遥感图像非监督分类处理方法
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。
ISODATA
ISODATA
一，在百度上的含义： ISODATA 是一种遥感图像非监督分类法。
全称‘迭代自组织数据分析技术’（Iterative Self-Organizing Data Analysis Technique ）。
ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心或已知信号集中心The ISODATA 的实质是用某种算法生成初始类别作为“种子”依据某个判别规则进行自动迭代聚类的过程。
在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。
二，迭代自组织数据分析算法：迭代自组织数据分析算法与K均值算法有相似之处，即聚类中心的位置同样是通过样本均值的迭代运算决定。
不同的是，这种算法在运算的过程中聚类中心数目不是固定不变的，而是反复进行修改，以得到较合理的类别数K，这种修改通过模式类的合并和分裂来实现，合并和分裂在一组预先选定的参数指导下进行。
ISODATA的特点是计算简单，适用于识别致密聚类。
合并主要发生在某一类声样本数较少的情况下，或者两类声样本聚类中心之间距离太小的情况。
为此，需要指定每一类中最少样本数和两类聚类中心之间的最小距离参数。
类分裂主要发生在某一类的某分量出现类内方差过大的现象时，适合将其分裂成两类，使类内方差比较合理。
为此，需要指定类内某个分量方差的参数，用以决定是否需要将某一类分裂成两类。
(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。
非监督分类的k-means方法在从化市Landsat-7遥感图像的应用
1科技咨询导报Sci en c e a nd Tec hn ol og y Co ns ul t i ng Her al d 高新技术2006NO .14Sc i e nc e a nd Te chn ol og y Con su l t i ng H e r a l d 科技咨询导报1引言遥感技术在20世纪60年代兴起它是在航天技术计算机技术遥感器技术等的推动下发展起来的遥感技术促使摄影测量发生了革命性的变化它在地学和环境学方面的广泛应用产生了十分可观的经济效益和显著的社会效益由于文中研究的对象是遥感图像了解其包含哪些对我们有用的信息是必要的从而使我们的研究会有针对性可行性和实用性遥感图像中包含着三大信息内容即图像中波谱信息图像的空间结构信息以及图像的时间信息EN V I T he E nvi r onm ent f or V i sua l -i zi ng I m a ges 遥感影像处理软件由美国RSI 公司R ese ar ch Syst em s I nc.开发研制它是分析处理并显示多光谱数据高光谱数据和雷达数据的高级工具E N V I 可以直接支持L a nds at -7格式并能识别Landsat -7的所有头文件信息方便用户显示图像并对各种属性及文本文件作各种分析2几何校正由于遥感成像过程中多种因素影响致使遥感图像质量的衰减遥感图像质量衰减产生的原因和作用结果都不相同因此一般采用不同的校正处理方法文中使用几何校正的方法进行图像处理图像的几何校正g e o m e t r i c cor r ect i on 是指从具有几何畸变的图像中消除畸变的过程也可以说是定量地确定图像上的像元坐标与目标物的地理坐标的对应关系文中为了简要说明遥感图像的处理过程故在实际的操作过程中采用直接转换法进行几何校正的而采用这种方法的关键在于控制点的选择上通常采集的控制点是影像上和地形图上都有的特殊形态的地物对应点如道路河流的交叉点等3图像合成人的视觉对彩色的分辨能力远远高于对灰度的分辨能力通常人眼能分辨的灰度有十几个等级但可以分辨100多种彩色层次彩色合成增强是将多波段黑白图像变换为彩色图像的增强处理技术根据合成影像的彩色与实际景物自然彩色的关系彩色合成分为真彩色合成和假彩色合成两种由于在后续的各项遥感图像处理过程中都涉及到Lands at -7E TM +所包含的各波段知识所以下面将其相关的内容做一个简要的介绍4数据融合数据融合的概念始于70年代进入20世纪90年代以后随着多种遥感卫星的发射成功从不同遥感平台获得的不同空间分辨率和时间分辨率的遥感影像形成了多级分辨率的影像金字塔序列给遥感用户提供了从粗到精从多光谱到高光谱的多种遥感数据非监督分类的k-m e a ns方法在从化市La nds at -7遥感图像的应用陈宇达刘艳梅汪新庆中国地质大学资源学院信息所湖北武汉430074摘要文中利用RSI ENVI 4.2图形图像处理软件对广东省从化市La n d s a t -7ETM +遥感图像依据地物光谱特性采用非监督分类的k -m e a n s 方法对遥感图像进行分类同时也简单地介绍了利用RSI ENVI 4.2进行遥感图像处理的几个步骤和方法关键词ENV I 几何校正图像合成数据融合分类中图分类号TP317.4文献标识码A 文章编号1673-0534(2006)10(a )-0001-02源数据融合的发展在一定程度上解决了多种数据源综合分析的问题在本次的图像处理过程中,对多光谱图像(包含了B and1至Band7的遥感图像)和全色图像仅包含B and8的遥感图像进行图像融合,这个过程中采用了G