ENVI非监督分类：ENVI图文教程

ENVI非监督分类：ENVI图文教程

ENVI非监督分类的流程

(1) 根据具体项目需求先整体上分析一下分类的影像，确定好需要分类出几类。

(2) 选择适合的分类算法。

(3) 对分类出来的类别进行定义、合并、删除。

(4) 分类后处理。

(5) 结果验证。

ENVI非监督分类的算法

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。Unsupervised Classificatio n 菜单为你提供了：

（1）Iso Data(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。

单个菜单具体内容如下所述。

Isodata

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。重复分类是分割、融合和删除是基于输入的阈值参数的。除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。详情参见：Tou, J. T. and R. C. Gonzalez, 1974. Pattern Recognition Principles, Addison-Wesley Publishing Company, Reading, Massachusetts.

执行Isodata（独立数据）非监督分类：

（1）打开影像数据（打开影像数据的方法参考上节内容），在这我们使用的是练习数据位置参考下图。

（2）读取波段值（R:4,G:3,B:2）,结果如下图。

（3）选择Classification > Unsupervised > Isodata.

（4）出现Classification Input File 对话框，进行标准文件选择或输入文件的子集和掩模。

（5）点击“OK”，显示ISODATA Parameters 对话框。

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，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）。

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“File”或“Memory”输出。

如果选用“File”输出，在标有“Enter Output File Name”的文本框里键入要输出的文件名；或用“Choose”按钮选择一个输出文件名。

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。

（6）各个参数选默认值，分类结果如下：

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。除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。详情参见：

For technical details, see: Tou, J. T. and R. C. Gonzalez, 1974. Pattern Recognition

Principles, Addison-Wesley Publishing Company, Reading, Massachusetts.

ENVI中执行K-Means非监督分类的步骤：

（1）打开影像数据（打开影像数据的方法参考上节内容），在这我们使用的是练习数据位置参考下图。

（2）读取波段值（R:4,G:3,B:2）,结果如下图。

（3）选择Classification > Unsupervised > K-Means。

（4）出现Classification Input File 对话框时，进行标准文件选择或输入文件的子集和掩模。

（5）点击“OK”，显示K-Means Parameters 对话框。

K-Means Parameters 对话框

在K-Means 参数对话框里的可选项包括：由聚类程序限定的分类数的选择，像元变化阈值（0~100%），用于分类的迭代最多次数以及可选项距离阈值。

1 在相应文本框里，键入分类数以及迭代的最多次数。

2 键入一个变化阈值（0~100%），用于当每一类像元数变化小于阈值时结束迭代过程。达到阈值或迭代达到最多次数时分类结束。

3 随意设置类均值左右的标准差和最大允许距离误差（用十进制），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。

4 选用“File”或“Memory”输出。

如果选用“File”输出，在标有“Enter Output File Name”的文本框里键入要输出的文件名；或用“Choose”按钮选择一个输出文件名。