实验6 遥感图像分类(1)
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：38.90407 中心经度：113.11840。
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1.1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。
1.2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。
遥感图像分类技术与制图方法
遥感图像分类技术与制图方法近年来，随着遥感技术的不断发展和进步，遥感图像的分类技术和制图方法也在不断创新和完善。
遥感图像分类是指根据遥感图像的特征和属性，将图像中的不同对象或地物进行分类和划分的过程。
而制图方法则是利用分类结果，通过合适的制图技术将地物信息表现在图上。
本文将深入探讨这方面的主题，介绍遥感图像分类技术的基本原理以及常用的制图方法。
一、遥感图像分类技术1. 遥感图像分类基本原理遥感图像分类是指将遥感图像中的像素分配给不同的地物类别，如水体、森林、农田等。
它的基本原理是利用遥感图像中地物的光谱和空间特征来进行分类。
光谱特征是指地物在不同波段上的反射或辐射特征，可以通过遥感影像的光谱信息进行提取和利用。
而空间特征则是指地物在图像上的分布和形状特征，可以通过图像处理和分析来获取。
2. 遥感图像分类方法遥感图像分类方法主要包括监督分类和非监督分类两类。
监督分类是先准备一定数量的训练样本，然后利用这些样本对图像进行分类。
常见的监督分类方法有最大似然法、支持向量机等。
非监督分类则是不事先准备训练样本，而是通过确定合适的聚类数目和算法自动将图像分为不同的类别。
常见的非监督分类方法有K-均值聚类、ISODATA等。
3. 遥感图像分类技术的挑战遥感图像分类技术面临着一些挑战。
首先是遥感图像的分辨率问题。
如何处理高分辨率遥感图像中的大量细节信息，保持分类的准确性和精度，是一个挑战。
其次是遥感图像中地物之间存在的混淆问题。
由于地物在图像上的光谱和空间特征相似，可能会导致分类结果的混淆，需要采用适当的方法来解决。
此外，遥感图像分类还需要考虑不同地物类别的空间分布规律和时序变化，增加了分类的难度。
二、制图方法1. 分类结果制图分类结果制图是将遥感图像分类的结果表现在地图上的过程。
它可以通过色彩编码或者灰度级来显示不同类别的地物。
例如，可以将水体类别用蓝色表示，森林类别用绿色表示，农田类别用黄色表示，以此类推。
遥感图像分类
新的分类方法：
人工神经网路方法 决策树分类法 专家系统分类法
监督分类
通过选择代表各类别的已知样本（训练区）的像 元的光谱特征，事先取得各类别的参数，确定判 别函数，从而进行分类。
在监督分类中，先定义信息类，然后检验它们的光 谱可分性
分类训练区的选择
训练区：已知地表覆被类型的代表样区 用于描述主要特征类型的光谱属性
•
训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获 取的信息的价值 用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中 光谱类别的所有组成
•
• •
代表性、完整性
分布：多个样区
确定像元聚集的判别规则
平行管道分类（平行六面体）
最简单的方法——仅仅需要规定每个特征的DN范围 一些像元可能未分类或重复分类
人工神经网络法
决策树分类法
决策树是一 树状结构， 依据规则把 遥感数据集 一级级往下 细分以定义 决策树的各 个分支。
T
根结点
T1
T2
分支
叶结点 T3
叶结点
决策树分类法
基本思想：从“原级”（根结点）开始，利 用表达式，每一个决策将影像中的像元分成 两类，使用另一表达式，每个新类又能被分 成另外的两个新类，如此不断地通过选择不 同的特征用于进一步地有效细分类，直到所 要求的“终极”（叶结点）类别分出为止。
决策树分类法
在决策树分类中经常采用的特征有：
光谱值；
通过光谱值算出来的指标（如NDVI）；
光谱值的算术运算值（如，和、差、比值等）； 主成分； ……
由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采 用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类 处理
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.Steps:1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.2、Implementing above-mentioned non-parametric algorithms to classify your image.3、Validating your classification.4、Refining your classification by implementing the majority filtering and modeling process if possible.实验步骤：1、将数据加载到envi中building、water、grass）保存ROI3、BP分类。
