遥感图像的非监督分类
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。
K均值算法实现遥感图像的非监督分类
（ 江 大学 电气工程学 院 ， 江 杭 州 ３０２ ） 浙 浙 １０ ７
摘 要 ： Ｋ均值 算 法在 高光谱 遥 感影 像 的非 监督 分 类 中具有 较 强 的 实用性 ， 表现 出 了良好 的 优 点 。首 先
采 用 了最 大最 小选心 法确 定初 始 类 别 中心 ， 然后使 用 了 Ｋ均 值 算 法 实现 遥 感影 像 的 分 类。在 分 类 过 程 中采 用 了 Ｖ Ｃ＋ ２ ０ ＋ ０ ５作 为 开发 平 台 ， 大地提 高 了遥 感影 像 的 分 类速 度 ， 极 同时还 给 出 了 实现 Ｋ均值 分
Ｋｅ ｙ ｗｏｒ ｓ： ｕ ｕ ｒ ｉｅ ｌｓ ｉ ｃ ｉｎ；Ｋ — ａ ｌ ｏ ｉ ｄ ｎｓ ｐｅ ｖｓ ｄ ｃ ａ ｓｆ ａｔ ｉ ｏ ｍｅ ｎ ａ ｇ ｒｔ ｈｍ ；ＶＣ ＋＋ ２ ０５ ０
０ 前 言
遥 感 影像 的 非监 督 分 类 ， 是指 人 们 事先 对分 类 过 程不施 加 任何 的 先验 知 识 ， 凭 据遥 感 影 像 的光 谱 特 仅 性 的分 布规律 ， 其 自然 地 进 行 盲 目分 类 。 它 的 主要 顺
ａ ｈｅ ｍａｎ ｐ ｏ ｅ ｒ ｏ ｅ ｆｒｔ ｅ ｉａｉｎ ｏ ｌ ｓｉ ｃ ｔ ｎ ｗａ ｖ ｎ ｏ ｔ ｎｄ ｔ ｉ ｒ ｃ ｄｕｅ ｃ ｄ ｏ ｈｅ ｒａ ｚ ｔ ｆｃａ ｓｆ ａｉ ｓ ｌ ｏ ｉ ｏ ｅ ｕ ．Ａｔｌｓ ，ｔｅ ｉ ｆｕ ｎ ｅ ｏ ｔｒｔｎ ｕｍｂｅ ｎ ｃａ ｓｆｅ ａ ｔ ｈ ｎ ｅ ｃ ｆｉｅ ａｉ ｇ ｎ ｌ ｒｉ ｌｓ ｉ ｄ ｉ ｉ ｇ ｓｗａ ｕ ｄ ｂ ｏ ｋｎｇｆｒｔ ｅ ｄｆｅ ｅ ｃ ｍｏ ｇ ｄ ｆ ｒ ｎ ｌｓ ｉ ｅ ｍａ ｅ ｉｈ ｗａ ｏ ｙ ｕｓｎ ｉｆｒ ｎ ｔｒｔｎｇｎｕ ｅ ． ｍａ ｅ ｓ ｆ ｎ ｙ ｌｏ ｉ ｈ ｉｆｒ ｎ ｅ ａ ｎ ｉｆ ｅ ｔｃａ ｓｆ ｄ ｉ ｇ ｓｗｈ ｃ ｓｇ ｔｂ ｉｇ ｄ ｆｅｅ ｔｉ ａｉ ｍｂ ｒ ｏ ｏ ｅ ｉ ｅ
遥感概论第12章 遥感图像的分类 122.12 第12章 遥感图像的分类
（4）训练样区的选择原则
为了提高训练样区的有效性，需遵循以下选取原则 • 像元的数量：每个类别至少在100个以上 • 训练样区的大小：过大会造成光谱混杂，过小又不能足以
代表信息类别，需要根据研究区的地物复杂程度、影像分 辨率等情况根据实践经验判断 • 训练样区的形状：无具体要求，一般采用矩形 • 训练样区的位置：第一要求每个信息类别的训练样区尽可 能均匀分布整个影像；第二要求训练样区便于在航片或地 面查找，也就是方便地面验证
影像分类是遥感、影像分析和模式识别的重要组成部分
• 影像分类可以作为影像分析的直接目标：如土地利用分类、 农作物种类识别、湿地类型识别等，以分类影像作为成果
• 影像分类也可以作为影像分析的中间环节：如研究森林情 况，需要先提取出森林的范围；研究草地或农业情况，需 要先提取出草地和耕地的范围等
在影像分类过程中，需要用到分类器：即按照一定方法进 行影像分类的计算机程序
（3）训练数据选择的重要性
选取训练样本前，必须对研究区进行充分的了解，不仅要 分析研究区的参考资料，而且要实地调查，才能确定每个 信息类别的训练样本区
有学者认为：训练样本的不同比分类算法的不同对精度的 影响更大
• 相同的训练数据，不同分类算法得到的分类精度差别不大 • 相同的分类算法，不同的训练样本得到的分类精度差别大 研究表明，选择多个随机分布的小面积训练样区比只选少
5 其他分类方法
纹理分类 • 利用相邻像元之间的空间和光谱关系进行分类 • 实际研究也表明，利用影像纹理结构能改善分类效果 分层分类策略 • 指基于一个分类层级（分类树）而逐步分类的过程，即建
立对应类别的提取规则将各种地类逐步分离出来
模糊分类
ISODATA
ISODATA
一，在百度上的含义： ISODATA 是一种遥感图像非监督分类法。
全称‘迭代自组织数据分析技术’（Iterative Self-Organizing Data Analysis Technique ）。
ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心或已知信号集中心The ISODATA 的实质是用某种算法生成初始类别作为“种子”依据某个判别规则进行自动迭代聚类的过程。
在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。
