遥感影像的监督分类和非监督分类
ENVI监督分类与非监督分类
选择classification/unsupervised/Isodata，选择子区为输入文件，，点击OK，设置参数如下图所示。
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。
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，地物分布也很清楚的展现出来，只是生成的结果又很严重的椒盐现象，分析可能是选取训练区时认为造成了误差。
缺点就是没有将结果中的颜色按照真实地物的颜色进行修改，下次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5*5窗口的更加清楚具体, 5*5窗口将周边的面积较对影像的过滤分析生成的结果显得椒盐现象更加严重Number of Neighbors的值设置的越小,小黑点越密集象都已经消失.主要成分分析得到的结果较好,椒盐现象得到避免邻地物之间的合并,分析窗口越小,地物信息更加具体次要分析（kernal size为3*3）：利用次要成分分析的影像不但没有减轻椒盐现象,反而椒盐现象更加严重,未定义的黑点更密集,并且变得更大,效果很不好.7、非监督分类结果：在进行非监督分类的时候首先将地物分成了30类,然后人工进行识别分类后最终与监督分类结果一样合并成了8类,但是最后的效果并不是很好,在非监督分类一开始就将水稻田与林地分类到一起,最后生成的结果只能区分大致的地物分布,与监督分类结果相比,非监督分类结果更粗糙.。
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。
实习8、监督分类与非监督分类
1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。
同时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stream2. 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ROI工具建立训练区，给出各个类别的特征统计表。
加载512*512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。
3. 计算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。
ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。
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，并对结果进行解释。
envi7-监督与非监督分类
第二步： 第二步：样本选择
打开分类图像， Display->Overlay打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为多边形， ROIs为多边形 Interest，默认ROIs为多边形，按照默认设置在影像上 定义训练样本。如下图所示， 定义训练样本。如下图所示，设置好颜色和类别名称 支持中文名称）。 （支持中文名称）。
3.2 监督分类——练习
3.2 监督分类——练习
ROIs面板中 选择Option 面板中， Option1. 在ROIs面板中，选择Option->Compute ROI Separability,计算样本的可分离性 计算样本的可分离性。 Separability,计算样本的可分离性。如下 图所示，表示各个样本类型之间的可分离性， 图所示，表示各个样本类型之间的可分离性， Jeffries用Jeffries-Matusita, Transformed Divergence参数表示 参数表示， Divergence参数表示，这两个参数的值在 0~2.0之间 大于1.9 之间， 1.9说明样本之间可分离性 0~2.0之间，大于1.9说明样本之间可分离性 属于合格样本；小于1.8 1.8， 好，属于合格样本；小于1.8，需要重新选 择样本；小于1 择样本；小于1，考虑将两类样本合成一类 样本。 样本。
遥感图像处理遥感图像处理-11
北京大学深圳研究生院
3.影像信息基本提取方法 3.影像信息基本提取方法
•3.1 3.1 •3.2 3.2 •3.3 3.3 •3.4 3.4 影像信息提取技术概述 影像增强处理 监督分类 非监督分类
3.1 影像信息提取技术概述
遥感影像通过亮度值或像元值的高低差异 反映地物的光谱信息）及空间变化（ （反映地物的光谱信息）及空间变化（反映 地物的空间信息）来表示不同地物的差异， 地物的空间信息）来表示不同地物的差异， 这是区分不同影像地物的物理基础。 这是区分不同影像地物的物理基础。 遥感影像分类就是利用计算机通过对遥感影 像中各类地物的光谱信息和空间信息进行分 选择特征， 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， 规则或算法划分为不同的类别，然后获得遥 感影像中与实际地物的对应信息， 感影像中与实际地物的对应信息，从而实现 遥感影像的分类。 遥感影像的分类。
