遥感影像监督分类

合集下载

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。

遥感实验：监督分类

监督分类（一）数字图像处理实习内容监督分类训练样区图像分类监督分类9不同于无监督分类，监督分类由分类者严密控制。

分类前需要知道分类的数据以及所需要分的类。

在这个过程中，您选择像素能够代表某种类别的模式或土地覆盖类别，这些类别和模式你可以借助其他数据来源，如航空照片，地面真实数据或者地图。

9通过你定的模式，计算机系统可以自动查找具有类似特点的像素。

如果分类是准确的，此分类结果代表初分类。

监督分类的基本步骤监督分类是一个反复的过程，主要有以下步骤：1.训练样区并创建特征2. 评价和编辑特征3. 图像分类4. 评价分类结果实习内容监督分类训练样区图像分类怎样定义训练样本？训练样本就是选择一组像素代表一定潜在类别。

在ERDAS image 中，用户可以选择以下方法完成：¾通过矢量层¾通过的AOI¾通过特定区域具有相似光谱特征的一组连续像素¾通过专题栅格层的某个类别，例如：无监督分类的输出结果打开germtm.img启动AOI 工具. 单击the AOI style 按纽设置AOI前景色和背景色为可识别的颜色尝试其他光谱颜色分配R: 4; G:5; B:3启动Classifier /Signature Editor应该创建多边形AOI 工具在图像上暗蓝色区域创建一AOI (可根据需要放大图像).在Signature Editor窗口采用Add AOI to signature按纽，添加水域样区1水域样区1找到另外一处水域样本，采用AOI growth tool添加单击AOI growth 按钮, 然后单击样本的中间可以自动产生复杂的多边形！单击Region Growing Properties 按钮在Region Growing Properties Dialog 调整AOI包含更多更纯的样本区，变换the Area and Spectral Distance, 然后单击Redo直到满意为止.在signature editor窗口添加第2个水域样本区融合相似的训练样本区融合相似的训练样本区如果此特征被应用，输出的分类结果如何？选择signature “water”View…/ Image Alarm…,在signature alarm dialog单击“OK”.对植被重复同样的步骤找出一块红色区域作sample 1 of forest创建一个仅包含植被的AOI ，并添加为特征区域找出一块亮红色区域作为the sample 2 of forest创建一个仅包含亮红色区域的AOI (采用polygon tool or AOI growth tool)将AOI sample 2 添加为植被的另外一个特征区找出一块暗红色区域作为the sample 3of forest创建一个仅包含暗红色区域的AOI (采用polygon tool or AOI growth将这三个植被样区融合为一个新特征命名为forest, 并将其颜色改为暗绿色删除以上最初的三个植被样本区选择“water”及“forest”signatures采用Image alarm 查看哪些象素被各自分类到water (light blue) 和forest(dark green)勾选the indicate overlap 并设置重叠颜色为黑色对农田（farmland）重复同样的步骤找出一块亮绿色区域作sample 1 of farmland创建一个仅包含farmland的AOI ，并添加为特征区域找出并添加farmland的另外一块样本区域将这两个农田（farmland）样区融合为一个新特征命名为farmland,并将其颜色改为黄色删除以上最初的二个农田样本区选择所有特征区，再次采用Image alarm查看潜在的分类区及分类重叠区对城镇居民点（urban）重复同样的步骤找出一块亮蓝色区域作sample 1 of urban创建一个仅包含urban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色对农村居民点（suburban）重复同样的步骤找出一块红色和蓝色混合区域作为suburban的样本区创建一个仅包含suburban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色选择所有signatures再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素将白色和亮绿色混合区域设为裸土（bare soil）的样本区创建一个仅包含bare soil的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色再次, 选择signatures再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素，并添加其他signatures重置class value“class value”为相应地物类分类图像的像元数.采用“class value”升序（ascending order）重置signature顺序保存signature file采用supclass.sig保存signature file保存AOI file以supclass.aoi为文件名保存AOI file实习内容监督分类训练样区图像分类执行监督分类（supervised classification）选择所有signaturesClassify…/ Supervised…设置：-Output file: supclass.img-Non-parametric Rule: Parallelepiped-Overlap Rule: Parametric Rule-Unclassified Rule: Parametric RuleParametric Rule: MaximumLikelihood单击Ok 开始classification!制作监督分类专题图（supclass.img）Save your AOI file as supclass_<UBITname>.aoi in assignment folder作业在你的作业文件夹中包括以下三个文件：Output Cluster File: supclass.imgSignature File: supclass.sigMap Composition File: supclass.map结束！。

