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。

之后可以在相应的窗口里绘制ROI区。

如若需要建立多个ROI区，可以点击New Region按钮，如若需要删除或编辑ROI区，可以分别点击Delete和Edit按钮。

最后保存建立的ROI区。

7. 选择Classification > Supervised > 需要的分类方法，建立相应的分类，并装载观察结果。

下面以Parallelepiped (平行六面体)分类方法为例，说明其过程：
（1）选择Classification > Supervised > Parallelepiped，弹出Classification Input File对话框，选择要进行监督分类的图像文件。

（2）点击OK按钮，弹出Parallelepiped Parameters对话框，在Select Classes from Regions 栏选择ROI区。

若要选择全部感兴趣区，可以单击Select All Items按钮。

（3）输入一般的分类参数（分类参数对话框中列出的那些）。

这一对话框包含了一个额外的参数——标准差数，用于ROI平均值周围。

·在“Max stdev from Mean”文本框里，键入一个数值。

标准差的默认值3。

输出结果可以选择File或Memory；此外，可以选择是否输出Rule Images（规则图像）。

（4）点击“OK”开始分类。

注：规则图像(Rule Images)
规则图像是中间结果图像，它在分类最终完成以前，就能显示分类结果。

例如，用于最大似然分类的规则图像将是图像本身的几率；分类中每一个输入的ROI 都有一个中间图像。

最终的分类图像将有最大几率的规则结果（以像元到像元（pixel-by-pixel）为基础），作为像元值只包含最大可能的ROI数。

可能值本身只保留在规则图像中，而不在分类后的图像中。

·计算一幅随意的规则输出图像（或图像——每类一个），在“Enter Output Rule Filename”文本框里，键入一个文件名。

如果没有键入输出名，规则图像将不被保存。

分类结束，图像将出现在Available Bands List 中，可以在任何显示窗口中显示（或链接/覆盖），并可以使用ENVI 的像元位置/值功能来查询。

这些规则图像也可以以后用在Rule Classifier 函数中，不必再重新计算整个分类情况下，建立一幅新的分类图像。

学生自己练习监督分类中的最小距离法、马氏距离法、最大似然分类法
1 Minimum Distance (最小距离)
最小距离技术用到每一个终端单元的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。

所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为“无类别”）
从Classification 菜单：
1 选择Classification > Supervised > Minimum Distance.
2 出现Classification Input File 对话框时，进行标准文件选择，或任何一个子集和掩模。

※Minimum Distance Parameters 对话框
选择一个输入文件以后，出现Minimum Distance Parameters 对话框。

1 输入一般的分类参数（分类参数对话框中列出的那些）
·在“Max Stdev From Mean:”和“Max Distance Error:”文本框里，分别随意地键入要用到的标准差值（在终端单元的均值左右）和允许的最大距离误差。

如果这些参数都已输入，分类就用两者中的较小的一个判定哪些像元将参与分类。

如果没有输入任何一个参数，则所有像元都将参与分类。

2 点击“OK”开始分类。

出现一条状态信息，显示已经完成了多少操作。

如果选择，像元值等于它到分类均值的欧氏距离时，分类就会建立一幅规则图像。

符合最短距离标准的区域被添加到分类后的图像中。

2 Mahalanobis Distance (马氏距离)
马氏距离分类是一个方向灵敏的距离分类器，分类时用到了统计。

它与最大似然分类有些类似，但是假定所有类的协方差相等，所以是一种较快的方法。

所有像元都被归到最临近的ROI类，除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别）。

从Classification 菜单：
1 选择Classification > Supervised > Mahalanobis Distance.
2 出现Classification Input File对话框时，进行标准文件选择，或任何一个子集，和掩模。

Mahalanobis Distance Parameters 对话框
选择一个输入文件以后，出现Mahalanobis Distance Parameters 对话框。

1 输入一般的分类参数（分类参数对话框中列出的那些）。

·若需要，在“Max Distance Error:”文本框里，键入允许的最大距离误差。

如果输入了选择的参数，距离超过所有类的这个参数的像元将被归为“无类别”。

如果没有输入最大距离误差值，则所有像元都将参与分类。

2 点击“OK”开始分类。

出现一条状态信息，显示已经完成了多少操作。

如果选择，像元值等于它到分类均值的距离时，分类就会建立一幅规则图像。

符合最短距离标准的区域被添加到分类后的图像中。

3 Maximum Likelihood (最大似然分类)
最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。

除非选择一个可能性阈值，所有像元都将参与分类。

每一个像元被归到可能性最大的那一类里。

·从Classification菜单：
1 选择Classification > Supervised > Maximum Likelihood
2 出现Classification Input File对话框时，进行标准文件选择，或任何一个子集，和掩模。