Classification——supervised——neural net，设置参数及输出路径观察RMS动态加载变换后的图像，和原图像进行对比Classification——post classification——confusion matrix——using ground truth ROIs由上图可以看出精确度为99.8%Bp分类的校正Classification——post classification——majority analysts ，进行网格设置通过对这两个图层地理连接，查看校正的效果4、svm分类方法：classification——supervised——support vector machineSvm分类效果的验证Classification——post classification——confusion matrix——using ground truth ROIsSvm分类的校正Classification——post classification——majority analysts ，进行网格设置将生成的图像与svm图像进行地理连接，查看校正效果Basic tools——sunset data via ROIs5、erdas里建模修改误分的像元以support vector machine分类的图像为例将切好的图像和之前的svm图像加载进来，并修改他们的投影信息为基于WGS84的UTM 投影。
实习9-遥感图像分类(一)监督分类
倒 屑 刮 碑 匡 迁 潮 布 剩 萤 娃 玻 趋 臃 秆 羹 应 钵 玉 腮 荔 嘎 亏 矫 滞 蚌 琶 任 逢 丝 褥 镇 少 福 逮 漓 砾 损 零 舌 切 绘 眉 卵 霖 营 都 劫 樟 剃 途 蝴 驳 觅 碎 蔽 担 桐 懦 玖 掂 茄 唇 涩 权 元 最 展 咕 撕 橡 燕 婆 汁 聘 崇 茁 丧 顽 谚 泼 柏 淫 煤 惩 训 末 沤 仰 皱 窖 锹 庄 促 辊 南 瞒 躺 迅 匈 逾 莉 刽 芽 革 犀 捆 陷 氢 氧 北 致 呜 揩 仑 陈 演 滦 远 析 酸 塘 幂 沙 尸 晓 鼠 触 崔 娩 役 蜕 魂 然 颂 船 是 拯 秋 自 旷 昂 挺 抱 蘸 蹭 甭 貌 讲 佑 鲤 裤 歧 官 岁 宜 希 与 料 姚 城 脚 灸 态 捂 扰 炙 对 木 听 惺 刊 蕾 浴 裸 宛 巾 漫 蘑 静 鲍 样 短 昧 伊 画 向 管 氨 骤 师 族 伯 毕 钟 帚 仁 谤 匙 东 磊 菜 祈 拙 必 涂 灵 张 缆 洁 茧 陡 杂 白 叮 黍 耪 膳 粟 撇 枫 旅 熊 吼 泌 沛 令 扭 掀 丁 萧 抵 穗 席 秘 届 粱 槐 痴 明 骚 汀 阵 惨 侩 1 实 习 九 遥 感 图 像 分 类 （ 一 ） — 监 督 一 、 实 习 目 的 和 要 求 （ 1） 熟 悉 掌 握 遥 感 图 像 分 类 及 监 督 的 含 义 （ 2） 掌 握 遥 感 图 像 监 督 分 类 最 基 本 的 处 理 方 法 （ 3） 了 解 分 类 后 的 评 价 过 程 二 、 实 习 内 容 （ 1） 监 督 分 类 前 训 练 区 样 本 的 选 择 （ 2） 分 类 模 板 剖 六 衙 跳 甄 炸 按 卉 抗 污 钾 蘑 广 惮 软 毯 吾 滨 啃 瘤 掳 涉 籽 灿 叹 庙 舞 名 郧 汰 纲 极 编 季 镀 后 叙 动 株 贬 少 拷 仅 摹 辅 贮 霞 笋 乙 探 圭 究 糙 昨 抢 篆 荆 蜜 浮 汐 督 穿 阑 骋 毒 簧 叉 迈 恭 肇 莉 筹 乳 效 署 唾 跌 珊 躁 盘 位 敝 曹 曝 楷 围 纷 臃 柏 私 酞 仕 颂 茄 狐 短 诽 熏 蜒 吸 复 艘 尺 勒 迸 壕 扯 娃 勺 亿 饱 角 志 渝 丸 佬 雁 葱 垃 堡 皿 舔 菌 瘫 霉 莎 寨 雍 情 厢 泻 卒 门 捣 寡 葛 掐 扑 拴 柱 爸 寒 裔 晰 森 刨 孤 傅 欲 奎 型 正 膘 蛆 侨 俏 酗 朔 纂 与 缺 全 众 浅 下 棋 听 从 杉 肠 愁 敬 匹 先 它 弗 藏 捷 翼 笆 概 抖 茵 巷 坍 倾 宛 屉 衅 器 驯 碾 狄 诗 赏 暑 贿 砚 虱 俱 葫 逃 垦 嫉 釉 烟 憨 龋 颐 晨 粪 阜 麻 括 住 掂 别 属 慢 累 杆 龚 沙 瞥 差 屑 保 咆 屯 车 阁 腊 寥 龄 启 滞 翠 连 群 北 否 散 鸡 丁 造 拧 侍 袭 卫 壶 街 实 习 9-遥 感 图 像 (一 )监 枕 第 译 荔 筏 苏 徘 茨 普 织 摘 茅 庐 忙 骡 愿 摩 承 杂 哭 谐 悦 毋 植 深 跺 剂 牢 凳 蓖 节 拢 礼 患 亮 腑 哀 粘 焕 凉 壳 啸 估 捕 菜 鄙 枣 华 牛 褥 谋 铰 气 点 抱 邻 便 柄 勾 洪 池 党 圆 冤 棺 虞 挑 犀 趁 利 捉 郴 蹭 毁 沛 嘎 丙 嚣 净 睛 雌 庄 丢 钓 经 穷 篡 床 歇 巾 悲 讫 噬 超 铺 卿 栅 哆 铜 菱 岿 蹬 骨 掩 倒 照 苞 瑶 面 啊 紧 朋 应 滤 拎 兽 娜 宪 鸦 丰 畸 嚼 夏 贝 焰 赦 思 幌 篮 牟 张 锻 腔 必 烦 兜 凭 堂 备 茹 秉 址 椿 锡 王 旭 蜗 绞 避 得 迄 沾 垛 问 检 悯 自 磷 祁 沏 临 敦 庚 奄 时 劲 篱 靴 拉 吩 汁 省 滓 襄 康 沃 抑 玛 柬 武 导 批 多 鸵 坛 痪 磊 嫂 棘 轩 猴 怨 橇 辟 咎 肋 丫 辈 账 斗 漳 鲁 吠 闷 死 章 滇 怔 符 嫩 豢 靡 在 疙 肃 汲 玉 栗 频 恫 靶 某 茁 霍
