envi遥感图像监督分类与非监督分类
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。
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的非监督分类
ENVI 的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。
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。
‐Mean2、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。
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。
实习8、监督分类与非监督分类
操作方法及过程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irrigat ed land 水库reservoi r裸地barrenl and 工业区industri al area滩地shoalyland 林地forest草地grassla nd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poin t、polylin e、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O p tions的统计训练区可分性Com pute ROI Separab ility，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：Classifi catio n|Supervi sed| Maximum Likelih ood，在Set Input File对话框中导入影像。
在打开的对话框中选Sele ct All Items，其中Set Probabi lity Threshol d设为NO，Output R ule Image设为N o，选择保存路径。
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.。
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。
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
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。
ENVI图像分类实验
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）。
实验方法与步骤：
一、
监督分类：又称训练分类法，用样本像元去识别其他未知类别像元的过程。
在图像窗口上画出感兴趣区，单击鼠标右键确定选择形状（此时可以拖动感兴趣区域，用Ctrl＋鼠标左键可以删除。单击滑轮键是取消操作。），再次单击右键确定此训练区（此时若要删除训练区，需要点击ROI Tool窗口中的Delete控键，此操作将删除所有该类型的感兴趣区域）。
ROI Tool窗口中将会显示选择区域的颜色和相关信息，其中，感兴趣区域名称（ROI Name）和色彩可以修改。可就某一类训练区选择多个感兴趣区域。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图12
Data scale factor：数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000之间缩放，则设定的比例系数就为10000。对于没有定标的整型数据，将比例系数设为该仪器所能测量的最大值2n-1，n为仪器的bit容量，例如：对于8-bit仪器，设定的比例系数为255，对于10-bit仪器（如NOAA 12 AVHRR），设定的比例系数为1023，对于11-bit仪器（如IKONOS），设定的比例系数为2047。
实验三
实验目的：
通过上机操作，了解遥感图像分类的几种常用的分类方法与过程，熟悉ENVI软件中图像分类的方法与分类后处理的过程。
遥感实习遥感图像监督分类
实验五：监督分类与非监督分类一、实验目的采用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。
监督法分类需要用户选择作为分类基础的训练样区。
分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。
我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。
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。
ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。
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。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
基于监督分类的ENVI遥感技术
基于监督分类的ENVI遥感技术概述1、监督分类1.1对监督分类的理解监督分类与非监督分类最本质的区别是在于是否有训练样区，训练区是通过人为的目视判读，光谱分析等方法提供给计算机，而计算机以训练区为基础，通过预先设定好的规则对图像进行分类。
所以影响监督分类的质量的因素有训练区的选取（人为因素）与分类方法的优劣(算法因素)。
判断分类质量的方法一般是混淆矩阵法，即通过比较分类结果与通过实地调查或者用地类型图得出的检验用的ROI，建立混淆矩阵，分析两者之间的差异，评价分类错分与漏分的几率而间接评价分类精度。
1.2训练样区的选择训练样区应选择在地物类型分布典型的地区，这样才不会导致错分的像元太多出现。
（例如最小距离法，如果将不典型的地物也选择进去，就会导致同种地物内部差异过大，也就是方差或者标准差偏大，就会使两种原本谱线就相近的地物产生交叉的地方，而在交叉的地方的地物就很有可能被错分）但是同时也不宜试图将差别过小的地物分开。
例如我的CIR图中植被也有分几个层次，有的颜色比较浅，有的颜色比较深，（如光谱收集图中红色和蓝色为较深色植被）但是由于图是位于城市内部，而不是天然的植被或者拥有连片的单一植被，就算能够将其分离也有可能是混合像元造成的，而且另一方面也会导致图像过于破碎，分布不集中等问题。
在训练样区的选择中，一般可以将地物分为水体、岩石（城市）、植被三大类，因为这三类的光谱差异最大，较容易且准确地分出来。
而结合实际图讨论的话。
我将水体继续分为纯净的海水、含沙的海水、河水、湖水及盐池（只有一片），其中为了效果不太混杂，除了盐池之外的其他水体都用blue显示，而颜色深度由水体含沙量决定。
（含沙量：含沙海水=河水>湖水>清洁海水），植被就分为普通植被和水体植被（水体富营养化），由于水体植被混杂了水体和植被两种光谱信息，所以差别也比较明显，而且只有在图幅左下角一部分鱼塘才有出现，也不会分出来过于破碎。
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。
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。
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。
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。
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。