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。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理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。
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。
遥感影像监督分类与非监督分类的比较
第34 卷第3 期2004 年9 月河南大学学报(自然科学版)Journal of Henan U n iversity ( N at u ral Science)Vol . 34 No . 3Sep . 2004 遥感影像监督分类与非监督分类的比较赵春霞,钱乐祥3(河南大学环境与规划学院,河南开封475001)摘要: 遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类,这两种分类法有着本质的区别但也存在一定的联系. 从分类原理、分类过程、分类方法等不同角度分析了这两种方法的区别与联系,并展望了遥感影像分类的发展趋势与发展前景.关键词: 影像分类;监督分类;非监督分类中图分类号: P237 文献标识码: A 文章编号: 1003 - 4978 (2004) 03 - 0090 - 04Comparative Study of Supervised and U nsupervised C la s sif icationin R emote Sensing Im ageZHAO Chun2xia , Q IAN L e2xiang( Col l ege of En v i ron ment an d Pl a n n i ng , Hen a n U ni v ersi t y , Hen a n Kai f eng 475001 , Chi n a) Abstract : The classificatio n of Remote Sensing image can be divided into t he su pervised classificatio n and t he unsu pervisedto whet her t here is t he extant category. The t wo met hods have difference in essence , but t he y are co nnected wit h each ot her . The article has analyzed t he difference and relatio n of t he t wo met hods f ro m different as pect s such as t he p rinciple , t he course and ways of classificatio n , and forecasted t he tendency and p rospect of t he image classificatio n.K ey w ords : image classificatio n ; supervised classificatio n ; unsu pervised classificatio n遥感影像分类是影像分析的一个重要内容,它是利用计算机通过对影像中不同地物的空间信息和光信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将影像中各个像元划归到子空间去目前国内国际上对影像分类的研究主要集中在应用具体的物理的、数学的方法等对影像进行的分类研究面1 - 8,对于影像分类方法的研究,从不同的方面可以划分为不同的类型. 按照利用图像要素的不同,影分类大体可以分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合分类9 . 用计算机对影像进行分类应用的主要是模式识别技术,根据具体应用的数学方法不同又可分为:计法(决策分类法) 、语言结构法(句法方法) 、模糊法以及神经网络法. 在影像分类过程中,根据是否已知训样本的分类数据,影像分类方法又可以分为监督分类和非监督分类. 本文主要从分类原理、分类过程、分类法等方面来探讨这两种分类方法的区别与联系.1 监督分类的主要方法最大似然判别法. 也称为贝叶斯(Bayes) 分类,是基于图像统计的监督分类法,也是典型的和应用最广监督分类方法.它建立在Bayes 准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标收稿日期: 2004202209基金项目: 河南省高等学校创新人才培养对象基金项目;河南省杰出青年科学基金项目( 99200003) ; 河南省自然科学基项目(004070700)作者简介: 赵春霞(1980 - ) ,女,河南大学硕士研究生13 通信联系人1(像元) 属于各组(类) 的概率,将标本归属于概率最大的一组. 