《遥感原理与应用》实验报告——影像分类

实验名称：影像分类
一、实验内容
1.对同一副遥感影像分别用监督和非监督两种方法进行分类，并对分类结果进行比较；
2.对同一种方法下的不同判别准则（如最小距离准则和最大似然分类）得到的分类结果进行
比较。

二、实验所用的仪器设备，包括所用到的数据
电脑一台，Window7操作系统，遥感影像处理软件（ENVI4.3）软件，一幅多波段卫星遥感影像，如图1所示。

三、实验原理
（一）监督分类
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。

2.最小距离分类：是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类
别向量归属于距离最小一类的一种图像分类方法。

3.最大似然分类：假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的
可能性。

除非选择一个可能性阈值，所有像元都将参与分类，每一个像元被归到可能性最大的那一类里。

（二）非监督分类
1.非监督分类的原理
非监督分类也称聚类分析。

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，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，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；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。

2.ISODATA分类
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。

四、实验步骤及其结果分析
（一）ISODATA分类
1.选择Classification > Unsupervised > Isodata.
2.出现Classification Input File 对话框，进行标准文件选择。

3.点击“OK”，显示ISODATA Parameters 对话框，分别在各个文本框中输入合适的参数。

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，显示操作进展过程。

信息随着分类器的每一次迭代在0 到100% 之间循环。

4.显示结果影像，如图2所示。

5.改变参数设置
(1)将Number of Classes（分类数）由5-10改为1-50，显示结果如图3所示。

(2)将Maximum Iteration（最大迭代数）由1改为10，显示结果如图4所示。

(3)将Chang Threshold（像元变化的阈值）由5.00改为1.00，显示结果如图5所示。

(4)将其它各个参数分别更改，结果肉眼看不出明显区别，均如图2（默认参数值）所示。

6.通过Class Cloor Mapping对话框，改变各分类颜色，如将植被改为白色，结果如图6所示。

7.结果分析：
(1) ISODATA分类中获知地物类别属性的方法
使用默认参数值时将结果分为了8类，但是每类地物的具体属性，只利用结果影像并不容易判断出来。

这是由于非精度分类时人们事先对分类过程不施加任何的先验知识，而
仅凭数据，即自然聚类的特性，进行“盲目”的分类。

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。

(2) ISODATA Parameters 对话框各个参数的含义
在ISODATA Parameters 对话框各个参数的含义分别是：Number of Classes（分类数），Min（最少分类数）、Max（最大分类数），Maximum Iteration（最大迭代数），Chang Threshold （像元变化的阈值），Minimum ＃Pixel in Class（每类中的最小像元数），Maximum Class Stdv （最大标准差），Minimum Class Distance （最小类间距），Maximum ＃Merge Pairs（最大合并数）等8个基本参数。

◆改变分类数的范围大小可以改变分类精度，例如将分类数改为1-50时，如图3所示，影
像中颜色种类明显增多，经统计，分类结果有26类。

◆改变最大迭代数可以增加迭代次数，例如将其改为10时，影像进行了4次迭代，如图4
所示，影像中颜色种类有所增加，经统计后分类结果有11类。

影像进行多次迭代，每次迭代重新计算均值，且用这一新均值对像元进行再分类。

◆改变像元变化的阈值，同样会影像迭代次数，例如，当最大迭代次数为10时，将像元
变化的阈值改由5改为1，则表示当每一类像元数变化小于1时，由变化阈值来结束迭代过程，共进行了10次迭代，虽然分类总是没有增加，但是各类别的范围及颜色均有所变化。

（二）最小距离和最大似然分类
1.根据图像特征，选取感兴趣区。

对感兴趣区域进行编辑。

2.ENVI主菜单下选择Classification > Supervised >Minimum Distance和Maximum Likelihood
分别进行最小距离和最大似然分类。

分类结果分别如图7、图8所示。

3.结果分析
(1) 最小距离和最大似然分类的比较
最小距离法与最大似然法的结果影像初看之下十分相近，但通过链接比较，发现仍存在细节上的差别。

例如对比影像右上角植被的区分度，可以看出最大似然法的精度明显高于最小距离法。

最小距离分类原理简单，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。

最大似然法是建立在贝叶斯准则基础上的，其分类错误概率较小，是监督分类方法中风险最小的判决分析，是典型的和应用最广的监督分类方法。

而二者相同的不足之处是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的精度较差。

(2) 监督分类与非监督分类的主要区别
通过比较二者的分类结果，可以看出，非监督分类所分类别较多，结果影像比较杂乱，而监督分类只分成了我们需要的三类，控制起来较为容易。

从效果上看，监督分类较好，但是从省时角度看，非监督分类较好。

二者的根本区别点在于是否利用训练场地来获取先验的类别知识。

监督分类根据训练场提供的样本选择特征参数, 建立判别函数, 对待分类点进行分类。

因此, 训练场地选择是监督分类的关键。

由于训练场地要求有代表性, 训练样本的选择要考虑到地物光谱特征, 样本数目要能满足分类的要求, 有时这些还不易做到, 并且需要较多的人力时间，这是监督分类不足之处。

相比之下, 非监督分类不需要更多的先验知识, 它根据地物的光谱统计特性进行分类。

因此, 非监督分类方法简单, 且分类具有一定的精度，但是得到的集群但类别不一定对应分析者想要的类别，难对产生的类别进行控制，并且不同图像间的对比较为困难。

五、思考题
该地区地物可以分成3大类，分别是植被，水体和土壤。

每大类下面又可根据组成成分、周围环境等的差异，细分为多个小类。

分类方法首先可以通过目视解译，对比不同地物的色调、形状、空间位置特征等判读标志，结合地物的反射光谱信息，对地物进行初步分类。

然后与建立在对像元灰度值的统计、运算、对比和归纳基础上进行的计算机分类的结果，相互检验，以提高分类精度。

要想得到好的分类精度，方法上应注意综合利用多种方法参与分类过程，比如遥感影像有着丰富的纹理信息，遥感影像的纹理分析已成为一种重要的提高遥感影像分类精度的手段，同时可以进行多源遥感信息复合分析等方法。

而操作中应注意选择质量较好的影像、准确的选择训练区并且结合分类后进一步的处理，以提高影像精度。

六、实验中遇到的问题及解决方法
问题：在进行监督分类时，没有选取ROI，软件提示操作错误。

解决方法：通过查阅资料了解到进行监督分类之前必须先选取感兴趣区。

七、实验附图
图1 原始影像(TM432(RGB)) 图2 ISODA TA分类的结果影像
图3 分类数改为1-50的结果影像图4 最大迭代数改为10的结果影像
图5 修改其他参数得到的结果影像图6 植被颜色改为白色的结果影像
图7 最小距离法分类的结果影像 图8 最大似然法分类的结果影像。