r am -Sc hm i dt 波谱融合方法.5图像的分类计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用遥感图像计算机分类的依据是遥感图像像素的相似度相似度是两类模式之间的相似程度在遥感图像分类过程中常使用距离和相关系来衡图1非监督分类的k-m ea ns 方法分类图图2非监督分类的统计曲线表1ETM +各波段Ba nd的详细信息2科技咨询导报Sci en ce a nd Tec hn ol og y C o ns ul t i n g Her al d2006N O .14Sci en ce an d Tec hn ol o gy C o ns ul t i ng H e r al d高新技术科技咨询导报量相似度遥感图像的计算机分类方法包括监督分类和非监督分类而监督分类和非监督分类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此次图像处理过程中采用了非监督分类的K -m e ans 方法对融合后的图像进行了分类通过图2的非监督分类的统计曲线可以看出融合的遥感图像采用非监督分类的k-m ea ns 方法后每一类的分布情况从而可以进一步计算出相应的分布精确值然而我们在对遥感图像分类的过程中需要注意的问题是遥感图像的灰度是地物电磁波辐射特征的反映灰度值的大小除与地物成分有关外还与地物的表面结构以及地形的起伏有关图像分类仅仅只考虑图像的光谱信息而不考虑图像的结构信息以及地形起伏变化的影响是很难保证分类精度的今后的遥感图像分类必然要考虑图像中结构信息与地形变化因素6结束语通过采用非监督分类的k-m eans 方法对广东省从化市Lands at -7ET M +遥感图像进行处理的过程使我们进一步加深对遥感图像处理步骤的理解同时通过这个具体实例阐释了遥感技术在国民经济的各个领域的重要作用参考文献[1]梅安新,彭望,秦其明.遥感导论.北京:高等教育出版社.2001.[2]秦其明.遥感概论网络教程.北京高等教育出版社,2003.[3]宁书年遥感图像处理与应用.北京地震出版社,1995.[4]何维李秉柏张娅香,等.一种新的控制点采集方法[J].国土资源遥感.2001.460-63.通性W i -Fi 网络可以使用来互连电脑链接电脑上互连网W i -Fi 网络在无执照的2.4和5千兆H z 的无线电频带经营数据速率可达11M bps (802.11b)~54M bps 802.11a 或包含以上两条频带的产品双重频带W i -Fi 覆盖范围很广可达100m 但其电波易受干扰速度较快提供个人及公司内部人员使用局域网用户不再使用C a bl e 上网由于使用电波作为传送媒介资料包被截取的可能性高这也成为用户所担心问题现在W i -Fi 产品利用W E D W i r ed E qui val ent Pr i vacy 技术作资料加密之用然而其保安的效能却倍受质疑另一方面支援新一代W i -Fi Pr ot e ct e d A cce ss 加密方式的W i -Fi 产品亦相继出现3UW B Ul t r a -W i de ba ndUW B 是一个新兴的高速短距离通信技术在短距离13m 以下有很大优势最高传输速度可达1G b/S 而传统的窄带技术在长距离低速传输具有优势U W B 技术覆盖的频谱低范围为3.1~10.6G H z 频谱范围很宽但是发射功率非常低U W B 技术目前可以支持114M b/S 的传输速度距离13m 完全可以满足短距离家庭娱乐应用需求直接传输宽带视频数码流但在目前U V B 技术只有在美国官方承认目前在市场应用的产品正处于初期阶段目前使用标准有U W B Fo r u m 推举的DS-U W B 和The W I M e di a A l l i anc e 推举的OF DM4Zi gB ee I EEE 802.15.4Z i gB e e 是一种新兴的短距离低功率五种主流近距离无线技术比较蒋伟民毕红军(北京交通大学电子信息工程学院北京)摘要本文对目前主流的五种近距离无线通信技术进行介绍并对五种技术从传输速率使用频段技术特点以及最新的发展进行初步比较分析让读者对短距离无线技术有个概括了解关键词无线技术蓝牙技术W i -Fi UW B Zi gBe e I r D A 中图分类号TM 935.31文献标识码A 文章编号1673-0534(2006)10(a )-0002-01低速率无线接入技术工作在2.4G H z I SM 频段速率为10M ~250K b/S 传输距离为10~75m 技术和蓝牙接近但大多时候处于睡眠模式适合于不需实时传输或连续更新的场合Z i gB e e 是I E EE 802.15.4的扩展集目前Z i gB e e 联盟包含有70多成员物理层标准采用三个频段北美2.4G 和915M H z 欧洲868M H z Zi gBe e 采用基本的主从结构配合静态的星型网络因此更适合于使用频率低传输速率低的设备激活时延短仅15m s 低功耗等特点将成为未来自动监控遥控领域的新技术5I r D A I nf r ar ed 红外技术红外通讯一般采用红外波段内的近红外线波长0.75m 和25m 之间由于波长短对障碍物的衍射能差所以更适合应用在需要短距离无线点对点场合1993年I r D A 协会发布其第一个标准后又发布FI R 速率高达4M bps 采用4PPM 调制解调目前其应用已相当成熟其规范协议主要有物理层规范连接建立协议和连接管理协议等I r D A 以其低价和广泛的兼容性得到广泛应用参考资料[1]朱刚.