用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描影像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组. Bayes 判别分类是建立在Bayes 决策规则基础上的模式识别,它的分类错误最小精度最高,是一种最好的分类方法. 但是传统的人工采样方法由于工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差. 利用GIS 数据来辅助Bayes 分类,可以提高分类精度,再通过建立知识库,以知识来指导分类的进行,可以减少分类错误的发生1 ,这正是Bayes 分类的发展趋势和提高其分类精度的有效途径.神经元网络分类法. 是最近发展起来的一种具有人工智能的分类方法,包括B P 神经网络、K o ho nen 神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法. B P神经网络模型(前馈网络模型) 是神经网络的重要模型之一,也是目前应用最广的神经网络模型,它由输入层、隐含层、输出层三部分组成,所采取的学习过程由正向传播过程和反向传播过程组成. 传统的B P网络模型把一组样本的输入/ 输出问题作为一个非线性优化问题,它虽然比一般统计方法要好,但是却存在学习速度慢,不易收敛,效率不高等缺点. 采用动量法和学习率自适应调整的策略,可以提高学习效率并增加算法的可靠性3 .模糊分类法. 由于现实世界中众多的自然或半自然现象很难明确划分种类,反映在遥感影像上,也存在一些混合像素问题,并有大量的同谱异物或者同物异谱现象发生,使得像元的类别难以明确确定. 模糊分类方法忽略了监督分类的训练过程所存在的模糊性,沿用传统的方法,假定训练样本由一组可明确定义、归类, 并且具有代表性的目标(像素) 构成. 监督分类中的模糊分类可以利用神经元网络所具有的良好学习归纳机制、抗差能力和易于扩展成为动态系统等特点,设计一个基于神经元网络技术的模糊分类法来实现. 模糊神经网络模型由A R T 发展到A R TMA P 再到FasA R T 、简化的FasA R T 模型4 ,使得模糊神经网络的监督分类功能不断完善、分类精确度不断增加.最小距离分类法和Fisher 判别分类法. 它们都是基于图像统计的常用的监督分类法,偏重于几何位置.最小距离分类法的原则是各像元点划归到距离它最近距离的类别中心所在的类, Fisher 判别分类采用Fisher 准则即“组间最大距离”的原则,要求组间距离最大而组内的离散性最小,也就是组间均值差异最大而组内离差平方和最小. 用这两种分类法进行分类,其分类精度取决于对已知地物类别的了解和训练统计的精度,也与训练样本数量有关. 针对最小距离分类法受模式散布影响、分类精度不高的缺点,人们提出了一种自适应的最小距离分类法,在训练过程中,将各类样本集合自适应地分解为子集树,定义待分类点到子集树的距离作为分类依据2 ,这种方法有效地提高了最小距离法的分类正确率和分类速度,效率较高. Fisher 判别分类也可以通过增加样本数量进行严密的统计分类来增加分类精度.2 非监督分类的主要方法动态聚类. 它是按某些原则选择一些代表点作为聚类的核心,然后将其余待分点按某种方法(判据准则)分到各类中去,完成初始分类,之后再重新计算各聚类中心,把各点按初始分类判据重新分到各类,完成第一次迭代. 然后修改聚类中心进行下一次迭代,对上次分类结果进行修改,如此反复直到满意为止. 动态聚类的方法是目前非监督分类中比较先进、也较为常用的方法.典型的聚类过程包括以下几步:选定初始集群中心; 用一判据准则进行分类;循环式的检查和修改;输出分类结果.聚类的方法主要有基于最邻近规则的试探法、K - means 均值算法、迭代自组织的数据分析法( ISODA TA) 等.其中比较成熟的是K - means 和ISODA TA 算法,它们较之其他分类方法的优点是把分析判别的统计聚类算法和简单多光谱分类融合在一起,使聚类更准确、客观. 但这些传统的建立在统计方法之上的分类法存在着一定的缺点:很难确定初始化条件;很难确定全局最优分类中心和类别个数;很难融合地学专家知识. 基于尺度空间的分层聚类方法( SSHC) 是一种以热力学非线性动力机制为理论基础的新型聚类算法10 ,它与传统聚类算法相比最大的优点是其样本空间可服从自由分布,可获取最优聚类中心点及类别,可在聚类过程中融合后验知识,有更多的灵活性和实用性.模糊聚类法. 模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类. 事实上,由于遥感影92 河南大学学报(自然科学版) ,2004 年,第34 卷第3 期关系的模糊聚类分析法、基于最大模糊支撑树的模糊聚类分析法等11 ,最典型的模糊聚类法是模糊迭代组织的数据分析法———Fussy - ISODA TA . 但纯粹的非监督分类对影像一无所知的情况下进行所得到的果往往与实际特征存在一定的差异,因此聚类结果的精度并不一定能够满足实际应用的要求,还需要地学识的辅助,也就是部分监督的Fussy - ISODA TA 聚类.