二，迭代自组织数据分析算法：迭代自组织数据分析算法与K均值算法有相似之处，即聚类中心的位置同样是通过样本均值的迭代运算决定。
不同的是，这种算法在运算的过程中聚类中心数目不是固定不变的，而是反复进行修改，以得到较合理的类别数K，这种修改通过模式类的合并和分裂来实现，合并和分裂在一组预先选定的参数指导下进行。
ISODATA的特点是计算简单，适用于识别致密聚类。
合并主要发生在某一类声样本数较少的情况下，或者两类声样本聚类中心之间距离太小的情况。
为此，需要指定每一类中最少样本数和两类聚类中心之间的最小距离参数。
类分裂主要发生在某一类的某分量出现类内方差过大的现象时，适合将其分裂成两类，使类内方差比较合理。
为此，需要指定类内某个分量方差的参数，用以决定是否需要将某一类分裂成两类。
K均值算法实现遥感图像的非监督分类
K均值算法实现遥感图像的非监督分类
包健;厉小润
【期刊名称】《机电工程》
【年(卷),期】2008(025)003
【摘要】K均值算法在高光谱遥感影像的非监督分类中具有较强的实用性,表现出了良好的优点.首先采用了最大最小选心法确定初始类别中心,然后使用了K均值算法实现遥感影像的分类.在分类过程中采用了VC++2005作为开发平台,极大地提高了遥感影像的分类速度,同时还给出了实现K均值分类主要步骤的代码.最后在深入分析不同迭代次数下得到的不同分类图的基础上,研究了迭代次数值对最后分类结果的影响.
【总页数】4页(P77-80)
【作者】包健;厉小润
【作者单位】浙江大学,电气工程学院,浙江,杭州,310027;浙江大学,电气工程学院,浙江,杭州,310027
【正文语种】中文
【中图分类】TP751
【相关文献】
1.遥感图像优化迭代非监督分类方法在流域植被分类中的应用 [J], 李天平;刘洋;李开源
2.浅谈遥感图像监督分类与非监督分类 [J], 杨鑫
3.基于改进遗传算法遥感图像非监督分类研究 [J], 陈忠;刘建国;汪国有
4.非监督分类的k-means方法在从化市Landsat-7遥感图像的应用 [J], 陈宇达;刘艳梅;汪新庆
5.非监督分类的k-means方法在从化市Landsat-7遥感图像的应用 [J], 陈宇达;刘艳梅;汪新庆
因版权原因，仅展示原文概要，查看原文内容请购买。
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。
答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。
主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
通常使用马氏距离、欧氏距离、计程距离这三种判别函数。
主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。
可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
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。
非监督分类
（五）监督法与非监督法比较
与监督法的先学习后分类不同，非监督法是边 学习边分类，通过学习找到相同的类别，然后将该 类与其它类区分开，但是非监督法与监督法都是以 图像的灰度为基础。
谢谢聆听
（四）非监督分类的特点和优缺点
1.特点：非监督分类只是对不同类别进行划 分，并没有确定类别的属性，属性是分类后 对各类别的光谱特性或实地调查后确定。
2.优缺点 *优点： （1） 无需对分类区有较多的了解，仅需一定 的知识来解释分类出现的集群组 （2）人为误差减少，需输入的初始参数较少 （3）可形成范围很小但有独特光谱特征的集 群，所分的类别比监督分类的类别更均质 （4） 独特的覆盖量小的类别均能够被识别 *缺点： （1） 对其结果需进行大量分析及后处理，才 能得到可靠分类结果 （2）存在同物异谱及异物同谱现象，使集群 组与类别的匹配难度大 （3）不同图像间的光谱集群组无法保持其连 续性，难以对比。
（二）非监督分类的过程
1.核心问题 初始类别参数的选定，以及迭代次数的调整 问题。
2.主要过程 （1）确定最初类别数和类别中心（任意的，随 机的）； （2）计算每个像元对应的特征量与各聚类中心 的距离，取距离最短的类别做为像元所属类别， 计算新的类中心； （3）计算每一像元与新的聚类中心距离，取距 离最短的类别做为像元的所属类别，计算新的类 别中心； （4）判断迭代是否结束，若不是，继续迭代， 若是，迭代停止，分类结束。
（三）非监督分类的方法
法
* 主要采用聚类分析方法，常用的方法有 ISODATA，称为迭代自组织分析技术，和KMean
算法，称为K－均值算法。K-Mean算法的基本 思
