遥感图像分类

实验六遥感图像分类
一、实习目的和要求
·了解遥感图像分类的节本原理和过程，懂得遥感图像分类的依据，了解遥感图像分类的几种常用方法；
·掌握监督分类与非监督分类的原理以及它们的区别，熟悉两种不同的分类方法的操作过程；
·熟悉遥感图像的各个波段所含有的特征，熟悉地物的光谱特征，能够根据实际的应用目的选择不同的波段组合，以使分类效果最满意得到解译的目的；
·掌握监督分类分类模板的建立方法，知道如何进行模板的评价；
·掌握分类精度评定的原理以及实验方法和操作步骤，了解什么样的分类精度才是符合要求的分类结果；
·熟练掌握分类后处理的方法，当结果不合格或需要高精度分类结果时以及非监督分类的时候都要用到分类后处理，熟练掌握分类后处理的操作步骤；
二、实验原理
·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；
·遥感图像分类的依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值作为遥感图像分类的原始特征变量；
·非监督分类运用ISODA TA（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；
三、实验内容和实验过程
本实验主要包括监督分类和非监督分类，分作两部分分别进行操作：
1.非监督分类
应用非监督分类的时候需要根据系统提供的非监督分类方法获得初始分类结果然后在通过一系列的调整分析达到图像分类。

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。

ISODA TA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比的像元类别已经不再发生变化。

具体过程如下：
（1）首先进行初始分类，在ERDAS 图标面板工具条中点击Classifier 图标→C1assification →Unsupervised Classification→unsupervised classification按钮打开unsupervised classification对话框（如下）：
（2）输入参数，主要有进行分类的文件、分类后的文件、是否输出模板文件（Output Signature Set）以及模板文件名字、类别的数目、设置迭代次数（Maximum Iterations）、循环收敛阈值（Convergence Threshold），参数设置好后执行非监督分类；
（3）运用非监督分类方法获得初始类别后，需要对初始类别运用分类叠加（Classification over1ay）方法评价分类结果、检查分类精度、确定类别专题意义和定义类别色彩已取得最终分类方案，在viewer窗口中显示原图像和初始分类图像，将两幅图像叠加显示，取消选中Raster Option 选项中的Clear display按钮，将两幅图像叠加显示；
（4）调整属性段的顺序，在视窗菜单条：Raster---Attributes弹出Raster Attribute Editor 对话框，单击Edit→Column Properties 将属性段调整为需要的属性段位于前列，改属性段的宽度，调整为如下格式：
（5）然后定义类别的颜色，在color栏中直接点击鼠标左键更改类别颜色，可以看到在viewer窗口中类别颜色改变了；
（6）确定类别的意义，将所有的类别设置成透明的这样有利于尽心类别的判定，只需将opacity下面的值设置为0 就行了，然后一次只将一个类别设置为不透明，然后在viewer 窗口中单击utility菜单→flicker/blend/swipe菜单弹出如下对话框后，拖动对话框中的按钮使图像闪烁显示，通过与底图比较判断出地物类别；
（7）然后在属性段中将颜色改为接近地物的颜色，将名称填入name属性段中，
（8）以相同的方式将其余的类别更改颜色并给出类别的名字，如果得到的类别比较满意就可以直接进行精度评定，如果不满意则可以通过分类后处理进行处理得到比较满意的类别，非监督分类一般初始类别比较多需要进行分类合并即（分类重编码），也可以通过其它的后处理方式进行处理如，聚类统计、过滤分析、去除分析等，下面进行分类重编码；
（9）分类重编码，在ERDAS图标面板中单击Interpreter图标/GIS analygis / recode命
令打开recode对话框；
（10）参数输入完毕后点击set recode 按钮将是同一类别的合并成一个类别，所有同一
类别的都合并后确定。

执行类别合并
（11）确定后执行类别合并，然后打开合并类别后的图像比较和原分类图像的差别；到此如果分类后的精度已经很好的话可以不用进行精度评定，有时为了达到理论的精度需要进行进行精度评定，ＥＲＤＡＳ也提供了评定的方法，自己可以做一下；
2. 监督分类
监督分类一般有以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform SupervisedClassification）、评价分类结果（Evaluate Classification）。