系统聚类. 这种方法是将影像中每个像元各自看作一类,计算各类间均值的相关系数矩阵,从中选择相关的两类进行合并形成新类,并重新计算各新类间的相关系数矩阵,再将最相关的两类合并,这样继续去,按照逐步结合的方法进行类与类之间的合并. 直到各个新类间的相关系数小于某个给定的阈值为止.分裂法. 又称等混合距离分类法,它与系统聚类的方法相反,在开始时将所有像元看成一类,求出各变的均值和均方差,按照一定公式计算分裂后两类的中心,再算出各像元到这两类中心的聚类,将像元归并距离最近的那一类去,形成两个新类. 然后再对各个新类进行分类,只要有一个波段的均方差大于规定的值,新类就要分裂.两种分类方法原理及过程的比较遥感影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、确定判别数或判别式把影像中的各个像元点划归到各个给定类的分类. 它的基本思想是:首先根据类别的先验知识定判别函数和相应的判别准则,利用一定数量的已知类别样本的观测值确定判别函数中的待定参数,然后未知类别的样本的观测值代入判别函数,再根据判别准则对该样本的所属类别做出判定. 遥感影像的非监分类也称为聚类,它是事先无法知道类别的先验知识,在没有类别先验知识的情况下将所有样本划分为若类别的方法. 它的基本思想是事先不知道类别的先验知识,仅根据地物的光谱特征的相关性或相似性来进分类,再根据实地调查数据比较后确定其类别属性. 二者分类流程如图1 所示.3图1 影像监督分类与非监督分类流程图影像监督分类法与非监督分类法是针对影像具体分类时是否有先验知识而产生的两种方法,二者的用范围、使用条件不同,因而在具体分类时各有一定的优缺点,监督分类与非监督分类的比较如表1 所示.表1 影像不同分类方法的适用范围及优缺点优点缺点适用范围精确度高,准确性好,与实际类别吻合较好监督分类工作量大有先验知识时使用该方法分类结果与实际类别相差较大,准确性差在没有类别先验知识时使用该方法非监督分类工作量小,易于实现影像分类方法的发展前景遥感影像的监督分类和非监督分类方法,是影像分类的最基本、最概括的两种方法. 传统的监督分类非监督分类方法虽然各有优势,但是也都存在一定的不足. 新方法、新理论、新技术的引入,为遥感影像分提供了广阔的前景,监督分类与非监督分类的混合使用更是大大的提高了分类的精度.计算机技术对影像分类的促进与发展. 计算机技术的引进,解决了影像分类中海量数据的计算与管理题;计算机技术支持下的GIS 用来辅助影像分类,主要通过四种模式进行12 : GIS 数据作为影像分析的训样本和先验信息;利用GIS 技术对研究区域场景和影像分层分析; GIS 建立面向对象的影像分类; 提取和掘GIS 中的知识进行专家分析. 这些模式促进了GIS 与遥感的结合,提高了影像分类精确性和准确性,使影像分类迈入了新的天地.数学方法的引入和模型研究的进展为影像分类注入了新的活力. 不同的数学方法被引用到模型研究来,为模型研究的发展提供了广阔的天地,相应地,在遥感影像分类中也产生了大量不同形式的分类模型. 径向基函数( RB F) 与粗糙理论结合的基于粗糙理论的RB F网络模型应用于遥感分类5 ,对于提供分类4度 、增加收敛性都有很好的作用 ;而基于 RB F 映射理论的神经网络模型更是融合了参数化统计分布模型和 非参数化线性感知器映射模型的优点 ,不仅学习速度快 ,而且有高度复杂的映射能力6 . 又如模糊数学理论 应用于影像分类产生模糊聚类 ,对影像中混合像元的分类有很好的效果 ;模糊理论与各种模型结合 ,更使得 影像分类方法的不断完善 ,分类精度不断提高. 人工智能技术对影像分类的促进. 专家分类系统被用于影像分类中 ,利用地学知识和专家系统来辅助遥 感影像分类12 ,大大提高了影像分类和信息提取的精度. 人工神经网络由大量神经元相互连接构成网络结 构 ,通过模拟人脑神经系统的结构和功能应用于影像分类 ,具有一定的智能推理能力 . 同时 ,它还引入了动量 法和学习自适率调整的策略 ,并与地学知识集成 ,很好的解决了专一的 B P 神经网络法分类的缺点和不足 , 提高了分类效率和分类精度.监督分类与非监督分类的结合. 由于遥感数据的数据量大 、类别多以及同物异谱和同谱异物现象的存 在 ,用单一的分类方法对影像进行分类其精确度往往不能满足应用目的要求 . 用监督分类与非监督分类相结 合的方法来对影像进行分类 ,却常常可以到达需要的目的. 利用这种方法分类时首先用监督分类法如多层神 经网络的 B P 算法将遥感图像概略地划分为几个大类 ,再用非监督分类法如 K - Means 聚类和 ISODA TA 聚 类对第一步已分出的各个大类进行细分 ,直到满足要求为止13 . 监督分类与非监督分类的结合的复合分类 方法 ,改变了传统的单一的分类方法对影像进行分类的弊端 ,弥补了其不足 ,为影像分类开辟了广阔的前景. 结论遥感影像的监督分类与非监督分类从内涵 、过程以及具体的分类方法上都不相同 ,它们在分类思路上有 着本质的差别 . 但是 ,作为影像分类的方法 ,它们都有着相同的目的和功效. 