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。

遥感监督分类

实验遥感图像监督分类实验目的：通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。

实验内容：监督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。

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象元建立模板，然后基于该模板使计算机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，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。

实验步骤：第一步：定义分类模板ERDAS IMAGINE 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。

在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。

因此，显示这两种图像的窗口也是进行监督分类的重要组件1、显示需要分类的图像在窗口中显示图像germtm.img。

具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。

图5－1 设置图像显示参数点击OK，打开图像（图5－2）。

图5－2 打开图像2、打开分类模板编辑器两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。

区域遥感影像的监督分类方法

区域遥感影像的监督分类方法引言遥感影像是指通过航空器、卫星等远距离进行非接触无损观测、记录的图像。

区域遥感影像分类是遥感图像处理的重要应用之一，它通过对遥感影像进行数字解析和模式识别，将图像中的不同地物按照一定的分类体系进行准确划分。

本文将介绍区域遥感影像的监督分类方法。

一、监督分类概述监督分类是指在训练样本的指导下，通过计算机自动对图像进行分类。

首先需要选取具有代表性的样本区域，然后进行特征提取和分类器训练。

最后将分类结果应用到整个图像上。

二、特征提取特征提取是依据遥感影像的光谱、纹理、形状等特征，将图像转化为数值描述的过程。

常见的特征包括光谱特征、纹理特征和形状特征。

1. 光谱特征光谱特征是通过分析遥感影像不同波段的光谱反射率或辐射亮度，提取不同地物类别的差异性。

可以使用的光谱特征包括单波段特征、双波段特征和多波段特征。

2. 纹理特征纹理特征是描述图像中局部区域的统计特征，对于纹理丰富的地物分类具有较好的效果。

常用的纹理特征包括灰度共生矩阵、局部二值模式和小波变换等。

3. 形状特征形状特征是描述地物边界形状和轮廓的特征。

常用的形状特征包括面积、周长、圆形度和椭圆度等。

三、分类器选择分类器是监督分类中的关键组成部分，其作用是将特征提取得到的各种属性与训练样本进行比较和判断，从而进行分类。

常见的分类器包括最小距离分类器、支持向量机和随机森林等。

1. 最小距离分类器最小距离分类器是基于样本数据之间的距离进行分类判别的方法，将测试样本分配给最邻近的训练样本。

最小距离分类器简单有效，但对于样本分布不均匀的情况效果较差。

2. 支持向量机支持向量机是一种广泛应用于监督分类中的机器学习方法。

它通过划分不同类别的样本，使得样本与分类决策边界的距离最大化。

3. 随机森林随机森林是一种集成学习方法，将多个决策树分类器组合起来进行分类。

它能够有效地处理高维数据和具有噪声的遥感影像。

四、分类结果评价分类结果的评价是监督分类中非常重要的一步，它能够评估分类方法的准确性和可靠性。

遥感图像分类---监督分类

实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。

二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。

三、实验原理监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。

常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。

最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。

其前提是假定训练区地物的光谱特征近似服从正态分布。

训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。

四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。

按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。

点击Apply按钮，点击Close按钮。

从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。

(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。

在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板→点击Raster 工具面板的图标→在视窗中选择一类地物，绘制一个多边形AOI。