蓝牙技术原理与协议.2002.北方交通大学出版社.[2]世界电子元器件.2005年第2期.[3]移动通信.2005年第7期.[4]ht t p://w w w .s i m pl et ea m .com /.[5]ht t p://w w w .bl uet oot h.c om /Bl uet oot h/Le ar n/随着个人通信消费电子的迅猛发展新的近距离接入技术也不断进步朝着更快更方便更安全有效等方面进行发展新的技术在I nt el 接入信息家电移动办公工业化等各个领域得到了广泛的运用本文就目前主流的五种近距离无线通信技术进行综述剖析其技术特点及应用方面1蓝牙技术B l uet oot h Technol ogy蓝压技术是使用2.4G H z 的I SM 公用频道的一种短距离低成本的无线接入技术主要应用于近距离的语言和数据传输业务蓝牙设备的工作频段选用全世界范围内都可自由使用的2.4G H z I SM 频段用户无需申请可使用频道采用23个或79个频道间隔为1M H z 时分双工方式采用跳频速率为1600跳/秒使得蓝牙系统具有足够高的抗干扰能力设备简单性能优越根据其发射功率的不同蓝压设备之间的有效通讯距离大约为10~100m蓝牙设备组网灵活提供点对点和点对多点的无线连接基于TD M A 原理组网蓝牙技术安全除采用跳频扩展技术和低发射功率等常规安全技术外还采用三级安全模式进行管理控制随近年来个人通信的发展蓝牙技术得到广泛的推广应用其技术成熟并开放式的系统开发模式目前最新版的EDR Z-OT 速率达到3M bps 广泛应用于手机耳机笔记本电脑P D A 等个人电子消费品中2W i -Fi I EEE 802.11:W i r el e s sF i d eli t yW i -Fi 使用I E EE 802.11b 或802.11a无线电技术提供安全可靠快速的无线连。
遥感影像处理步骤
一．预处理1．降噪处理由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。
（1）除周期性噪声和尖锐性噪声周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。
它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。
一般可以用带通或者槽形滤波的方法来消除。
消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。
（2）除坏线和条带去除遥感图像中的坏线。
遥感图像中通常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。
一般采用傅里叶变换和低通滤波进行消除或减弱。
2．薄云处理由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。
3．阴影处理由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。
二．几何纠正通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。
特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。
1．图像配准为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
（1）影像对栅格图像的配准将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。
（2）影像对矢量图形的配准将一幅遥感影像配准到相同地区一幅矢量图形中，使其在空间位置上能进行重合叠加显示。
2．几何粗纠正这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.3．几何精纠正为准确对遥感数据进行地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。
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：中心经度：;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.监督分类打开并显示影像文件,选择合适的波段组合加载影像打开并显示TM影像文件,从ENVI 主菜单中,选择File →Open Image File选择影像,为了更好地区分不同地物以及方便训练样本的选取,选择5、4、3波段进行相关操作,点击Load Band 在主窗口加载影像;使用感兴趣区ROI工具来选择训练样区1主影像窗口菜单栏中,选择 Overlay >Region of Interest;出现ROI Tool对话框,2根据不同的地物光谱特征,在图像上画出包含该类地物的若干多边形区域,建立相应的感兴趣区域,输入对应的地物名称,更改感兴趣区对应的显示色彩;由于该地区为山西省北部,地物相对单一,故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层,阴影;选择分类方法进行分类1主菜单中,选择Classification>Supervised,在对应的选项菜单中选择分类方法,对影像进行分类;以最小距离法Minimum Distance为例进行说明;选择Minimum Distance选项,出现Classification Input File对话框,在该对话框中选择待分类图像;2在出现的Minimum Distance Parameters对话框中,select Ttems选择训练样本,定义相关参数,选择输出路径;点击ok完成分类,结果如图：2.