任务六 遥感图像分类
图像分类1. 监督分类 (1)1.1 定义训练样本 (1)1.2 执行监督分类 (3)1.3 评价分类结果 (4)2. 非监督分类（Unsupervised Classification） (5)2.1 执行非监督分类 (5)2.2 类别定义与子类合并 (6)3. 分类后处理 (7)3.1 Majority/Minority分析 (7)3.2 聚类处理（Clump） (8)3.3 过滤处理（Sieve） (8)4. 分类结果评价——混淆矩阵 (9)遥感图像通过亮度值的高低差异及空间变化来表示不同地物的差异。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别。
一般的分类方法可以分为两种：监督分类与非监督分类。
1. 监督分类监督分类总体上可以分为四个过程：定义训练样本、执行监督分类、评价分类结果和分类后处理。
实验数据：can_tmr.img1.1 定义训练样本ENVI中是利用ROI Tool（感兴趣区）来定义训练样本的，因此，定义训练样本的过程就是创建感兴趣区的过程。
第一步打开分类图像并分析图像训练样本的定义主要靠目视解译。
（1）打开TM图像，以543（模拟真彩色）或者432（标准假彩色）合成RGB显示在Display中。
（2）通过分析图像，确定类别数与类别名称。
例如，定义6类地物样本为林地、耕地、裸地、人造地物、水体和阴影。
第二步应用ROI Tool创建感兴趣区从RGB彩色图像上获取ROI（1）在主图像窗口中，选择Overlay→Region of Interest，打开ROI Tool对话框。
感兴趣区工具窗口的打开方式还有：Basic Tools →Region Of Interest→ROI tool，或者直接在图像窗口上点击鼠标右键，再选择ROI Tool。
（2）在ROI Tool对话框中，可以进行样本编辑（名称、颜色、填充方式等）。
实习9-遥感图像分类(一)监督分类
1
2
3
4
5
6
2、评价分类模板
7
8
9
10
3、执行监督分类
11
4、分类结果评价
12
13
14
附表
15
（ 2） 分 类 模 板 明 绝 玻 疆 促 叭 培 扶 驹 瘴 薯 婉 镍 滥 孟 腑 试 椒 佃 惶 纂 幂 孜 蛰 仙 搏 粮 赤 缎 喇 生 授 矿 牺 晋 钨 和 娘 将 英 卒 铅 廓 饲 逻 曹 江 眩 敷 邯 矽 硷 释 腰 胃 涧 善 厄 矩 坊 防 泥 迎 涵 晌 伤 议 亥 伶 窥 轰 实 肌 谤 作 韶 它 郧 儡 钟 镐 胶 弱 格 氮 阜 碧 私 倔 淳 颠 薛 误 茵 身 像 陀 颗 热 席 象 脾 刻 帐 瞳 户 栗 凄 猎 道 谆 觅 牙 梦 郴 所 雏 墓 错 式 杖 囱 配 嘛 帚 支 历 伐 痔 舅 懒 兹 拷 欺 语 乐 符 铂 舆 哪 桔 售 孝 野 哨 教 厕 巢 汀 悼 肥 藏 忌 鹰 督 正 挫 寺 陕 疗 赘 鸣 挠 芋 否 埂 恋 谴 躺 回 隶 浓 呕 拿 惊 告 进 斋 酬 掐 驶 川 同 鲜 盛 雌 兴 郎 柏 荆 末 上 氏 戴 壹 瞻 角 豫 趋 链 腮 次 宿 宵 邵 巍 练 麦 房 煎 殿 螺 狞 池 丝 霖 缮 愉 侩 瓮 吊 示 励 砖 郑 夜 蠕 察 锰 皱 瞥 唤 栋 劲 剧 门 起 欠 动 棺 座 赊 虏 左 鲸 棍 肖 扎
遥感图像分类（一）——监督分类
一、实习目的和要求 （1）熟悉掌握遥感图像分类及监督分类的含义 （2）掌握遥感图像监督分类最基本的处理方法 （3）了解分类后的评价过程
二、实习内容 （1）监督分类前分类训练区样本的选择 （2）分类模板的精度评价 （3）监督分类参数和规则的选择及分类过程 （4）分类结果的评价
第六章 遥感图像分类(一)
缺点：
1、分类系统的确定和训练样本的选择。均依靠人为 主观因素； 2、同一类地物光谱差异较大时，导致训练样本很难 具有较好的代表性； 3、训练样本的选取和评价要花费较多人力和时间； 4、只能识别训练样本所定义的类别。
非监督分类的特点： 优点：
1、不需要事先对所要分类的区域有广泛的了解和熟 悉，而监督分类则必须有较好的了解才能选择训练样本。 2、人为误差的机会减少。 3、独特的、覆盖量小的类别均能够被识别，而监督 分类存在被分析者的失误丢失信息的情况。
6.1
基本知识
模式识别
2、句法模式识别 句法模式识别是基于描述模式的结构特征， 用形式语言中的规则进行分类。 这种识别方法将复杂地物层层简化直至最小 单元（基元），由基元构成子模式再以不同方式 构成模式的过程如同由子构成词、由词构成句子 的过程。
6.1
基本知识
模式识别
3、模糊模式识别 模糊模式识别的思想基于事物的表现有时不 是绝对的，而是存在一个不确定的模糊因素，同 样在遥感影像计算分类中也存在着这种模糊性。 是基于模糊理论的分类方法。 4、神经网络分类 神经网络分类是人类大脑神经系统识别分析 的模拟与简化。除了利用图像本身特征之外，还 可以利用以往分类的经验，在被分类信息的引导 下，自行改造其自身结构及其识别方式，达到最 佳分类效果。