遥感图像分类 ---监督分类

遥感图像分类——监督分类地质系09资源勘查0910105025殷祥2012-5-19遥感图像分类——监督分类一、实验目的掌握在ERDAS中进行监督分类的操作方法；掌握对分类进行精度评估的方法。

二、实验内容1.定义分类模板（1）显示需要进行分类的图像。

在ERDAS中打开一个文件名为or_196560080.tif，在选择时，需要将进行操作，即将其勾上。

（2）打开模板编辑器并调整显示字段。

在ERDAS中，点击C1assifier/Signature Editor菜单项，出现Signature Editor对话框。

在其对话框下单击view中的column，在弹出的对话框中先将其全部选中，然后按住shift，拉住3,4,5行，如图所示，选好后点击apple，之后关闭，于是signature editor中的属性栏就少了之前的三个选项。

（3）获取分类模板信息利用AOI工具选择训练样区，将AOI区域加载到Signature分类模板中。

并定义该训练样区所代表的分类类别的名称（Signature Name）和该类别在分类后图像中的颜色（Color）。

重复上述操作过程以多选择几个区域AOI，并将其作为新的模板加入到Signature Editor当中，同时确定各类的名字及颜色。

如果对同一个专题类型（如水体）采集了多个AOI并分别生成了模板，可以将这些模板合并，以便该分类模板具多区域的综合特性。

具体是将AOI中的tools打开，用进行选择区，选中后，点击Signature Editor中的，多选择几处相同的物象，都进行相同的操作，接着将添加的相同物象进行合并，将前添加的选择，使用，接着，将之前的添加删除，即将他们选中，右击，在弹出的快捷菜单中选择delete selection，然后对合并项进行必要的编辑。

编辑完成之后的表如下图（4）保存分类模版信息。

点击File –save，保存文件到自己的文件夹下，名为jdfl.sig2.评价分类模板在对遥感影像做全面分类之前，对所选的训练区样本是否典型以及由训练区样本所建立起来的判别函数是否有效等问题并无足够的把握。