非监督分类非监督分类方法有K-均值分类法及ISOData 重复自组织数据分析技术,本次实验报告以K-均值分类方法为例进行说明;1主菜单中 , 选择 Classincation>Unsupervised>K-Means;在Classification Input File对话框中选择待分类影像文件;2在K-Means Parameters对话框中定义相关参数,其中,可定义参数有：分类类别数,像元变化阈值,用于分类的最多迭代次数以及可选的距离阈值;选择结果输出位置,点击OK完成分类;3.分类后处理我们需要对分类后的影像进行后处理,评价其分类的精度,这里以监督分类结果为例进行说明;更改类别名称及颜色主图像窗口,Overlay->classification,出现Select Input file对话框,选择分类结果,点击OK;在Interactive Class TOOL对话框的option下拉菜单中选择Edit colors/names选项,在弹出的对话框中选择类别更改其名称颜色;分类结果微调包括删除或者合并小斑点;1将要修改的类别置于激活状态,点击Edit下拉菜单,选择Mode :polygon Add to class 将分类错误的点与周围区域点合并;选择Mode :polygon delete from class将错误点剔除;2主菜单classification->Post classification->sieve classes打开sieve parameters对话框,选择训练样本,及最小剔除像素,选择输出位置,完成操作;图为采用八联通域将像素小于5的点删除;混淆矩阵精度验证1选取验证样本,与监督分类操作类似,选择不同的感兴趣区域,保存ROI,作为选择训练样本;2进行精度验证,主菜单classification->Post classification->Using Ground Truth ROI,选择分类图像;对应分类结果和验证样本点击ok得到精度验证结果;分类统计主菜单classification->Post classification->class statistics,在弹出的对话框中输入分类结果,点ok下一个对话框输入原图像ok;在弹出的select classes对话框中选择训练样本;选择输出显示类型,点击ok得到统计结果;分类结果转换为矢量主菜单classification->Post classification-> classification to vector,弹出对话框中选择分类结果影像;选择训练样本及矢量文件输出位置,点击ok完成矢量化;矢量化结果如下：六、实验结果与分析1、监督分类结果分析将分类结果与原图像进行对比可发现分类结果基本符合要求,农田与建筑的分布具有较强的统一性,符合相关常识;2、非监督分类结果分析3、图为经过主次要分析的分类结果与原图对比,可发现去除了一些噪声点,分类结果相对较好;4、分类结果精度评价分析由于监督分类,训练样本及验证样本的选择失误,图像的分类精度为83%基本符合要求,但不是太高,从精度报表中可看出,误差来源主要为灌木林与草地之间的差异,其他地物的分类结果基本上比较精确;七、实验心得与体会本次实为遥感影像的监督分类与非监督分类以及分类后处理,通过本次实验,初步掌握了影像的分类过程,在影像的监督分类中,训练样本的选择是本实验的关键点,如何较为准确的选择感兴趣区域确定正确的训练样本需要在以后的学习中积累相关经验;实验中相近地物信息的不同地物该如何分类需要思考;。
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。
非监督分类
（五）监督法与非监督法比较
与监督法的先学习后分类不同，非监督法是边 学习边分类，通过学习找到相同的类别，然后将该 类与其它类区分开，但是非监督法与监督法都是以 图像的灰度为基础。
谢谢聆听
（四）非监督分类的特点和优缺点
1.特点：非监督分类只是对不同类别进行划 分，并没有确定类别的属性，属性是分类后 对各类别的光谱特性或实地调查后确定。
2.优缺点 *优点： （1） 无需对分类区有较多的了解，仅需一定 的知识来解释分类出现的集群组 （2）人为误差减少，需输入的初始参数较少 （3）可形成范围很小但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 （4） 独特的覆盖量小的类别均能够被识别 *缺点： （1） 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 （2）存在同物异谱及异物同谱现象，使集群 组与类别的匹配难度大 （3）不同图像间的光谱集群组无法保持其连 续性，难以对比。
（二）非监督分类的过程
1.核心问题 初始类别参数的选定，以及迭代次数的调整 问题。
