遥感图像的分类实验报告
- 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)。
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。出现ROI Tool对话框,
2)根据不同的地物光谱特征,在图像上画出包含该类地物的若干多边形区域,建立相应的感兴趣区域,输入对应的地物名称,更改感兴趣区对应的显示色彩。
由于该地区为山西省北部,地物相对单一,故分为以下几类:裸地、草地、灌木林、农田、水体、人类活动区、云层,阴影。
1.3选择分类方法进行分类
1)主菜单中,选择Classification>Supervised,在对应的选项菜单中选择分类方法,对影像进行分类。以最小距离法(Minimum Distance)为例进行说明。选择Minimum Distance选项,出现Classification Input File对话框,在该对话框中选择待分类图像。
2)在出现的Minimum Distance Parameters对话框中,select Ttems选择训练样本,
定义相关参数,选择输出路径。
点击ok完成分类,结果如图:
2.非监督分类
非监督分类方法有K-均值分类法及ISOData( 重复自组织数据分析技术),本次实验报告以K-均值分类方法为例进行说明。
1)主菜单中 , 选择 Classincation>Unsupervised>K-Means。在Classification Input File对话框中选择待分类影像文件。
2)在K-Means Parameters对话框中定义相关参数,其中,可定义参数有:分类类别数,像元变化阈值,用于分类的最多迭代次数以及可选的距离阈值。
选择结果输出位置,点击OK完成分类。
3.分类后处理
我们需要对分类后的影像进行后处理,评价其分类的精度,这里以监督分类结果为例进行说明。
3.1更改类别名称及颜色
主图像窗口,Overlay->classification,出现Select Input file对话框,选择分类结果,点击OK。
在Interactive Class TOOL对话框的option下拉菜单中选择Edit colors/names选项,在弹出的对话框中选择类别更改其名称颜色。
3.2分类结果微调包括删除或者合并小斑点。
1)将要修改的类别置于激活状态,点击Edit下拉菜单,选择Mode :polygon Add to class 将分类错误的点与周围区域点合并。
选择Mode :polygon delete from class将错误点剔除。
2)主菜单classification->Post classification->sieve classes打开sieve parameters对话框,选择训练样本,及最小剔除像素,选择输出位置,完成操作。图为采用八联通域将像素小于5的点删除。
3.3混淆矩阵精度验证
1)选取验证样本,与监督分类操作类似,选择不同的感兴趣区域,保存ROI,作为选择训练样本。
2)进行精度验证,主菜单classification->Post classification->Using Ground Truth ROI,选择分类图像。
对应分类结果和验证样本
点击ok得到精度验证结果。
3.4分类统计
主菜单classification->Post classification->class statistics,在弹出的对话框中输入分类结果,点ok下一个对话框输入原图像ok。
在弹出的select classes对话框中选择训练样本。
选择输出显示类型,点击ok得到统计结果。
3.5分类结果转换为矢量
主菜单classification->Post classification-> classification to vector,弹出对话框中选择分类结果影像。
选择训练样本及矢量文件输出位置,点击ok完成矢量化。