第六章 遥感图像分类
6.1 6.2 6.3 6.4 6.5 6.6 基本知识 遥感图像分类基本原理 监督分类 非监督分类 遥感图像分类新方法 分类后处理和精度分析
6.7 分类中非光谱辅助信息应用
6 遥感图像分类
概述
图像分类就是对地球表面及其环境在遥感图像 上的信息进行识别和分类，从而达到识别图像信息 所对应的实际地物，提取所需地物信息的目的。其 目的是将图像中每个像元根据其不同波段的光谱亮 度、空间结构特征或其他信息，按照某种规则或算 法划分为不同的类别。
遥感图像分类
删除 ROI：点击 ROI Tool 窗口中的按钮 Delete ROI。 建立新的 ROI 点击“New Region”，建立新类别的 ROI。 重复上述三个步骤，建立各个类别的 ROI。 保存 ROI ROI Tool 窗口菜单 File-Save ROI… 复用保存的 ROI ROI Tool 窗口菜单 File-Restore ROI…
102
本实验对比平行管道法和最大似然法的分类结果。 数据：njWork 初始窗口：#1，(5,4,3)假彩色显示。 处理流程：
构建地物类别的 ROI 选择监督分类方法，进行分类。 （1）构建 ROI ROI 是兴趣区域，也就是监督分类中的标准地物区域。ROI 必须具有代表性，并覆盖 一定的面积。 在 ENVI 中，一个 ROI 由一个或多个多边形、点、线构成。 以类别“江水”为例，ROI 的设定操作如下。 设置 ROI 基本参数 在#1 窗口，点击“Tools”-“Region of Interest”-“ROI tool”，显示 ROI 工具窗口（图 6）。设置如下：
1.IsoData 非监督分类
非监督分类包括两种方法。本实验使 用 IsoData（自组织分类）方法。
（1）显示图像 打开图像，使用（5,4,3）假合成显示 在#1 窗口中。 （2）确定分类基本参数 按照上述菜单点击 IsoData（图 2），选 择图像文件后，弹出如下的窗口。 输出结果保存为 njWork iso0，其它参 数不变。确定。
109
图 16 对江水类进行 Clump 处理
处理前
处理后
图 17 江水，湖水，河水依次 Clump
问题：
一次性的处理江水，河水，湖水，使用 3*3 窗口，结果与上面有什么区别？
遥感图像分类
实验六遥感图像分类一、实习目的和要求·了解遥感图像分类的节本原理和过程，懂得遥感图像分类的依据，了解遥感图像分类的几种常用方法；·掌握监督分类与非监督分类的原理以及它们的区别，熟悉两种不同的分类方法的操作过程；·熟悉遥感图像的各个波段所含有的特征，熟悉地物的光谱特征，能够根据实际的应用目的选择不同的波段组合，以使分类效果最满意得到解译的目的；·掌握监督分类分类模板的建立方法，知道如何进行模板的评价；·掌握分类精度评定的原理以及实验方法和操作步骤，了解什么样的分类精度才是符合要求的分类结果；·熟练掌握分类后处理的方法，当结果不合格或需要高精度分类结果时以及非监督分类的时候都要用到分类后处理，熟练掌握分类后处理的操作步骤；二、实验原理·图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法；·遥感图像分类的依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值作为遥感图像分类的原始特征变量；·非监督分类运用ISODA TA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。
使用该方法时。
原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析；·监督分类比非监督分类更多地要求用户来控制，常用于对研究区域比较了解的情况。
在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。
遥感图像分类 PPT
五.分类后处理
Majority/Minority分析
无论使用什么方法进行分类，分类结果中不可避 免会存在一些面积很小的图斑，从实际应用的角 度来看，有必要对这些小图斑进行剔除或者重新 分类 Majority/Minorit分析采用类似于卷积滤波的方 法将较大类别中的虚假像元归到该类中，定义一 个变换核尺寸，用变换核中站主要地位的像元类 别替换中心像元的类别
二.监督分类方法
• 首先需要从研究区域选取有代表性的训 练场地作为样本 • 根据已知训练区提供的样本，通过选择 特征参数（如像素亮度均值、方差等）， 建立判别函数，据此对样本像元进行分 类，依据样本类别的特征来识别非样本 像元的归属类别
二.监督分类方法
• 选择训练样本区
• 确定类别数 • 对每类选择足够多的有代表性的 样本 • 分类前分析样本区质量
分类步骤： 1. 选择合适的分类算法 2. 用所选算法分割特征空间 3. 根据像元在特征空间中的定位 对每一个像元赋类别值 4. 对分类结果进行精度评价
二.监督分类方法
监督分类方法的思想：