2.主要过程 （1）确定最初类别数和类别中心（任意的，随 机的）； （2）计算每个像元对应的特征量与各聚类中心 的距离，取距离最短的类别做为像元所属类别， 计算新的类中心； （3）计算每一像元与新的聚类中心距离，取距 离最短的类别做为像元的所属类别，计算新的类 别中心； （4）判断迭代是否结束，若不是，继续迭代， 若是，迭代停止，分类结束。
（三）非监督分类的方法
法
* 主要采用聚类分析方法，常用的方法有 ISODATA，称为迭代自组织分析技术，和KMean
算法，称为K－均值算法。K-Mean算法的基本 思
想是通过迭代，移动各个基准类别的中心DATA是在初 始
状态给出图像粗糙分类，然后基于一定原则在
遥感实习遥感图像非监督分类
实验四非监督分类一、实验目的采用非监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。
二、实验数据与原理美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。
三、实验过程：1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。
点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。
2、查看光标值：从主影像窗口菜单中，选择Tools →Cursor Location/Value。
3、查看波谱曲线图从主影像窗口菜单栏中，选择Tools →Profiles →Z Profile (Spectrum)，开始提取波谱的剖面曲线。
非监督法分类：K-均值（K-Means）分类法从ENVI 主菜单中，选择Classification →Unsupervised →K-Means 或者IsoData，生成ENVI 非监督法分类后的影像。
使用默认参数，并选择路径，命名为ljs-can_tm_unsupervised.img生成后将之作为#2，在新窗口中打开，并建立与原can_tm图像的动态链接，在一个窗口中查看二者的关系。
子情景4遥感图像分类——遥感影像监督分类和非监督分类.
6）产生随机点; Edit > create/add random points
7）显示随机点类别; view> show all ; Edit > show class values 8）输入参考点类别; Reference 输入 9）输出分类评价报告； Report> accuracy report
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
类别合并需要考虑实际意义
2）应用AOI扩展绘图工具获取分类模板信息
Region growing properties 进行Neighborhood 属性设置。
利用Region grow AOI选择种子点。
提示：AOI> seed properties>region growing Properties
约束条件：Area确定最多的像元数； Distance确定包 含像元距离种子点像元的最大距离。
2.评价分类模板（Evaluating Signatures） 类别的分离性：
用于计算任意类别间的统计距离，这个距离可以确定两 个类别间的差异程度，也可以确定在分类中效果最好的 数据层。
类别间统计距离计算公式： 1）欧氏光谱距离；2）Jeffries-matusta距离； 3)Divergence 分离度；4）Transformed divergence 转换 分离度
提示：对比Utility>flicker/ Blend/ Swipe区别
实习三 遥感图像的监督分类与非监督分类
实验三遥感图像的监督分类与非监督分类[实验目的]1.理解遥感图像的监督分的含义；2.会使用ENVI软件对遥感图像进行监督分类。
[实验原理]在遥感图像分类中，按照是否有已知训练样本的分类依据，分类方法又分为两大类：监督分类与非监督分类。
遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个给定类的分类。
遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，事后再对已分出的各类的地物属性进行确认，也称作“边学习边分类法”。
两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。
[实验步骤]一监督分类（数据采用njtmcorrected）监督分类技术需要在执行以前事先定义训练分类器（training classes）, 训练分类器也可以用ENVI 感兴趣区（ROI）函数限定。
ENVI的监督分类技术包括平行六面体(平行管道)、最小距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法1. “开始”->“程序”->RSI ENVI4.0->ENVI，打开ENVI4.0界面；2. 选择File > Open Image File.3. 当出现Enter Data Filename 对话框，选择要打开的文件名，再点击“OK”，在Available Bands List框里点击Load Band ，图像显示在图像显示窗口。
4. 选择“基本工具”－>感兴趣区－>ROI工具，弹出ROI Tool对话框。