（１）定义分类模板（Define Signature Using signature Editor），首先将需要分类的图像在viewer窗口中显示出来，再在Classification图标面板中→Signature Editor项打开分类模板编辑器，弹出如下对话框：
（2）更改属性段中无用的信息，在viewer菜单下columns将无用的属性段删除，下面
通过在已经打开的viewer窗口中创建AOI区域即感兴趣的区域来创建模板，在viewer窗口中点击Raster工具面板的图标，在视窗中选择一种颜色区域，绘制一个多边形AOI，然后在Signature Editr对话框，点击图标，将多边形AOI区域加载到Signature分类模
板中，将是同一类的类别通过点击合并图标合并成一个类别；
（3）按照上面2的步骤选择其它的类别的分类模板形成如上图所示模板，然后保存分类模板File→Save→Save Signature File As文件名；
（4）评价分类模板，模板建立好后要对模板进行评价，一个精度高的模板是分类效果好的前提，模板的精度直接影响了分类的精度，下面我们选择一种放进进行评定，可能性矩阵（Contingency Matrix），
在Signature Editor对话框中选中所有类别在菜单Evaluation下选择Contingency（可能性矩阵）打开Contingency Matrix对话框输入各个参数：
然后，确定后打开一个文本框，分类误差矩形矩阵将显示在编辑器中供查看统计。

从百分比来说，如果误差矩阵值小于85%，则模板需要重新建立。

（可以选择另外一种方法进行模板评价）。

（5）模板建立好后就可以根据已有的模板进行监督分类，在ERDAS图标面板工具条：点击Classifier图标→Classification菜单→Supervised Classification菜单项，弹出Supervised Classification对话框；
（6）输入参数，需要分类的影像、分类模板、分类后影像、类别距离文件（设定阈值用）以及精度规则；参数设置好后进行监督分类；
（7）精度评定，最常用的方法是分类叠加，在viewer窗口中打开分类后的图像和原始分类影像，使其叠加显示然后通过闪烁显示比较分类的效果，方法和非监督分类的类别判定的步骤相同，下面进行理论精度指标评定。

①在Viewer中打开分类前的原始图像，以便进行精度评估，打开ERDAS图标面板菜单条：Main→Image Classification→Classification→选择AccuracyAssessment菜单项打开精度评定对话框，弹出AccuracyAssessment对话框；
首先需要说明的是：精度评估矩阵中将包含分类图像若干像元的几个参数和对应的参考像元的分类值。

这个矩阵值可以使用户对分类图像中的特定像元与作为参考的已知分类的像元进行比较，参考像元的分类值是用户自己输入的。

②在对话框中点击File→Open打开Classified Image对话框，确定打开与视窗中对应的分类专题图像，点击Select Viewer图标，将光标在显示有原始图像的视窗中点击一下原始图像视窗与精度评估视窗相连接
③在精度评价对话框中设置随机点的色彩View→Change Colors菜单项，然后在viewer 中选择add random points弹出如下对话框，设置随机点的数量，然后点击View.→Show All 显示随机点，在点击菜单Edit→Show Class Values显示随机点的分类值；
④通过在原始影像上的解译判断出随机点的类别输入后一列的栏中，既是参考类别值；然后点击Report→Accuracy Report产生分类精度报告，按照实际工作的要求看精度是否能够达到，最后保存该文本或者关闭。

（8）分类后处理，在实际中有时候需要根据工作的要求进行分类后处理，无论监督分类还是非监督分类，都是按照图像光谱特征进行聚类分析的，因此，都带有一定的盲目性。

所以，对获得的分类结果需要再进行一些处理工作，才能得到最终相对理想的分类结果，分类后处理主要有：聚类统计(Clump)、过滤分析（Sieve）、去除分析（Eliminate）、分类重码（Recode）、等，下面只介绍一种分类后处理的方法：
去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组，将删除的小图斑合并到相邻的最大的分类当中。

①ERDAS图标面板菜单条：Main→Image Interpreter→GIS Analysis→Eliminate→Eliminate对话框，如下图所示；
②在Eliminate对话框中，需要确定下列参数，分类的图像名以及去除分析后的图像名，处理的图像范围，最小图斑大小等参数，确定执行去除分析；
其它分类后处理方法类似。