想是通过迭代，移动各个基准类别的中心DATA是在初 始
状态给出图像粗糙分类，然后基于一定原则在
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
郭平--土地分类精度评价0727
为A类的像元总数的比
分类质量分级表[7]
分类结果叠加验证精度
先对数据进行拉伸
居民点、林地、耕地分类结果叠加对比验证
监督分类精度验证混淆
矩阵表。进行了两次选 择训练样本，用第二次
选择的训练样本作为验
证ROI来验证第一次的 分类结果。验证的综合
精度为93.23%，Kappa
系数为0.92
用第一次选择的训 练样本作为验证ROI 来验证第二次的分 类结果。验证的综 合精度为92.32%， Kappa系数为0.90.
土地利用分类与精度验证
汇报人：郭 平 2015年7月27日
1. 遥感影像分类
遥感图像通过亮度值或像元值的高低差异及空间变
化来表示不同地物的差异，这是区分不同图像地物的物
理基础。遥感图像分类通过计算机手段，利用某种算法 进行分类，获取遥感图像中与实际地物的对应信息，从
而实现遥感图像的分类，一般分类方法有监督分类与非
分析和图形识别等。
非监督分类步骤
ENVI中非监督分类方法有K-means均值算法、迭代自 组织的数据分析法（ISODATA）。 非监督分类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。
选用ISODATA方法的非监督分类结果
合并为5类后，进行分类后处理的影像
[6]DENG Sheng-lu,QI Hao-wen. A Survey of image classification methods and techniques for
improving classification performance [J].International Journal of Remote Sensing,2007,28(5):823-870. [7]刘旭拢,何春阳,潘耀忠,杨明川,张锦水. 遥感图像分类精度的点、群样本检验与评估[J].
遥感图像的分类实验报告
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。
如何进行遥感影像的分类与地物识别
如何进行遥感影像的分类与地物识别遥感影像是现代遥感技术的重要成果之一，它通过卫星、飞机等遥感平台获取的图像数据，可以为我们提供大范围、全面、准确的地貌信息。
遥感影像的分类与地物识别是一项非常重要的任务，它可以帮助我们快速准确地了解地球表面的特征，为各个领域的应用提供支持。
一、何为遥感影像的分类与地物识别遥感影像的分类与地物识别是指将遥感图像中的像素点或区域进行分类，根据地物的不同特征对其进行识别和划分。
通过这样的操作，我们可以得到不同类别地物的分布情况和空间分布特征。
遥感影像的分类可以分为监督分类和无监督分类两种方法。
监督分类是根据已经确定好的训练样本进行分类，通过机器学习方法对图像进行识别；而无监督分类则是根据图像中像素点之间的相似度进行自动分类。
这两种方法都有各自的优劣，需要根据具体需求选择合适的方法。
二、遥感影像分类与地物识别的意义遥感影像的分类与地物识别在许多领域具有重要的应用价值。
首先，在城市规划领域，可以通过遥感影像的分类与地物识别分析城市土地利用状况，为城市的合理规划提供数据支持。
其次，在环境资源管理中，可以通过对遥感影像的分类与地物识别，对农田、水域、林地等进行识别和划分，提供环境资源管理的参考信息。
再次，在灾害监测和评估中，可以通过遥感影像的分类与地物识别，快速获取受灾区域的信息，进行灾害评估和应急响应。
总之，遥感影像的分类与地物识别具有广泛的应用前景，对于各个领域的研究和决策都具有重要的参考意义。
三、遥感影像分类与地物识别的方法1. 特征提取特征提取是遥感影像分类与地物识别的关键步骤，通过提取合适的特征可以有效地区分不同地物。
常用的特征包括光谱特征、纹理特征和形状特征等。
在特征提取过程中，可以利用不同的算法和技术，如主成分分析、小波变换等，将原始图像转化为具有判别性的特征。
2. 分类算法分类算法是基于提取的特征对遥感影像进行分类与地物识别的关键环节。
常用的分类算法包括最大似然法、支持向量机、人工神经网络等。
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）。
遥感实验报告非监督分类
一、实验背景随着遥感技术的飞速发展，遥感数据在资源调查、环境监测、灾害评估等领域发挥着越来越重要的作用。
遥感图像的分类是遥感应用中的一项基础性工作，它将遥感图像中的像素根据其光谱特性划分为不同的类别，从而实现对地表地物的识别和提取。