5. 在ROI_Type菜单里选择建立感兴趣区的类型，可以选择Polygon、Polyline、point、Rectangle、Ellipse等类型。
6. 在Window栏里选择要建立感兴趣区的窗口，可以选择Image、Scroll、Zoom窗口。
监督分类与非监督分类遥感实习
4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，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。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
Clump对话框Sieve对话框Majority对话框
【结果与分析3】：（clump—sieve—majority）请替换如下对比图并分析发生的变化
分类后影像clump后影像
【分析】：聚类处理将邻近的类似分类单元进行聚类合并，可以看到影像中比较小的地物被合并，但是也将一些比较孤立的地物被错分。
分类后影像sieve后影像
实验结果
1、监督分类：（请将前后对比图截图至此）
原始影像监督分类后影像
【分析】：
2.运用ISODATA方法进行非监督分类结果对比图：
监督分类影像非监督分类影像非监督分类合并后处理影像
【分析】：
存在问题与解决办法
1、在监督导致地物选取有很大的误差，城镇居民区、工业区选区不能有效地区分，裸地与砾石也比较难以辨别。
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tdivercd1expdivercd8jm距离j21e3最大似然分类法是基于概率论中每个像元存在属于所有类别的概率假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率比较各个类别的概率值并将像元划归到概率最大的那个类别当中去
遥感图像处理中的无监督分类方法研究
遥感图像处理中的无监督分类方法研究摘要：遥感图像无监督分类方法在图像处理领域中具有重要的应用价值。
本文基于传统的无监督分类方法，对遥感图像处理中的无监督分类方法进行了研究与探讨。
首先，介绍了遥感图像处理的背景和意义，以及无监督分类方法的基本原理。
然后，详细分析了K-means聚类算法、Gaussian混合模型算法和自组织映射神经网络算法等常用的无监督分类方法的优缺点。
接着，结合实际应用案例，探讨了无监督分类方法在遥感图像处理中的具体应用。
最后，总结了当前无监督分类方法的研究现状，并提出了未来研究的方向。
1. 引言遥感图像处理是遥感技术中的重要分支，具有广泛的应用前景。
遥感图像的无监督分类，即不依赖于已知类别信息的分类方法，对于无需先验知识的图像处理任务具有重要的意义。
本文旨在研究与探讨遥感图像无监督分类方法，为遥感图像处理提供更准确、高效的解决方案。
2. 无监督分类方法的基本原理无监督分类方法是一种从数据中发现潜在模式或结构的方法，其基本原理是通过计算数据样本之间的相似性或距离来进行样本分类。
常见的无监督分类方法包括K-means聚类算法、Gaussian混合模型算法和自组织映射神经网络算法等。
3. 常用的无监督分类方法3.1 K-means聚类算法K-means聚类算法是一种基于距离度量的无监督分类方法。
该算法通过迭代计算样本数据与聚类中心之间的距离，并将样本分配到距离最近的聚类中心。
K-means算法具有简单、高效的特点，但对初始聚类中心的选择较为敏感。
3.2 Gaussian混合模型算法Gaussian混合模型算法假设数据样本符合多个高斯分布，并通过似然函数的最大化来估计各个高斯分布的参数。
该算法能够较好地处理数据的不确定性，并且在处理非线性问题时表现良好。
3.3 自组织映射神经网络算法自组织映射神经网络算法是一种基于神经网络的无监督分类方法。
该算法通过自适应学习和竞争机制来实现数据的非线性映射和分类。
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。
遥感图像非监督分类
遥感图像非监督分类1.概述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。
ENVI提供了两种非监督分类方法：（1）IsoData(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。
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。
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。
2 具体操作步骤2.1 执行Isodata非监督分类打开影像数据（参考上节内容），读取波段值（R:5,G:4,B:3），选择Toolbox>Classification > Unsupervised >Isodata Classification.选择分类TM图像文件，点击“OK”，显示ISODA TA Parameters 对话框。
图1 ISODA TA 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）。
（2）最大迭代次数和一个变化阈值（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）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）。