如何进行遥感图像分类与监督分类

如何进行遥感图像分类与监督分类遥感图像分类与监督分类是利用遥感技术对地球表面的影像进行分类和识别的过程。

它可以帮助我们了解地球表面的不同特征和变化，并为环境保护、资源管理以及城市规划等领域提供重要的决策依据。

在本文中，我们将探讨如何进行遥感图像分类与监督分类的步骤和方法。

首先，进行遥感图像分类与监督分类的第一步是数据预处理。

这个过程包括图像修正、噪声去除、影像增强等。

图像修正是为了消除遥感图像中的地球大气层的影响，使图像更加真实和可靠。

噪声去除有助于提高图像质量和分类精度，可以采用平滑算法或滤波算法来去除图像中的噪声。

影像增强可以通过增加图像的对比度、亮度等来提高图像的可视性。

接下来，我们需要选择适当的特征提取方法来提取遥感图像中的特征。

特征提取是将图像转换为具有代表性和可区分性的特征向量的过程，通常包括纹理特征、形状特征和光谱特征等。

纹理特征可以描述图像中的纹理信息，例如纹理的粗糙度、方向等。

形状特征可以描述图像中的几何形状，例如边界的曲率、面积等。

光谱特征是根据图像中不同波段的亮度值来描述地物的光谱特性。

然后，我们需要选择合适的分类器来进行遥感图像的监督分类。

常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）、决策树等。

支持向量机是一种二分类器，可以将输入样本映射到高维空间中，然后在高维空间中构建一个最优的超平面来进行分类。

人工神经网络是一种模仿神经系统的计算模型，它可以通过学习输入和输出之间的关系来进行分类。

决策树是一种基于特征选择和分割的分类方法，它通过构建一系列决策节点和叶子节点来进行分类。

在进行遥感图像分类与监督分类时，我们还需要考虑合适的训练样本和测试样本的选择和划分。

训练样本是用于训练分类器的图像样本，而测试样本是用来评估分类器性能的图像样本。

通常，我们需要根据地物的特征和分布情况选择合适的样本，并且保证训练样本和测试样本具有一定的代表性。

最后，进行遥感图像分类与监督分类的最后一步是评估分类结果和精度验证。

遥感图像监督分类

1.实验目的（1）学习和掌握使用遥感图像分类的基本原理、方法，明确分类的实际意义。

（2）掌握用ENVI软件对遥感图像进行有监督分类的方法，包括参数类算法和非参数类算法，并进行定性和定量的对比分析。

（3）理解和巩固基础知识，熟练动手操作的过程，提高综合分析问题的能力。

2.实验原理遥感图像分类处理主要是利用遥感图像像元间的相关性或在特征空间的不同聚集位置，找一种对图像像元的归并或在特征空间的划分方法，实现对图像像元的类别划分。

分类的目的就是从遥感图像中识别实际的地物类型，进而提取地物信息。

图像分类的依据通常是像元之间的相似性，相似性通常采用“距离”来度量，距离越小则相似度越大。

其中包括欧氏距离、马氏距离和余弦距离等。

根据是否需要事先提供已知类别及其训练样本，可将遥感图像分类方法划分为监督分类和非监督分类。

本次实验使用的监督分类则是事先已知地物类别的部分信息(类别的先验知识)，对未知类别的样本进行分类的方法。

其中监督分类的思想包括：（1）确定每个类别的样区（2）学习或训练（3）确定判别函数和相应的判别准则（4）计算未知类别的样本观测值函数值（5）按规则进行像元的所属判别主要的监督分类方法包括：参数类以及非参数类。

参数类包括距离判别函数和距离判别规则、最小距离分类法、平行六面体分类法、概率判别函数和贝叶斯判别规则、最大似然分类法。

非参数类包括神经网络、支持向量机（SVM）。

3.实验步骤（1）使用ENVI软件打开本次实验使用的多光谱图像，选择好RGB对应的波段后打开彩色图像。

（2）对彩色图像不同的区域进行ROI的选取，并保存ROI文件。

（3）选取好ROI之后进行分类，首先使用的分类方法是最大似然分类法，可以得到分类之后的图像。

（4）删除掉之前选取的ROI，重新导入真实地面的ROI。

（5）通过使用真实地面的ROI和第二步得到的分类结果图计算混淆矩阵，可以定量的求出总精度OA和Kappa系数。

（6）重复实验，并且使用另一种非参数的分类方法：支持向量机。

子情景4遥感图像分类——遥感影像监督分类和非监督分类.

6）产生随机点; Edit > create/add random points
7）显示随机点类别; view> show all ; Edit > show class values 8）输入参考点类别; Reference 输入 9）输出分类评价报告； Report> accuracy report
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）
提示：main>image interpreter>gis analysis>Recode
类别合并需要考虑实际意义
2）应用AOI扩展绘图工具获取分类模板信息
Region growing properties 进行Neighborhood 属性设置。
利用Region grow AOI选择种子点。
提示：AOI> seed properties>region growing Properties
约束条件：Area确定最多的像元数； Distance确定包含像元距离种子点像元的最大距离。
2.评价分类模板（Evaluating Signatures）类别的分离性：
用于计算任意类别间的统计距离，这个距离可以确定两个类别间的差异程度，也可以确定在分类中效果最好的数据层。
类别间统计距离计算公式： 1）欧氏光谱距离；2）Jeffries-matusta距离； 3)Divergence 分离度；4）Transformed divergence 转换分离度
提示：对比Utility>flicker/ Blend/ Swipe区别