Maximum Likelihood Parameters 对话框
选择一个输入文件以后，出现Maximum Likelihood Parameters 对话框。

1 输入一般的分类参数（分类参数对话框中列出的那些）。

·若需要，在Probability Threshold”文本框里，键入一个阈值（0~1）。

选项参数被用来控制像元准确分类的可能性。

如果像元的可能性低于所有类的阈值，则它被归为“无类别”。

2 点击“OK”开始分类。

出现一条状态信息，显示已经完成了多少操作。

规则图像的像元值（每类一幅图像）象征着与类别匹配的可能性。

最后的分类将每一个像元都归到可能性最大的类里。

非监督分类
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。

Unsupervised Classification 菜单提供了ENVI 的Isodata 和K-Means 非监督分类技术。

1 Isodata 法
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。

重复分类是分割、融合和删除是基于输入的阈值参数的。

除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。

这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。

1 选择Classification > Unsupervised > Isodata.
2 出现Classification Input File 对话框，进行标准文件选择或输入文件的子集和掩模。

3 点击“OK”，显示ISODATA Parameters 对话框。

①输入被限定的类数范围（最小值和最大值）。

用到类数范围是由于独立数据算法是基于输入的阈值进行拆分与合并的，并不遵循一个固定的类数。

②在合适文本框里，输入迭代次数的最大值和一个变化阈值（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在合适文本框里，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）。

如果一类的标准差比这一阈值大，则这一类将被拆分成两类。

⑤在合适文本框里，键入类均值之间的最小距离和合并成对的最多数。

如果类均值之间的距离小于输入的最小值，则这一类就会被合并。

被合并后的成对类的最大数由合并成对的最大值设定。

⑥随意设置类均值左右的标准差和最大允许距离误差，分别在“Maximum Stdev From Mean:”和“Maximum Distance Error:”文本框里，键入数值。

如果这些可选参数的数值都已经输入，分类就用两者中较小的一个判定将参与分类的像元。

如果两个参数都没有输入，则所有像元都将被分类。

⑦选用“File” 或“Memory”输出。

如果选用“File”输出，在标有“Enter Output File Name”的文本框里键入要输出的文件名；或用“Choose”按钮选择一个输出文件名。

⑧点击“OK”，开始进行独立数据分类。

图像中每一个波段将计算统计值，屏幕上出现一条状态信息，显示操作的进展过程。

这一信息随着分类器的每一次迭代在0 到100% 之间循环。

2 K-Means法
K-Means 非监督分类计算数据空间上均匀分布的最初类均值，然后用最短距离技术重复地把像元聚集到最近的类里。

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。

除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。

这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。

执行K-Means 非监督分类：
1 选择Classification > Unsupervised > K-Means。

2 出现Classification Input File 对话框时，进行标准文件选择或输入文件的子集和掩模。

3 点击“OK”，显示K-Means Parameters 对话框。

①在相应文本框里，键入分类数以及迭代的最多次数。

②键入一个变化阈值（0~100%），用于当每一类像元数变化小于阈值时结束迭代过程。

达到阈值或迭代达到最多次数时分类结束。

③随意设置类均值左右的标准差和最大允许距离误差（用十进制），分别在“Maximum Stdev From Mean:”和“Maximum Distance Error:”文本框里，键入数值。

如果这些可选参数的数值都已经输入，分类就用两者中较小的一个判定将参与分类的像
元。

如果两个参数都没有输入，则所有像元都将被分类。

④选用“File” 或“Memory”输出。

如果选用“File”输出，在标有“Enter Output File Name”的文本框里键入要输出的文件名；或用“Choose”按钮选择一个输出文件名。

⑤点击“OK”，开始进行K-Means 分类。

图像的每一个波段将进行计算统计，出现一条状态信息，显示操作处理进度。

这些信息在分类器每次迭代时循环显示。