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。
非监督分类
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。
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。
《ERDAS IMAGE遥感图像处理方法》操作
《ERDAS IMAGE遥感图像处理方法》操作一空间增强（Spatial Enhancement）1卷积增强处理（Convolution）功能：用一个系数矩阵将整个图像按照象元分块进行平均处理，用于改变图像的空间频率特征。
to效果：地物的轮廓和线条勾勒变清晰了。
2非定向边缘增强（Non-directional Edge）功能：应用两个非常通用的滤波器（Sobel 滤波器和Prewitt 滤波器），首先通过两个正交卷积算子（Horizontal算子和Vertical算子）分别对遥感图像进行边缘检测，然后将两个正交结果进行平均化处理。
to效果：效果明显而且强烈分别出邻区不同的部分。
3.聚焦分析（Focal Analysis）功能：使用类似卷积滤波的方法，选择一定的窗口呼函数，对输入图像文件的数值进行多种变换，应用窗口范围内的象元数值计算窗口中心象元的值，达到图像增强的目的。
to效果：深色地方变模糊，浅色地物图象得到增强，但也变得不清晰。
4.纹理分析（Texture Analysis）功能：通过二次变异等分析使图象的纹理结构更加清晰。
to效果：纹理边缘部分十分清晰。
5.自适应滤波（Adaptive Filter）功能：应用自适应滤波器对图像的感兴趣区域进行对比度拉伸处理。
to效果：颜色变浅了。
6.分辨率融合（Resolution Merge）功能：对不同空间分辨率遥感图像的融合处理，使处理后的遥感图像即具有较好的空间分辨率，又具有多光谱特征，达到图象增强的目的。
+ ＝效果：处理后图象既有高分辨率又有多光谱特征（彩色）。
7.锐化增强处理（Crisp Enhancement）功能：对图像进行卷积滤波处理，使整景图像的亮度得到增强而不使其专题内容发生变化。
效果：区别不大，亮度得到些许增强。
二．辐射增强（Radiometric Enhancement）1.查找表拉伸（LUT Stretch）功能：通过修改图像查找表使输出图像值发生变化。
- 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)。
图7说明：分类后的各种地物的颜色和名称。
图8说明：分类前后图像的比较，
4．实验数据分析与结论（可另附文字材料）
实验数的图像
容易区分不同地物。
（2）分类过程中存在错分漏分现象，分类后的图像同一种地物属于不同类别，造成同种类别中有多种地物。
图2
说明：确定输入、输出、输出模板文件名及其路径，分类类别数目（Number of Class）:20以及最大循环数(Maximum Ltertions)：18，其余默认。
（2）非监督分类处理并输出其结果。（如图3）
图3
(3)区分不同不同地物。（如图4、5、6、7、8）
①打开分类后图像的生活属性对话框，为不同类别赋予不同颜色（分组进行）。
②将原图与分类后的图像进行叠加，辨别区分不同类别所表示的地物。
③在属性表中合并相同地物，写出地物名。
④对照比较分类处理前后的区别。
图4说明：点击工具条中的Raster中的Attributte打开属性对话框。
图5说明：首先导入原图像，然后点击File→Open→RasterLayer→Raster Option划去Clear Disaplay，最后导入分类后的图像。
并导入图像，并对其进行预处理（几何校正）（如图1）
图1
第二步：非监督分类处理。
（1）第一步：调出非监督分类对话框：在ERDAS图标面板工具条中点击
Classifier图标 →Classification→Unsupervised Classification
→Unsupervised Classification对话框如下，并设置参数。（如图2）
实验收获：（1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。
需要解决的问题：（1）如何减少非监督分类过程中出现的错分漏分现象，使分类后的图像更加精确，信息量更加丰富。
（2）课后应进一步熟练该方法操作步骤以及遥感图像的预处理方法。
6．指导教师评语
教师签名：
年月日
备注：
实验结论：（1）非监督分类直接对输入的数字图像像无数值（亮度值）进行统计运算处理，分别将每个像元归纳到由图像各波段构成的多维空间中的集群中，达到分类识别的目的。
（2）非监督分类不需要更多的先验知识，根据地物的光谱统计特性进行分类，客观真实。因此，非监督分类方法简单，而且具有一定的精度。
5．实验收获及需要解决的问题
1．实验目的
学习并掌握遥感图像的另一种计算机分类方法，即非监督分类，通过上机实习加深对该方法的理解以及会运用该方法处理一些遥感图像。
2．实验准备工作
获取一幅遥感图像，理解遥感图像非监督分类处理的理论内容，阅读实习手册中相关内容，熟悉非监督分类处理的方法和步骤。
3．实验步骤
第一步：进入ERDAS IMAGINE界面环境，打开一个Viewer窗口