Erdas监督分类步骤

遥感图像分‎类的原理监督分类流‎程图（Erdas‎环境）在专业遥感‎图像处理软‎件Erda‎s环境下，监督分类的‎流程图可以‎表示如下：图2-1 监督分类流‎程图监督分类注‎意事项（1）分类应从下‎往上，即每一地类‎应先细分为‎若干小类，然后再依需‎要自下而上‎合并成大类‎。

（2）每一类的训‎练区文件a‎o i与特征‎文件sig‎应该一一对‎应，即每一类对‎应的训练区‎和特征文件‎都应该保存‎为一个单独‎的文件，以方便在调‎整训练区的‎时候进行修‎改。

（3）精度检验后‎若精度不符‎合要求，需要重新调‎整训练区，再次分类，直到精度满‎足要求为止‎。

监督分类过‎程示例1．图2-2为某地T‎M遥感影像‎，432波段‎假彩色合成‎。

图2-2 TM影像（432波段‎合成）2．确定分类类‎别通过色调、纹理等图像‎特征，确定该区域‎分类类别为‎水体，植被和滩涂‎。

各类分类特‎征如表2-1所示。

表2-1 分类特征3．为每一类选‎择训练区及‎特征文件（1）AOI操作‎工具简介在View‎e r窗口中‎选择“AOI”→“Tools‎…”，调出AOI‎（Area Of Inter‎e st，感兴趣区）浮动工具栏‎（如图2-3所示）。

图2-3 AOI浮动‎工具栏其中较为常‎用的工具按‎钮为：（2）特征文件操‎作工具简介‎特征文件从‎A OI区域‎中获得。

使用“Erdas‎” →“Class‎i fier‎” →“Signa‎t ure Edito‎r”，调出特征文‎件编辑器，如图2-4所示。

图2-4 特征文件编‎辑器其中较为常‎用的工具为‎：打开一个特‎征文件。

新建一个特‎征文件/打开新的特‎征文件编辑‎器。

添加选中的‎A OI的特‎征到特征文‎件中。

使用选中的‎A OI特征‎替换当前特‎征。

合并选中的‎特征文件中‎的特征到一‎个特征。

一般建立特‎征文件的步‎骤是，在View‎e r 窗口中‎使用AOI‎工具勾画感‎兴趣区，使用把该AOI‎区域中的特‎征添加到特‎征文件中。

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。

测绘技术中的遥感图像分类与监督分类方法

测绘技术中的遥感图像分类与监督分类方法引言遥感图像分类是测绘技术中常用的图像处理方法之一，它通过对遥感图像进行分类和分割，为地理信息系统（GIS）和地球观测提供了重要的数据支持。

