段的地理数据,
并按指定的云量进行筛选,然后记住相应的数据标识、条带号、行编号、
中心经纬度等等,后到USGS的官方下载标准的数据包。如图所示:
3.5 针对网速的波动时间段,选择合适的时间段去下载实验区的数据
(网速太慢的话只能回宿舍尝试自己的校园教育网)
五、实习总结
通过这次初步下载卫星遥感数据,让我个感觉自己进入了一个崭新的领域。还了解了通用遥感数据的下载流程,以及这些编号的基本含义,并且查了landsat 卫星不同波段的不同用处,band1-band5和band7的空间分辨率为30米,band6的空间分辨率为60米还了解到了2003年Landsat-7的SLC 故障后,采集的数据需要采用SLC-off 模型校正。通过自己手动下载这些数据,深刻的体会到论坛的一些大牛说的有什么不懂的地方就查那些官方的文档,真的是这样。那就好像是自己小时候的玩具说明书,告诉你怎么样用,怎么样玩的更流畅。总之,第一次自己找并用数据的实习,刚开始就学到了很多东西。
遥感图像的分类实验报告
一、实验名称
遥感图像的监督分类与非监督分类
二、实验目的
理解遥感图像监督分类及非监督分类的原理;掌握用ENVI对影像进行监督分类和非监督分类的方法,初步掌握图像分类后的相关操作;了解整个实验的过程以及实验过程中要注意的事项。
三、实验原理
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。
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。
四、数据来源
本次实验所用数据来自于国际数据服务平台;landsat4-5波段30米分辨率TM 第三波段影像,投影为WGS-84,影像主要为山西省大同市恒山地区,中心纬度:
38.90407 中心经度:113.11840。
鉴于实验内容及图像大小等问题,故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。
五、实验过程
1.监督分类
1.1打开并显示影像文件,选择合适的波段组合加载影像
- 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)。
Lab6 non-parametric classification and post classification
12021005龚鑫烨Objection:the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.
Steps:
1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.
2、Implementing above-mentioned non-parametric algorithms to classify your image.
3、Validating your classification.
4、Refining your classification by implementing the majority filtering and modeling process if possible.
实验步骤:
1、将数据加载到envi中
building、water、grass)
保存ROI
3、BP分类。
Classification——supervised——neural net,设置参数及输出路径
观察RMS动态
加载变换后的图像,和原图像进行对比
Classification——post classification——confusion matrix——using ground truth ROIs
由上图可以看出精确度为99.8%
Bp分类的校正
Classification——post classification——majority analysts ,进行网格设置
通过对这两个图层地理连接,查看校正的效果
4、svm分类方法:classification——supervised——support vector machine
Svm分类效果的验证
Classification——post classification——confusion matrix——using ground truth ROIs
Svm分类的校正
Classification——post classification——majority analysts ,进行网格设置
将生成的图像与svm图像进行地理连接,查看校正效果
Basic tools——sunset data via ROIs
5、erdas里建模修改误分的像元
以support vector machine分类的图像为例
将切好的图像和之前的svm图像加载进来,并修改他们的投影信息为基于WGS84的UTM 投影。
Molder-----molder maker,建立模型
建立关系式
运行模型后加载图像
(模型一运行就闪退。。。)最后进行GEO link地理连接