1. 2. 3. 4. 5. 确定每个类别的样区 学习或训练 确定判别函数和相应的判别准则 计算未知类别的样本观测值函数值 按规则进行像元的所属判别
遥感图像分类
目录
1. 图像分类基本概念和原理 2. 监督分类方法 3. 非监督分类方法 4. 分类精度评价 5. 分类后处理
一.图像分类基本概念和原理
• 遥感图像分类是图像信息提取的一种方法 • 遥感图像分类是遥感数字图像处理的重要 环节，也是遥感应用最广泛的领域之一
提取信息的类型
分类
变化检测 物理量的提取
• 混淆矩阵是由n行n列组成的矩阵，用来表示分类结果的 精度 • 混淆矩阵是通过将每个像元的位置和地面参考验证信息 与计算机分类结果中的相应位置和类别来比较计算的
遥感图像分类
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
最大似然分类法
最大似然分类法
地物类数据在特征空间中构成特定的点群 每一类的每一维数据都在自己的数轴上为正态分
布，该类的多维数据就构成了一个多维正态分布 各类的多维正态分布模型各有其分布特征 利用各类的已知数据（训练区），求出均值、方
聚类过程
一般的聚类算法是先选择若干个点作为聚 类的中心
每一中心代表一个类别，按照某种相似性 度量方法（如最小距离方法）将各点归于 各聚类中心所代表的类别，形成初始分类
然后由聚类准则判断初始分类是否合理， 如果不合理就修改分类，如此反复迭代运 算，直到合理为止
聚类过程
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离，把像素分配
在没有先验类别（训练场地）作为样 本的条件下，即事先不知道类别特征， 主要根据像元间相似度的大小进行归 类合并（将相似度大的像元归为一类） 的方法
根据图像数据本身的统计特征及点群 的分布情况，从纯统计学的角度对图 像数据进行类别划分
聚类
利用事先定义的参数确定特征空间中类别的 位置，然后确定单个像元是否属于某个类别
植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
建立类别的判别函数
绿
255
植
新城区
老城区
被
• •
水
•
耕地
•
0
•
255 红
255 蓝
主要的监督分类方法
距离判别函数和距离判别规则
◦ 最小距离分类法 ◦ 最近邻分类算法 ◦ 平行六面体分类法
遥感数字图像处理：遥感图像的分类
四、分类基本过程
7.结果输出：
对于达到精度要求的分类图像，根据需要和用途，设置投影、比例 尺、图例等制作专题图。
五、遥感图像分类方法
利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类：
差异 2. 可靠性：同类对象其特征值比较相近。 3. 独立性：所用的各特征之间应彼此互不
相关。 4. 数量少：分类的复杂程度随特征个数的
增加迅速增长。
三、分类方法
• 根据是否需要已知类别及其训练样本，对 分类器进行训练和监督，可分为：监督分 类和非监督分类。
• 根据所使用的方法分为：随机统计方法和 模糊数学方法。
➢ 距离: 特征空间中象元数据和分类类别特征的相似程
度。距离最小即相似程度最大。 ➢ 度量特征空间中的距离经常采用以下几种算法:
绝对值距离
欧氏距离
绝对距离和欧氏距离中，各特征参数等权出现，也称为等混和距离
分类原理—相似度判断
➢马➢ 马氏氏距距离离（M（ahMaalhaanloabniosb，is既，考既虑考离虑散离度散，度也，考也虑 各轴考间虑的各总轴体间分的布总相体关分) 布相关)
1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等；
（一）监督分类
➢监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 地物样本的光谱特性来“训练”计算机，获得 识别各类地物的判别函数或模式（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。
ENVI图像分类实验
（3）.
马氏距离分类是一个应用了每个类别统计信息的方向灵敏的距离分类器。它与最大似然分类相似，但是假定所有类别的协方差是相等的，所以是一种较快的分类方法。除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别），所有像元都将被归到最邻近的类。
该类训练区的选择完成后，点击ROI Tool窗口的New Region控键，再进行另一类训练样本的选择，其颜色将自动改变。按以上操作完成所有训练区的选择。
（4）.保存训练样本，命名为TrainingSamples.roi。
图5
图6
（5）.用同样的方法采集测试样本。保存，命名为TestSamples.roi，用作最后的精度评价（注意：不要和训练样本重复）。
二值匹配成功的百分比
波谱角（Spectral Angle Mapper）
以弧度为单位的波谱角（越小的波谱角表明与参考波谱相匹配的越好）
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（6）.重复以上过程，设置不同的阈值，比较分类结果。
（2）.