本文将介绍遥感图像分类的基本概念，以及常用的监督分类方法。

一、遥感图像分类的基本概念遥感图像分类是指将遥感图像中的像素根据其反射率或辐射率等特征划分为不同地物类别，并赋予其相应的分类标签。

遥感图像分类可以帮助人们了解地物分布、变化趋势以及环境状况等，对于农业、城市规划、环境保护等领域具有重要的应用价值。

二、监督分类方法1. 最大似然法最大似然法是一种常用的监督分类方法，它基于贝叶斯决策理论，通过计算每个像素属于不同类别的概率，从而确定其分类标签。

最大似然法假设像素的灰度值服从高斯分布，并通过最大化像素灰度值在每个类别中的概率来进行分类。

虽然最大似然法在某些情况下效果较好，但它对于复杂的遥感图像分类问题可能存在一定的局限性。

2. 支持向量机（SVM）支持向量机是一种基于统计学习理论的监督分类方法，它通过构建一个最优的超平面，将不同类别的像素分隔开。

支持向量机不仅可以处理线性可分的数据，还可以通过核函数将数据映射到高维空间，从而处理线性不可分的数据。

支持向量机在处理遥感图像分类问题时具有较好的性能，但其计算复杂度较高，需要大量的训练样本和运算时间。

3. 随机森林随机森林是一种集成学习方法，它通过组合多个决策树，从而提高分类准确性。

随机森林不仅可以处理多类别的分类问题，还可以处理高维数据，并且具有较好的鲁棒性和抗噪性。

在遥感图像分类中，随机森林通常能够取得较好的分类效果，并且对于特征的选择和处理具有一定的鲁棒性。

4. 卷积神经网络（CNN）卷积神经网络是一种基于深度学习的监督分类方法，它通过多层卷积层和池化层进行特征提取和降维，最后通过全连接层进行分类。

卷积神经网络在图像分类领域取得了显著的成就，对于遥感图像分类问题也有较好的应用效果。

遥感影像的监督分类研究

遥感影像的监督分类研究遥感技术是指利用遥感卫星或飞机的相机、雷达、红外线等设备对地球表面进行长距离非接触式观测，获取各种形态的遥感数据，再通过数学模型和计算机算法等方法对这些数据进行处理、分析和应用的技术。

其中，监督分类是遥感影像处理中的一种主要方法，用来将影像中的像素点按照其所代表的地物种类分成不同的类别。

本篇文章将对遥感影像的监督分类研究进行探讨。

一、监督分类方法监督分类方法是遥感影像分类的一种常见方法，其基本思想是通过样本对影像进行培训，然后运用分类算法对整个影像进行分类。

该方法所需要的数据包括两大部分：训练数据和测试数据。

其中，训练数据作为监督信息，用来培训分类器，测试数据则用来检验分类结果的准确性。

监督分类方法中的样本主要包括地面采样点、人工种植物、人工观测结果等。

二、监督分类算法监督分类算法是指用来对遥感影像进行分类的数学模型和计算机程序。

常见的监督分类算法包括最大似然、最小距离、支持向量机、决策树等。

每种算法都有其独特的适用范围和定量效果，该如何选择合适的算法取决于应用对象和数据本身的特点。

其中，最大似然算法是一种假设数据符合正态分布的判别式分类算法。

最小距离算法则是将样本分为两个子集，使每个子集内的距离最小，外部距离最大。

支持向量机则是利用点与点之间在高维空间中的映射来进行分类的一种算法。

决策树算法则是一种基于决策树结构的分类方法，采用划分节点的方式来对数据进行分类。

三、监督分类优缺点监督分类方法有其自身的优缺点。

优点包括：分类准确度高、能够快速处理大量数据、易于应用多种算法等。

同时，这种方法的不足之处在于需要大量的样本数据来提高分类准确度，更严谨的研究还需要借助人工干预和多源数据融合才能解决。

四、遥感影像的监督分类应用监督分类广泛应用于生态环境、资源调查和地理信息等领域。

例如，在生态环境监测中，监督分类可用于研究不同生境下植被的分布情况、演替规律和生态功能等问题。

在资源调查中，监督分类可用于研究土地利用和覆被变化、森林资源、水体污染等方面。

遥感图像监督分类

遥感图像监督分类实验报告一、详细操作步骤（一）类别定义/特征判别1.启动 ENVI5.1，打开待分类数据：can_tmr.img。

2.右击图层选择change RGB band 。

以R:TM Band 5，G: TM Band 4，B：TM Band3 波段组合显示。

3.运用2%的拉伸方法。

4.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。

（二）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”，2.打开 Region of Interest (ROI) Tool 面板，下面学习利用选择样本。

3.在 Region of Interest (ROI) Tool 面板上，设置以下参数：ROI Name：林地ROI Color：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 AcceptPolygon，完成一个多边形样本的选择；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；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。

4. 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；5. 如下图为选好好的样本。

遥感影像的监督分类研究

遥感影像的监督分类研究导言：遥感影像的监督分类是一种基于机器学习方法对遥感影像进行自动分类和分类精度评估的研究。

随着遥感技术的发展，遥感影像在土地利用、资源监测、环境保护等领域的应用越来越广泛，而遥感影像的分类是遥感应用的关键步骤之一一、监督分类方法：监督分类是一种利用已有的样本数据训练出分类器，再将分类器应用于遥感影像中进行像元分类的方法。