非监督分类作为遥感图像分类的一种重要方法，因其无需预先设定分类类别，能够自动将相似像素归为一类，在遥感图像处理中具有广泛的应用。
二、实验目的1. 理解非监督分类的原理和方法；2. 掌握利用ENVI软件进行非监督分类的步骤；3. 分析不同非监督分类方法的效果，比较其优缺点；4. 将非监督分类应用于实际遥感图像处理，提取地表地物信息。
三、实验原理非监督分类，也称为聚类分析或无监督分类，是一种基于像素光谱特征自动将像素归为不同类别的分类方法。
其主要原理是：将像素按照其光谱特征相似性进行聚类，使得同一类别的像素之间的距离尽可能小，而不同类别的像素之间的距离尽可能大。
常用的非监督分类方法包括：1. K-Means聚类算法：将像素按照其光谱特征分为K个类别，使得每个类别内部的像素距离最小，不同类别之间的像素距离最大。
2. ISODATA聚类算法：在K-Means聚类算法的基础上，引入了噪声点和边界点的概念，使得聚类结果更加合理。
3. 密度聚类算法：基于像素空间分布密度进行聚类，适用于地表地物分布不均匀的情况。
四、实验步骤1. 数据准备：选择合适的遥感图像作为实验数据，并进行预处理，如辐射校正、几何校正等。
2. 选择分类方法：根据实验需求和图像特点，选择合适的非监督分类方法。
3. 参数设置：设置聚类数量、迭代次数等参数，以影响聚类结果。
4. 分类执行：利用ENVI软件进行非监督分类，生成分类结果图。
5. 分类结果分析：分析分类结果，评估分类效果，并根据需要调整参数。
五、实验结果与分析以某地区Landsat 8遥感图像为例，采用K-Means聚类算法进行非监督分类，将图像分为5个类别。
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。
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。
遥感数字图像处理_监督分类与非监督分类
2011 年遥感数字图像处理 08 次实习报告
的光谱特征分布规律，顺其自然地进行分类。基本思路来源于多变量聚类分析（clustering analysis） ，其理论依据是根据地物光谱理论，遥感影像上的同类地物在相同的表面结构特 征、植被覆盖、光照条件下，具有相同或相近的光谱特征，应归属于同一个光谱空间区 域；不同的地物，光谱信息特征不同，应归属于不同的光谱空间区域。ENVI 4.8 中的非监 督分类是基于迭代自组织数据分析（ISODATA）算法实现的。ISODATA 算法的实现步骤： ①确定控制参数： 类别数、迭代次数、各类别最小样本数、集群分裂标准、集群合并标准； ②聚类处理：按照距离判别函数进行； ③类别的取消处理：当类别成员数少于一定数目，即予取消； ④迭代次数阈值分析：判别迭代次数是否达到预先规定的数量，或者前后两次迭代 结果近似，若如此则过程结束，否则继续下面的步骤； ⑤类别的分裂处理：当类别成员数多于一定数目，即予分裂； 当类别标准差超过一定阈值，新的类均值和方差为：
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 2 种可分性度量方法（变化分离度、J-M 距离）给出可分性矩阵，判断类型 之间的可分性，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，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、利用最大似然法完成监督分类，注意各个参数的设置。 5、分类后处理：顺序采用聚类法，过滤法进行实验，将处理后的影像跟监督分类后 的影像进行对比，观察发生的变化。 6、 分类精度评价， 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。 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。
- 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)。
实验五遥感图像的非监督分类
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。
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/Value，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
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。
高反照度。