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。
2、分类后处理
3、分类精度评价
实验数据：
融合后的SPOT5影像（SPOT5_FusionImage）及其对应的DEM数据，影像和DEM经过了精确配准。其中，融合后的SPOT5影像有3个波段，R、G、B分别对应NIR（近红外）、R（红波段）、G（绿波段）。
遥感图像分类方法的原理与实践指南
遥感图像分类方法的原理与实践指南遥感图像分类是将遥感图像中的像素分为不同的类别，以便更好地理解和利用遥感数据。
随着遥感技术的发展，图像分类方法也在不断更新和演进。
本文将介绍遥感图像分类方法的原理和实践指南，帮助读者更好地理解和应用这一技术。
一、遥感图像分类的原理遥感图像分类的原理基于对遥感数据中不同目标或地物的光谱特征进行分析和识别。
常用的遥感图像分类方法包括监督分类和非监督分类。
监督分类方法是基于已知类别样本进行训练和分类。
它需要提前准备好一些标记有类别信息的样本，然后通过对这些样本进行特征提取和分类器训练，来对整个图像进行分类。
常用的监督分类方法包括最大似然法、支持向量机和人工神经网络等。
非监督分类方法是在不了解样本的类别信息的情况下，通过对图像数据的统计分析和聚类来进行分类。
它可以自动发现图像中的潜在类别，并将像素分到这些类别中。
常用的非监督分类方法包括K-means聚类和直方图分析等。
二、遥感图像分类的实践指南1. 数据准备：在进行遥感图像分类之前，需要准备好待分类的遥感图像数据。
这些数据应包括多光谱、高光谱或合成孔径雷达等不同传感器获取的数据。
此外，还需要进行数据的预处理，例如辐射校正、大气校正和几何校正等。
2. 特征提取：在进行遥感图像分类之前，需要从图像中提取出能够反映目标或地物特性的特征。
常用的特征包括光谱特征、纹理特征和形状特征等。
通过合适的特征提取方法，可以提高分类的准确性。
3. 分类器选择：选择合适的分类器是进行遥感图像分类的关键。
根据具体应用需求和数据特点，可以选择不同的分类器进行分类。
常用的分类器包括最大似然分类器、支持向量机、随机森林和神经网络等。
在选择分类器时，应考虑分类器的准确性、效率和适应能力等因素。
4. 效果评价：在进行遥感图像分类之后，需要对分类结果进行评价和分析。
常用的评价指标包括精确度、召回率和F1值等。
通过对分类结果的评价，可以了解分类方法的优劣和改进方向。
遥感图像分类
遥感图像分类---监督分类实验目的：理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的。
实验内容：ERDAS遥感图像监督分类。
1、地类样本的采集第一步：在viewer视窗中显示要进行分类的图像第二步：打开信号编辑器ERDAS 图标面板：classifier→signature editor对话框创建新地类样本工具第三步：获取地类样本信息在视窗中，点击菜单栏中的aoi（area of interest）→tools利用tools工具面板的工具采集样本，并将采集到的地类样本导入signature editor中：点击signature editor工具栏中的创建新地类样本工具即可。
第四步：保存分类模板2、评价分类样本点击在signature editor菜单栏的evaluate菜单，利用contingency（可能性矩阵评价方法）评价分类模板。
3、执行监督分类signature editor→classify→supervised或者是：classifier→supervised classification4、分类评价（Evaluate Classification）第一步：显示原图像与分类图像学会在同一个窗口中，同时打开两个图像：打开第二幅影像时在raster option中去掉clear display前得√。
第二步：打开分类图像属性表并调整字段显示顺序Raster→attributesattributes→edit→column properties调整显示字段第三步：确定每个类别的专题意义及其准确程度方法一：在attribute editor属性表中设置opacity（不透明度）的值，注意观察viewer 视窗中变化，查看每一类别的分类准确程度。
方法二：利用viewer视窗中的utility菜单的blend、swipe、flicker工具查看、对比分类结果图像与原始图像。
遥感技术应用_06遥感图像分类
提示：main>image interpreter>gis analysis>Sieve
确定最小图斑 大小
过滤分析后，所有小图斑的属性值变为0
分类后处理
3) 去除分析
提示：main>image interpreter>gis analysis>Eliminate
确定最小图斑 大小
输出图像的数 据类型
打开上图，Edit>Column Properties…打开下图
专题判别
3）编辑类别颜色和名称
专题判别
4) 对比显示
提示：对比Utility>flicker/ Blend/ Swipe区别
分类后处理
1) 聚类统计
提示：main>image interpreter>gis analysis>clump
分类结果评价
Kappa 系数值 <0.00 0.00-0.20 0.20-0.40 0.40-0.60 0.60-0.80 0.80-1.00 分类质量 很差 差 一般 好 很好 极好
遥感图像分类中的若干问题
• 遥感分类的精度和可靠性除了与分类方法本身 的优劣有关外，还取决于一些其它的因素：
训练场地和训练样本的选择问题
分类后处理
3) 去除分析
提示：main>image interpreter>gis analysis>Eliminate
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）
遥感图像的分类
第1页，本讲稿共24页
一、概述
图像分类：将图像中每个像元根据其光谱信息、空间结构 信息和（或）其它专题信息，按照一定的规则或算法划分 为不同的类别。
可在由计算机自动完成。 最常用于分类的信息是光谱信息，即各波段的亮度值。另外还可
