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。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 class

colors/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。