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。

可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。

2.K-Means法进行非监督分类
1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes
中输15即分为15类，Change Iterations中输6，即最大迭化量为6次，
Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定
保存结果后New display →Load Band，双击查看Cursor Location/V alue，发
现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击
Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行
大量的野外调查，确定同一类码所代表的地物是什么
2）合并类的操作：Classification →Post classification →Combine classes →K-Means →OK；在Select Input Class中选Class 8，Select Output Class中选Class 10（即把第8类和第10类合并）→点Add combination →OK →Memory →OK；在原界面中选择保存结果→New Display →Load Band；在Load 后的Display中点击Tools →Link →Geographic link，则Display（当前）和Display #2（前一个）变为on，表示2者合并→OK，可查看变化结果。

3）如何得到一类中的像元量：classification →post classification →class statistics →选择分类合并后的文件→OK →再选合并后文件→OK，则出现class selection，根据需要选择几类（6,7,8,9,10）→OK，可选项全部选定后→OK，即可获取类码的统计数据
修改：在步骤2完成图上右击出来一个对话框，点击Quick Stats,出现如图：
4）择多滤波器（对合并后的结果）c lassification →post classification →Majority/Minority Analysis →选择合并后文件→OK，再选择class 10，Kernel size改成5×5 →Memory →OK，回到原界面→New display →Load Band，
双击查看与原图的差异。

3.Isodata方法进行非监督分类
classification →unsupervised →IsoData →选择原图→OK，Spectral subset中选3,4,7
波段→OK →OK；Number of classes：min输入10，max输入15，Maximum Iterations
输6，change Threshold %(1-100)改为3.00，其它不变→保存→OK。

在原界面中New display →Load Band →在classification中选择post classification
→class statistics →选定保存后文件→OK →再选一次→OK，则可查看分类结果，
共被分为13类，其他数据获取方法和由类码到地物类型名的转换均与K-Means方
法中一致。

4.量测操作
File →Open image →打开HRF.Fst →选择2,4,7波段→Load Band →Basic Tools →Measurement Tools →选择要量测的界面，在Units中选择单位（根据需要选择恰当单位），在Type中选择量测类型（即面积或周长等），挪动鼠标在选择量测窗口上画线（非闭合或闭合等），停止后，窗口中会自动出现量测结果。

5.分类基础操作，分类前先截取南京市的小地区地形图
ENVI主工具栏中File →Open image file →Etm（HRF）打开→Load Band →Basic Tools →Region of Interest →ROI Tools，在出现界面中选择截取位置，再选截取方式，在image上截取需要的矩形点击右键，选择保存后，重新Load Band.
Basic Tools →Region of Interest →ROI Tools，在image或scroll上找到目标地物类型，选择一定的选取方式（点，线等）在图上完成选取后把Region更改为已知的地物名称，回车→继续下一目标地物时要先点击New Region，以下操作同上，点File ROIs保存。

6.最小距离法
Classification →supervise →minimum distance →选择3,4,7波段→OK，Select all Items →choose选择保存位置→OK，回到原界面窗口New display →Load Band，查看分类效果
7.马氏距离法
classification →Mahalanobis distance →选择3,4,7波段→OK，Select all Items →保存→OK，回到原界面New display →Load Band，相比于最小距度法，查看差异，发现该方法精度高于
最小距离法。

8.最大似然法
Classification →supervise →maximum likelihood →选择3,4,7波段→OK，Select all Items →同时选择保存位置保存→OK，回到原界面→New display →Load Band，继续查看分类效果，
精确度最高
9.像元统计操作
Classification →post classification →class statistics→选择保存过的文件→选择地物类型→OK，即可得到最小距离法分类结果中Forest像元量，查看其他分类，结果中的其他分类项的像元量操作步骤与上操作一致。