因此 ,在影像分类中 ,这两种方法 并不能够完全割裂开来 ,而应该根据实际分类的需要 ,合理科学灵活的运用这两种方法 ,甚至混合使用监督 5 分类与非监督分类 ,以使影像分类达到预期的目的要求. 监督分类与非监督分类方法灵活的使用 ,新的理论 、新的模型 、新技术的运用 ,使得遥感影像分类技术得到长足发展 ,影像分类结果的准确度 、精确度都不断提 高 ,从而更好的为应用服务.参考文献 :游代安 ,蒋定华 ,余旭初 . GIS 辅助下的 Bayes 法遥感影像分类 J . 测绘学院学报 ,2001 ,18 (2) :113 - 117 . 朱建华 ,刘政凯 ,俞能海 . 一种多光谱遥感图象的自适应最小距离分类方法 J . 中国图象图形学报 ,2000 ,5 (1) :22 - 24 . 贾永红 ,张春森 ,王爱平 . 基于 B P 神经网络的多源遥感影像分类 J . 西安科技学院学报 ,2001 ,21 (1) :58 - 60 . 林剑 ,鲍光淑 ,敬荣中 ,等 . FasAR T 模糊神经网络用于遥感图象监督分类的研究 J . 中国图象图形学报 , 2002 , 7 ( 12) : 1263 - 1268 . 巫兆聪 . 基于粗糙理论的 RB F 网络及其遥感影像分类应用 J . 测绘学报 ,2003 ,32 (1) :53 - 57 . 骆剑承 ,周成虎 ,杨艳. 基于径向基函 ( RB F ) 映射理论的遥感影像分类模型研究 J . 中国图象图形学报 ,2000 ,5 ( 2) : 94 - 99 .123456 7 Olivier Debeir , Pat r ice L a tinne , Isabelle Vanden Steen. Remote Sensin g Classificatio n Of S pect r al , spatial And Co n text u al DataU s ing Multiple Classifier System J . Ima ge Anal Stereol , 2001 ,20 ( S uppl 1) : 584 - 589 .8 L a kshmanan V , DeBrunner V , Rabin R. An U n su pervised , Agglo m erative , S patially Aware Text u re Segmentatio n TechniqueE . ht t p :/ / www . cimms. ou. edu/ ～lakshman/ Papers/ diss - t r ansip . p d f曾生根 ,王小敏 ,范瑞彬 ,等 . 基于独立量分析的遥感图像分类技术 J . 遥感学报 ,2004 ,8 (2) :150 - 157 .骆剑承 ,梁怡 ,周成虎. 基于尺度空间的分层聚类方法及其在遥感影像分类中的应用 J . 测绘学报 , 1999 , 28 ( 4) : 319 - 324 .徐建华 . 现代地理学中的数学方法 M . 北京 :高等教育出版社 ,2002 . 王莹 ,刘敏莺 ,黄文骞 . GIS 对遥感影像分类判读的辅助作用 J . 海洋测绘 ,2002 ,22 (3) :12 - 15 . 杨存建 ,周成虎 . 基于知识的遥感图像分类方法的探讨 J . 地理学与国土研究 ,2001 ,17 (1) :72 - 77 . 靳文戟 ,刘政凯 . 多类别遥感图像的复合分类方法 J . 环境遥感 ,1995 ,10 (4) :298 - 302 . 9 10 11121213。
监督分类与非监督分类遥感实习
B、在Overlay下选择Classification，选择之前的非监督分类影像，对照原影像将10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。
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：
3、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。
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。
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
缺点
• 主观性； • 由于图象中间类别的光谱差异，使得训练样
本没有很好的代表性； • 训练样本的获取和评估花费较多人力时间； • 只能识别训练中定义的类别。
第 8 章 遥感图像自动识别分类
§8-4 非监督分类
§8-4非监督分类
二 非监督分类 仅凭遥感影像地物的光谱特征的分布规
律，即自然聚类的特性，进行“盲目”的 分类；
否 是
迭代次数=I或相邻两次迭代类别中心变动小于限值
否 否
σ > TS 是
确定分裂后的中心
输出
否
DIK< TC
是
确定并类后的中心
ISODATA算法过程框图
(三) 平行管道法聚类分析
它以地物的光谱特性曲线为基础，同 类地物在特征空间上表现为以特征曲线 为中心，以相似阈值为半径的管子，此 即为所谓的“平行管道”。
(二) ISODATA算法聚类分析
