遥感上机监督分类与非监督分类

实习报告三

监督分类与非监督分类 实习人姓名

韦昭华 专业班级及编号 水文一班2014301580040 任课教师姓名

陈华 实习指导教师姓名 陈华 王佳伶 实习地点 八教二楼机房 实习日期时间 2016-12-09

实习目的与要求

1.目的：理解影像监督分类和非监督分类的原理、方法和步骤，初步掌握土地利用/土地覆盖的计算机自动分类方法

2.要求：将主要操作步骤截图替换教程中的图像，并按要求分析结果，下周四前交。

3.注意：此次实习内容的操作环境为ENVI Classic 经典版，上机课上将演示新版本操作。同时此次实习内容为大作业中视频教程中省略的部分。

基本原理

1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类。监督分类的具体步骤：

确定分类方案：要求满足互斥性、完备性和层次性要求

特征选取：选择用于影像分类的最佳波段组合，减少处理数据集的维数（波段数）和分

确定分

类方案 特征选取 训练样区选取

与特征 类别可分性分析 分类算法选择 算法实现 分类后处理

操作方法及过程

1. 选择你熟悉的研究区数据，加载到ENVI，可以是裁剪前的图像，也可以是裁剪后的图像。根据实习要求，通过目视解译预想好将要建立的地物种类，并基于此提取出各类地物（要求不少于5种），如可分为居民点、道路、河流、湖泊、在植耕地、水田……几类（或参考下表）。根据以下操作步骤确定土地的覆盖类型、编码以及色调。

居民点Town砾石gravel desert

道路Road水稻田paddy land

水浇地irrigated land水库reservoir

裸地barren land工业区industrial area

滩地shoaly land林地forest

草地grassland河流stream

2.按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用（感兴趣的区域）ROI工具建立训练区，给出各个类别的特征统计表。

加载研究区影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。请根据实际图像选择分类类型和构建ROI，并截图至此（以下以两种地物选取ROI为例，请自行补全其他）：

ROI选择河流样本

选择在植耕地样本

3.计算各样本之间的可分离性。说明哪些地物类型之间易区分，哪些类型之间难以区分。

ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择影像点击确定，选择所有训练区，统计J—M距离和分散度（将结果截图如下）。

根据Jeffries-Matusita，Transformed Divergence，并分析各个样本之间的可分离性。根据J—M距离的定义，其值大于1.9则两种地物具有很好的可分性，若介于1.5到1.8之间，则需要重采样来重新计算其值，而如果小于1就可将两种地物合并为同一种地物。由导出的结果说明哪些地物类型之间较易区分，哪些类型之间难以区分。

【结果与分析1】：河流、湖泊、在植耕地具有很好的可分性，而街道和居民区可分性则较低。

4.监督分类：利用最大似然法完成分类。

①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。

②根据分类的情况修改监督分类后的地物的颜色等信息。具体操作：在监督分类影像中的Image上选择Overlay |Classification，点击“Supervised”，选择Option |Edit class colors/name 等来修改地物的名称和颜色

5.分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，操作步骤：

选择Classification中的分类后处理post classification，选择混淆矩阵Confusion Matrix的Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一对应加载进来，点击确定，即可生成混淆矩阵

【结果与分析2】：分类精度评价结果截图替换上图，并分析结果：

Overall Accuracy = (6345/6569) 96.59%

Kappa Coefficient =0.9552

分析漏分和错分现象:错分指用户感兴趣的类，而实际属于另一类的像元，它混淆在混淆矩阵中，如上图中湖泊有1434个真实参考像元，正确分类1424个，有4个被错分为林地，错分率为4/1434=0.28%.漏分指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数，如上图中的湖泊，有真实参考像元1434个，正确分类为1424个，其余10个被漏分为其余类，漏分误差为10/1434=0.70%。

6.分类后处理（clump—sieve—majority）。

类别集群：选择Classification |Post Classification，Clump Classes，在Select Input File对话框中选择Supervised。最后设定数据输出路径。

类别筛选：选择Classification |Post Classification |Sieve classes，在Select Input File中选择Supervised，Group Min Threshold设为2, Number of Neighbors为8，进行保存。

主/次要分析：Classification |Post Classification |Majority/Minority Analysis，在Select Input File对话框中选择Supervised |Select All Items，Analysis Method设定为Majority，最后选择保存路径。