- 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)。
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。
2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。
3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。
（2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。
重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本；（3）如下图为选好好的样本。
（4）计算样本的可分离性。
在Region of Interest (ROI) Tool面板上，选择Option>Compute ROI Separability，在Choose ROIs面板，将几类样本都打勾，点击OK；（5）表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要编辑样本或者重新选择样本；小于1，考虑将两类样本合成一类样本。
注：1、在图层管理器Layer Manager中，可以选择需要修改的训练样本。
2、在Region of Interest (ROI) Tool面板上，选择Options > Merge (Union/Intersection) ROIs，在Merge ROIs面板中，选择需要合并的类别，勾选Delete Input ROIs。
图2.4 Merge ROIs面板（6）在图层管理器中，选择Region of interest ，点击右键，save as，保存为.xml格式的样本文件。
注：1、早期版本的感兴趣文件格式为.roi，新版本的为.xml，新版本完全兼容.roi文件，在Region of Interest (ROI) Tool面板上，选择打开.xml或.roi文件。
2、新版本的.xml样本文件（感兴趣区文件）可以通过，>Export to Classic 菜单保存为.roi文件。
第三步：分类器选择根据分类的复杂度、精度需求等确定哪一种分类器。
目前ENVI的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。
下面是几种分类器的简单描述。
•平行六面体（Parallelepiped）根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。
•最小距离（Minimum Distance）利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。
•马氏距离（Mahalanobis Distance）计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。
•最大似然（Maximum Likelihood）假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
•神经网络（Neural Net）指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。
•支持向量机（Support Vector Machine）支持向量机分类（Support Vector Machine或SVM）是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。
SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。
•波谱角（Spectral Angle Mapper）它是在N维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。
影像分类基于传统统计分析的分类方法参数设置比较简单，在Toolbox/Classification/Supervised Classification能找到相应的分类方法。
这里选择支持向量机分类方法。
在toolbox中选择/Classification/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击OK，按照默认设置参数输出分类结果。
图2.5 支持向量机分类器参数设置图2.6 支持向量机分类结果第五步：分类后处理包括更改类别颜色、分类后统计、小斑块处理、栅矢转换等，这部分专门有一节课讲解。
在此不做叙述。
第六步：精度验证对分类结果进行评价，确定分类的精度和可靠性。
有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较抽象。
真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。
两种方式的选择都可以通过主菜单->Classification->Post Classification->Confusion Matrix或者ROC Curves来选择。
真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。
由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。
（1）在Data Manager中，分类样本上右键选择Close，将分类样本从软件中移除（2）直接利用ROI工具，跟分类样本选择的方法一样，即重复第二步，在TM图上选择6类验证样本。
注：可直接，打开can_tm-验证样本.roi。
图2.7选择验证样本（3）在Toolbox中，选择/Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类结果，软件会根据分类代码自动匹配，如不正确可以手动更改。
点击OK后选择报表的表示方法（像素和百分比），点击OK，就可以得到精度报表。
图2.8 验证操作面板图2.9分类精度评价混淆矩阵下面对混淆矩阵中的几项评价指标进行说明：•总体分类精度等于被正确分类的像元总和除以总像元数。
被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = (1849/2346) 78.8150%。
•Kappa系数它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。
Kappa计算公式•错分误差指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。
本例中，林地有419个真实参考像元，其中正确分类265，12个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为12/419=2.9%。
•漏分误差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。
如在本例中的耕地类，有真实参考像元465个，其中462个正确分类，其余3个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为3/465=0.6%•制图精度是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。
如本例中林地有419个真实参考像元，其中265个正确分类，因此林地的制图精度是265/419=63.25%。
•用户精度是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。
如本例中林地有265个正确分类，总共划分为林地的有277，所以林地的用户精度是265/277=95.67%。
注：监督分类中的样本选择和分类器的选择比较关键。