可以自动地进行类别的“合并”和“分 裂”，从而得到类数比较合理的聚类结 果。
迭代次数 每类集群允许
选定初始类别中心
的最大标准差
输入迭代限值参数:I,Tn, TS ,TC
集群允许的最 短距离
对样本像素进行聚类并统计ni,m,σ
每类集群至少 的点数
ni<Tn
是 取消第i类
第 8 章 遥感图像自动识别分类
§8-3 监督分类(续)
原始影像数据的准备
(二) 分类过程
图像变换及特征选择 分类器的设计
初始类别参数的确定 逐个像素的分类判别
形成分类编码图像 输出专题图
▪ 选择样本区域 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
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
遥感影像监督分类与非监督分类及相关代码实现
遥感影像监督分类与非监督分类摘要：遥感影像的分类方法按照是否有先验类别可分为监督分类和非监督分类，这两种分类方法有着本质的区别但也有存在一定的联系。
本文从分类原理和分类方法等不同角度分别介绍了监督分类和非监督分类方法，并对两种方法的分类结果进行了对比和分析。
关键词：遥感；监督分类；非监督分类；ISODATA算法；贝叶斯分类算法。
1.数据来源本文使用的数据是华盛顿广场上空由卫星拍摄的高光谱遥感影像。
该幅影像使用的传感器系统覆盖0.4到2.4m的可见光到近红外的210个波段。
由于0.9-1.4米光谱对应的区域上空大气透光性很差，因此将这个区域内的波段从影像中删除，最后得到191个波段。
该数据集有1208个扫描行，每行307个像元，容量近似150MB。
为了清晰地反映影像中地物的特征，本文从191个波段中选择了3个波段，分别是120、140和160。
下面两幅图分别是全波段影像和三波段影像：图1全波段影像图2 三波段影像2.遥感影像的监督分类2.1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：最大释然分类法、最小距离分类法、马氏距离分类法、平行六面体分类法、K-NN分类法。
本文选用最大释然分类法对遥感影像进行监督分类。
最大似然判别法. 也称为贝叶斯(Bayes) 分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法. 它建立在Bayes 准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本(像元) 属于各组(类) 的概率,将标本归属于概率最大的一组. 用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描影像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组。
监督分类、非监督分类操作手册
ERDAS IMAGINE Professional 操作手册—监督分类和非监督分类图像分类简介：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，下面介绍这三种分类方法。
非监督分类运用1SODATA（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。
对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。
由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification 菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。
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。
监督分类与非监督分类
实习目的和内容1 .选取研究区数据(512X512或者1024X1024),通过目视解译建立分类系统及其编码体 系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ROI工具建立训练区，给出各个类别的特征统计表。
3 .计算各个分类类别之间的可分离性，整理成表格。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
4 .监督分类：利用最大似然法完成分类。
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，并对结果进行解释。
6 . 分类后处理(clump —sieve —majority)。
运用ISODATA 方法进行非监督分类：预先假定地表覆盖类型为30类，迭代次数选为15,由 系统完成非监督分类；然后进行类别定义与合并子类，最后进行结果的精度评价。
原理和方法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。