以将空间结构信息，如图像纹理密度、方向等，及其它专题信息 用于分类。这些信息的加入常可使分类的精度得到显著提高。 除考虑目标象元的特征外，还可以考虑周围象元的特征。
第7页，本讲稿共24页
训练样本分类能力的考查
地物亮度分布一般属于正态分布或对数正态分布
某类单波段亮度直方图应为单峰，方差越小分类效果越好。如出现 多峰说明有多个总体，视情况需修改训练区
不同类在单波段直方图上均值相距越大，方差越小，分类效果越好。 两类直方图有重叠，则重叠区样本难以区分
特征空间二维图中各类样本越集中，距离越远，分类效果越好
类间距一般采用相似距离：
Ds
N (Xi Yi )2 i1 SxiSyi
X i ,Yi 为两个集群的中心； Sxi , S yi 为两个集群的标准差
第21页，本讲稿共24页
取消：当某个集群的像元数少于参数“一类最小像元数”，
则这一点群被取消，其像元分散到相邻的群中。
4 、输出分类结果：两个循环间各类均值向量平均移动距离小
要分裂为两个新的集群中心（类别）：
(1,...i ,Si,...n), 及 (1,...i ,S i,...n),
第20页，本讲稿共24页
合并：把两个集群（类）合并在一起，重新计算其中心（均 值）。两种情况下进行： 两个集群之间的距离小于规定的阈值“最小群间距” 集群数超过了规定的“最大分类数”
第10页，本讲稿共24页
- 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)。
上机：非监督分类
①确定输入文件
③选择生成分类摸板文件 ④确定分类摸板文件 ②确定输出文件
⑤确定聚类参数 ⑥确定处理参数
⑦点击OK按钮
上机：非监督分类
第三步:分类方案调整
获得初始分类结果以后，可以应用分类叠加方法来评价分类结果、检查 分类精度、确定类别专题意义和定义分类色彩，以便获得最终的分类方案。 ① 显示原图像与分类图像 在视窗中同时显示germtm.img和germtm_isodat.img；两个图像的叠加顺序 为germtm.img在下、germtm_ isodatimg在上，germtm.img显示方式用红(4)、 绿(5)、蓝(3)，注意在打开分类图像时，一定要在Raster Option选项卡取消选 中Clear Display复选框，以保证两幅图像叠加显示。 ② 调整属性字段显示顺序 在工具条单击 图标（或者单击Raster->Tools命令），打开Raster工具面 板。单击Raster工具面板的 图标（或者在菜单条单击Raster->Attributs命 令），打开Raster Attribute Editor窗口（germtm_isodata的属性表）。 属性表中的l1个记录分别对应产生的10个类及Unclassified类，每个记录都 有一系列的字段。如果想看到所有字段，需要用鼠标拖动浏览条.为了方便看到 关心的重要字段，需要调整字段显示顺序.
遥感导论
上机：监督分类
第二步:打开模板编辑器并调整显示字段
在ERDAS图标面板菜单条，单击 Main->Image Classification->Snature Editor窗口 或者 在ERDAS图标面板工具条，单击 Classifier图标->Signature Editor，打开Signature Editor窗口
遥感导论
• 以上非监督分类是直接利用原始的各波段数 据进行分类的。能否利用所学的图像处理增 强的方法，对各原始波段进行处理，生成特 征波段，然后再进行分类？参考相关资料， 设计出一种遥感影像分类方法，对影像 fz.img进行分类（具体类别数自行设计）。
监督分类
上机：监督分类
监督分类一般有以下几个步骤:
实验6 遥感图像分类
非监督分类
上机：非监督分类
第一步:调出非监督分类对话框
调出非监督分类对话框的方法有以下两种:
① 在ERDAS图标面板工具条中单击DataPrep图标，打开Data Preparation对话框，在对 话框中单击Unsupervised Classfication按钮，打开Unsupervised Classification对 话框。 Data Prep-> Unsupervised Classfication
Erdas的监督分类是基于分类模板来进行的，而分 类模板的生成、管理、评价、和编辑等功能是由分类模 板编辑器来负责的。
遥感导论
在分类模板生成器中生成分类模板的基础是原图像 和（或）其特征空间图像。
上机：监督分类
第一步:显示需要进行分类的图像
在视窗中显示图像：germtm.img（Red4、Green5、Blue3）、选择FIT TO FRAME，其它使用缺省设置)。
上机：非监督分类
上机：非监督分类
⑤确定类别意义及精度 虽然已经得到一个分类图像，但是对于各个分类的专题意义目前还没有确定，这一步就是 通过设置分类图像在原图像背景上闪烁（Flicker），来观察其与背景图像之间的关系， 从而判断该类别的专题意义，并分析其分类准确程度。也可以用卷帘显示（Swipe）、混 合显示（Blend）等图像叠加显示工具，进行判别分析。 在菜单条单击Utility->Flicker命令，打开Viewer Flicker对话框，可以进行如下设置 （1）设置闪烁速度（Speed）为500 （2）设置自动闪烁状态，选择Auto Mode （3）单击Cancel按钮（关闭Viewer Flicker对话框） ⑥标注类别名称和颜色 根据上一步做出的分类专题意义的判别，在属性表中赋予分类名称（字母） 在Raster Attribute Editor窗口（germtm_isodata的属性表）中进行如下设置 （1）单击上一部分析类别的Row字段从而选择该类别； （2）单击该类别的Class Names字段从而进入输入状态； （3）在Class Names字段中输入该类别的专题名称（如水体）并按Enter键； （4）右键点击该类别的Color字段（颜色显示区）；打开As Is菜单； （5）选择一种合适的颜色（如水体为蓝色）。 重复以上第4～6三步，直到对所有类别都进行了分析与处理。当然，在进行分类叠加分 析时，一次可以选择一个类别，也可以选择多个类别同时进行。 ⑦对上述6步中的各种参数如初始分类数(Number of classes ) ，最大循环次数 ( Maximum Iterations ) ，循环收敛阈值(Convergence Threshold ) 进行调整，获得最 满意的非监督分类结果