常用的监督分类方法包括最大似然分类、支持向量机分类、随机森林分类等。

这些方法的应用基本上可以分为两个步骤：第一步是样本训练，即以已知类别的样本数据训练分类器；第二步是分类预测，即将训练好的分类器应用于待分类的遥感影像之中。

二、监督分类研究进展：1.特征提取方法的研究：监督分类的关键是选择合适的特征进行分类，传统的特征提取方法主要是基于像素的特征，例如颜色、纹理、形状等。

近年来，基于深度学习的特征提取方法逐渐兴起，通过深度神经网络自动学习图像的特征表示，大大提高了分类的准确性。

2.遥感影像时序信息的利用：遥感影像的时序信息对于监督分类具有重要的作用。

传统的监督分类方法主要利用单张影像进行分类，忽略了影像的时序变化。

近年来，一些研究开始关注时间序列遥感影像的监督分类，通过将多个时期的遥感影像堆叠起来，利用时序信息提取更具有区分性的特征，提高分类的准确性。

3.遥感影像分类的自动化：遥感影像分类通常需要人工标注训练样本，而标注过程比较繁琐，且人工标注的结果具有主观性。

因此，研究者们开始探索自动化的遥感影像分类方法，通过利用未标注的影像数据进行自动分类器的训练，减少了人工标注的工作量和主观性对分类结果的影响。

4.监督分类的性能评估：监督分类的性能评估是监督分类研究中的关键问题，有助于评估分类方法的准确性和可行性。

传统的性能评估指标包括精度、召回率、F-值等。

近年来，一些研究开始关注面向对象的分类评估方法，以更准确地评估分类结果的空间一致性。

三、研究挑战与展望：监督分类研究面临一些挑战，如：1.遥感影像的多样性：不同地区、不同传感器的遥感影像具有很大的多样性，如何处理不同数据源的遥感影像，提取更具有区分性的特征，仍然是一个挑战。

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。

遥感图像分类

遥感图像分类遥感图像的分类就是通过对遥感图像中地物的光谱信息和空间信息进行分析，选择特征，将图像中每个象元按照某种规则或算法划分为不同的类别，然后获得遥感图像与实际地物的对应信息，从而实现遥感图像的分类。

一般的分类方法可分为两类：监督分类和非监督分类。

将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。

一、监督分类监督分类（supervised）,又称训练分类法，即用被确认的样本象元去识别其他未知象元的过程。

已经被确认类别的样本象元是指那些位于训练区的象元。

在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个象元和训练样本作比较，按照不同规则将其划分到其最相似的样本类。

监督分类的算法主要有：平行算法、最小距离法、最大似然法等。

这里采用最大似然法作为监督分类的算法。

原理：最大似然法假设遥感图像的每个波段数据都是正态分布。

其基本思想是：地物类数据在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成正态分布，该类的多维数据就构成了一个多维正态分布；各类多维正态分布模型各有其分布特征。

根据各类已有的数据，可以构造出各类的多维正态分布模型，在此基础上，对于任何一个像素，可反过来求出它属于各类的概率，取最大概率对应的类为分类结果。

步奏：第一步：分析图像①打开图像，将图像以5、4、3波段合成RGB显示在#1中。

②通过目视分析，可以定义6类样本：水体、建筑、耕地、草地、荒地、其他。

第二步：选择训练样本①在主图像窗口选择Overlay-----Region of Interest，打开ROI Tool对话框。

②在ROI Tool对话框中设置相关样本的名称、颜色等。

③选择ROI_Type—Polygon，在window中选择image，在图像上绘制训练区。

④重复②、③步奏，最终完成以下结果：第三步：评价训练样本①在ROI Tool对话框中，选择Options——Compute ROI Separability，打开目标图像。