换句话说，监督分类就 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；2、可分性度量：本次实习主要涉及J —M 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 TDivercd=[1-exp(-Divercd/8)],J —M 距离 J=2*(1-e-B)；3、最大似然分类法：在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区， 用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，计算各待分类样区的 归属概率，而进行分类的一种图像分类方法。
4、混淆矩阵：从随机点位上获取地面参考验证信息，并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。
[转载]监督分类和非监督分类
![[转载]监督分类和非监督分类](https://img.taocdn.com/s3/m/b84adcd49fc3d5bbfd0a79563c1ec5da50e2d630.png)
[转载]监督分类和⾮监督分类原⽂地址：监督分类和⾮监督分类作者：维度空间实习序号及题⽬实习⼋、监督分类和⾮监督分类实习⼈姓名xuanfengling专业班级及编号地信0834任课教师姓名实习指导教师姓名实习地点榆中校区实验楼A209实习⽇期时间2010年12⽉16⽇实习⽬的理解影像监督分类和⾮监督分类的原理、⽅法和步骤，初步掌握⼟地覆盖的计算机⾃动分类⽅法实习内容1、通过遥感影像解译确定的⼟地覆盖分类类型、⾊调和编码：编码地物名称编码地物名称11⽔稻⽥ paddy land51河流 stream12⽔浇地 irrigated land52⽔库、坑塘 reservoir or pond20园地 garden61城镇及农村居民地 town or village30草地 grassland62⼯业区 industrial31林地 forest71沙漠 sandy desert32防护林 prevention desert72砾漠 gravel desert33幼林地 young forest73裸地及盐碱地 barren land4公路/铁路 road or railway53设施农⽤地 facility agricultural land 2、按照监督分类的步骤，在影像上找出对应各个⼟地利⽤/覆盖类型的图斑，建⽴训练区，给出各个类别的特征统计表3、采⽤4种可分性度量⽅法（欧⽒距离、分散度、变换散度、J-M距离）给出可分性矩阵，判断类型之间的可分性，要求将可分性矩阵转换为⽂本⽂件格式并以表格形式插⼊实习报告中，注意在输出时选取CellArray。
4、监督分类：利⽤最⼤似然法完成分类；5、分类精度评价，从随机采集100～200个样本点，进⾏分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进⾏解释。
6、⽣成特征空间影像和监督分类的结果专题特征空间影像，7、⾮监督分类：预先假定地表覆盖类型为30类，叠代次数选为20，由系统完成⾮监督分类；参照监督分类的结果对分类结果进⾏分析，修改类别属性值，进⽽确定新的⼟地利⽤/覆盖分类⽅案。
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.注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。
遥感影像处理的使用方法
遥感影像处理的使用方法遥感影像处理是一种通过获取、处理和分析遥感图像数据来获取地球表面特征和变化的技术。
它涉及到对遥感图像进行预处理、分类、监督分类、影像融合和影像解译等一系列操作。
本文将介绍遥感影像处理的使用方法，帮助读者更好地应用这一技术。
1. 数据预处理遥感图像在获取后需要进行一系列预处理，以消除噪声、增强图像质量并进行几何校正。
主要的预处理步骤包括：1.1 放射定标在进行任何图像处理之前，必须对遥感图像进行放射定标。
放射定标是将图像的原始数字值转换为辐射或反射性质的物理单位。
这个步骤通常需要使用图像的传感器参数、辐射校准目标和大气矫正来估算遥感图像的辐射或反射度量。
1.2 大气矫正大气矫正是从遥感图像中去除大气散射的过程。
大气矫正通常需要利用大气传输模型和辐射校准观测数据来估算图像中的大气散射量，并相应地调整图像的数字值。
1.3 几何校正几何校正是将遥感图像中的像素位置与地理位置对应起来，通常通过数字高程模型和地理参照系统来实现。
几何校正可消除由于传感器姿态和地形变形引起的图像形变，使图像能够正确地与现实世界对应。
2. 图像分类图像分类是将像素分配给具有不同类别的地物或地物类别的过程。
遥感影像处理中最常用的图像分类方法包括：2.1 基于像素的分类基于像素的分类是将每个像素根据特定属性进行分配到不同类别的方法。
这些属性可以包括反射光谱特征、纹理特征和空间特征等。
常见的基于像素的分类算法包括K均值聚类、最大似然分类和支持向量机等。
2.2 监督分类监督分类是在已知地物类别的训练样本的指导下进行的分类。
该方法通过构建分类器模型来将未知地物像素分类到已知类别中。
常见的监督分类算法包括最大似然分类、随机森林和神经网络等。