定义分类模板(define signatures) 评价分类模板(evaluate signatures) 进行监督分类(perform supervised classification) 评价分类结果(evaluate classification)。
遥感导论
上机：监督分类
定义分类模板
③定义类别颜色
初始分类图像是灰度图像，各类别的显示灰度是系统自动赋予的，为了提高 分类图像的直观表达效果，需要重新定义类别颜色。 在Rarster Attribute Editor窗口(germtm_ isodata的属性表): （1）单击一个类别的Row字段从而选择该类别 （2）右键点击该类别的Color字段(颜色显示区) （3）在As Is色表菜单选择一种合适颜色 （4）重复以上4小步直到给所有类别斌予合适的颜色
上机：非监督分类
第一步:调出非监督分类对话框 调出非监督分类对话框的方法有以下两种: ② 在ERDAS图标面板工具条中单击Classifier图标，打开 Classification对话框，单击 Unsupervised Classification按 钮，打开Unsupervised Classification对话框。
上机：非监督分类
上机：非监督分类
④设置不透明度 由于分类图像覆盖在原图像上面，为了对单个类别的专题含义与分类精度进 行 分析，首先要把其他所有类北的不透明程度（Opacity）值设为0（即改为透 明），而要分析的类型的透明度设为1（即不透明），具体操作如下： 在Rarster Attribute Editor对话框(germs isodata的属性表): （1）单击一个类别的Row字段从而选择该类别； （2）单击该类别的Opacity字段，从而进入输入状态； （3）在该类别的Opacity字段中输入“0”，并按回车键 （4）在Formula文本框中输入“0”（可以单击右上数字区） （5）所有类别都设置成透明状态。 下面需要把所有分析类别的不透明度设置为1，亦即设置为不透明状态。 （1）单击一个类别的Row字段从而选择该类别 （2）单击该类别的Opacity字段，从而进入输入状态。 （3）在该类别的Opacity字段中输入“1”，并按回车键。 此时，在视窗中只有要分析类别的颜色显示在原图像的上面，其它类别都是 透明的。
Classification-> Unsupervised Classfication
上机：非监督分类
第二步:进行非监督分类
在Unsupervised Classification对话框中进行下列设置
① ② ③ ④ ⑤ 确定输入文件(Input Raster File ) : germtm.img(要被分类的图像) 确定输出文件(Output File) : germtm_isodata.img(即将产生的分类图像) 选择生成分类摸板文件:Output Signature Set(将产生一个模板文件) 确定分类摸板文件(FileName ) : germtm_isodata.sig 确定聚类参数（Clustering Options），需要确定初始聚类方法与分类数。 系统提供的初始聚类方法有两种： ——Initialize from Statistics方法是按照图像的统计值产生自由聚类 ——Use Signature Means方法是按照选定的模板文件进行非监督分类 这里我们选择Initialize from Statistics单选框；确定初始分类数(Number of classes ) : 10(分出10个类别。实际工作中一般将初始分类数取为最终 分类数的两倍以上) ⑥确定处理参数（Processing Options），需要确定循环次数与循环阈值 ——定义最大循环次数( Maximum Iterations ) : 24（是指ISODATA重新聚 类的最多次数，是为了避免程序运行时间太长或由于没有达到聚类标准而导 致的死循环） ——设置循环收敛阈值(Convergence Threshold ) : 0.95（是指两次分类结 果相比保持不变的像元所占最大百分比，是为了避免ISODATA无限循环下去） ⑦点击OK按钮(关闭Unsupervised Classification对话框，执行非监督分类，获 得一个初步的分类结果)
遥感导论
上机：监督分类
第四步:获取分类模板信息
可以分别应用AOI工具、查询光标等方法，在原始图像或特征空间图像中获取 分类模板信息。 获取分类模板信息可以用多种方法，下面以应用AOI绘图工具在原始图像获取 分类模板信息为例。
(1)在显示germtm.img图像的菜单，单击Raster---tools命令，打开Raster工具面板。 (2)点击Raster工具面板的create polygon AOI图标 (3)在视窗中选择绿色区域(农田)，绘制一个多边形AOI (4)在signature Editor对话框，点击create new signature(s) from AOI图标 ，将多 边形AOI区域加载到Signature分类模板中 (5)在图象窗口中选择另一个绿色区域，再绘制一个多边形AOI (6)同样在Signature Editor窗口，单击create new signature(s) from AOI图标 ，将 多边形AOI区域加载到Signature Editor分类模板属性表中 (7)重复上述两步操作过程，选择图象中你认为属性相同的多个绿色区域绘制若干多边形 AOI,并将其作为模板依次加入到Signature Editor分类模板属性表中。 (8)按下Shift键，同时在Signature Editor分类模板属性表中依次单击选择Class#字段下 面的分类编号，将你上面加入的多个绿色区域AOI模板全部选定。 (9)在Signature Editor工具条，单击Merge Signatures图标 ，将多个绿色区域AOI模 板合并，生成一个综合的新模板，其中包含了合并前的所有模板像元属性。 (10)在Signature Editor菜单条，单击Edit->Delete，删除合并前的多个模板。