2.3 非监督分类非监督分类是一种无监督学习方法，它从遥感图像中自动识别出一组地物类别。
这种方法不需要事先定义训练样本，而是根据像素之间的相似性进行聚类。
常见的非监督分类算法包括K均值聚类和自组织映射等。
监督分类和非监督分类word精品文档11页
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理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。
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。
试验五ERDAS遥感影像的非监督分类
2 非监督分类（Unsupervised Classification） ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公 式）来进行非监督分类。聚类过程始于任意聚类平均值或一 个己有分类模板的平均值：聚类每重复一次，聚类的平均值 就更新一次，新聚类的均值再用于下次聚类循环。ISODATA实 用程序不断重复，直到最大的循环次数已达到设定阈值或者 两次聚类结果相比有达到要求百分6通道的图像（4，3，2）或者 （4、5、3）、（7，4，2）； ②把图像缩小至适合窗口，浏览图像，注意河流、城镇、植被、 水体、土壤的分布； ③选择特定区域放大，查看各种不同的地表覆盖物类型的分布 及色调变化； 根据经验，在4，3，2（RGB）的波段组合下，各种地表覆盖物 类型的特点如下： a．森林——森林显示出棕色、红色、褐色等一系列多变的色 调。在高海拔地区，成熟针叶林为很浓的棕色或暗红色；在中 低海拔地区，森林的颜色多变，从棕色到红色到暗绿色都有， 部分落叶林在冬季呈现出锈黄色；
b．灌丛和草甸——相对于临近的森林斑块，灌丛和草甸呈现出 明亮许多的红色到浅红色。在高海拔地区，大片的草地在夏季 可能为浅红或锈红色，而冬季则呈现青绿色； c．湖泊、河流——湖泊通常为边界清晰的黑色斑块，河流则显 示为黑色或深蓝色。在冬季，水面结冰或覆盖有雪则显示出不 同深浅的紫红色； d．城镇——很明显的比较亮的灰色或青灰色斑块，通常可见有 规则的灰色线条（公路）穿过； e．农田——颜色多变的绿色、灰色、淡紫色、浅红色斑块，通 常沿河谷两侧不规则分布，在平原区则大片分布。河道边的水 田往往显示出富含水分的青灰色。
- 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)。
实验4：遥感影像的监督分类和非监督分类实验学时：4
实验类型：综合
实验要求：必修
一、实验目的
1、对非监督分类：先对分类过程不施加任何先验知识，凭像元的光谱特征，运用迭代自组织分析（ISODA TA）算法，把一组像素按照相似性归为若干类别。
2、对监督分类：在对遥感图像上地物类别属性已经有了先验知识的基础上，即要从图像中选取所区分的各类地物的样本，建立模板再进行自动识别。
二、实验内容
通过对遥感图像的处理和分析，掌握遥感图像处理中目标检测方法。
三、实验要求
通过练习，熟练掌握遥感图像两类分类方法、评价方法的原理及实现过程，体会在具体应用中的适应性。
四、实验条件
遥感影像（qb.img，quickbird 数据，蓝绿红3个波段）、Erdas软件
五、实验步骤
遥感图像理解中主要有两种基于统计方法的分类：监督分类和非监督分类。
我们使用Erdas软件中的进行分类实验，以下我们分别对这两种进行实验。
1）非监督分类
①点击Unpervised Classification，弹出如下图的对话框：
图5
在对话框中输入要分类的图像和输出的文件名，在Number of Classes 中输入要分类的种类数（至少为目标分类数的两倍，我们要把原图像分为4类，所以该处的参数要大于8）。
点击OK按钮就完成了非监督分类的基本操作。
②打开分类后的遥感图像，此时还没有对各个类进行颜色设定，如图六
所示：
图6
③点击Viewer上的工具，弹出Raster Attribute Editor对话框，在该对话框中可以对各个类的显示颜色进行设定，并且修改各个类的类名。
对照原遥感图像，我们将分类后的影像图显示为四种颜色，如图八所示：
图8 2）监督分类
①打开要分类的遥感图像，点击
图10
③使用AOI对话框中的
，将池塘AOI加入对话框中，并修改类名和颜色，将池塘，建筑物，农田，裸地都建立AOI，如下图所示：
图12
将这个文件保存为sig11.sig文件。
④点击Supervised Classification按钮，弹出下图的对话框：
图13
在该对话框中输入要分类的原遥感图像和输出图的名称，并把在步骤③中建
立的sig11.sig文件输入到中。
点击OK按钮，就完成了监督分类。
⑤打开分类后的遥感图像。
图14
六、思考题
1、感图象分类的基础是什么？
2、监督法分类与非监督法分类各有什么优缺点？
3、如何评价分类的精度？
七、实验报告
详细给出ERDAS软件对监督法分类与非监督法分类的操作过程。
八、说明
必要时对上述相关内容进行补充，或告知学生实验室管理的相关规定及安全事项等内
容。