文档库 最新最全的文档下载
当前位置:文档库 › 遥感影像监督分类与非监督分类及相关代码实现

遥感影像监督分类与非监督分类及相关代码实现

遥感影像监督分类与非监督分类及相关代码实现
遥感影像监督分类与非监督分类及相关代码实现

遥感影像监督分类与非监督分类

摘要:遥感影像的分类方法按照是否有先验类别可分为监督分类和非监督分类,这两种分类方法有着本质的区别但也有存在一定的联系。本文从分类原理和分类方法等不同角度分别介绍了监督分类和非监督分类方法,并对两种方法的分类结果进行了对比和分析。

关键词:遥感;监督分类;非监督分类;ISODA TA算法;贝叶斯分类算法。

1.数据来源

本文使用的数据是华盛顿广场上空由卫星拍摄的高光谱遥感影像。该幅影像使用的传感器系统覆盖0.4到2.4m的可见光到近红外的210个波段。由于0.9-1.4米光谱对应的区域上空大气透光性很差,因此将这个区域内的波段从影像中删除,最后得到191个波段。该数据集有1208个扫描行,每行307个像元,容量近似150MB。为了清晰地反映影像中地物的特征,本文从191个波段中选择了3个波段,分别是120、140和160。下面两幅图分别是全波段影像和三波段影像:

图1全波段影像图2 三波段影像

2.遥感影像的监督分类

2.1监督分类的原理

监督分类(supervised classification)又称训练场地法,是以建立统计识别函数为理论基础,依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数以对各待分类影像进行的图像分类,是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求,则此准则成立;反之,需重新建立分类的决策规则,直至满足分类精度要求为止。常用算法有:最大释然分类法、最小距离分类法、马氏距离分类法、平行六面体分类法、K-NN分类法。本文选用最大释然分类法对遥感影像进行监督分类。

最大似然判别法. 也称为贝叶斯(Bayes) 分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法. 它建立在Bayes 准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本(像元) 属于各组(类) 的概率,将标本归属于概率最大的一组. 用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描影像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组。

2.2 最大释然分类算法的调试

#include

#include

#include

#include

#include

const float PI=3.1415;

float train1[60][3],train2[60][3],train3[60][3],train4[60][3]; //存各类训练样本

float m1[3],m2[3],m3[3],m4[3],c1[3][3],c2[3][3],c3[3][3],c4[3][3];

//各类均值向量及协方差矩阵

float p=0.25; //先验概率

float test[240][11]; //检验样本各列分别存放:分类前类别,行号,列号,一波段灰度,二波段灰度,三波段灰度,分类后类别

float a1,a2,a3,a4; //公式中常数项;

float qq,qq1,qq2,qq3,qq4; //分类精度

float k; //kappa值

int q[4][4]; //混淆矩阵

float a[4][4]; //精度指标矩阵各列分别为生产者精度漏分误差

//用户精度错分误差

int main()

{

void getdata1(char *filename);

void getdata2(char *filename);

void compute(float train[60][3],float m[3],float c[3][3],float *a);

float identify(float m[3],float c[3][3],float a,float band1,float

band2,float band3);

int classify(float p1,float p2,float p3,float p4);

void testing();

void accuracy(float p[4][4]);

void output(char *filename);

void output1(char *filename);

getdata1("05training.txt"); //存放的是训练样本三个波段的灰度值

getdata2("05testing.txt"); //检验样本行号列号类别代码三个波段的灰度值

compute(train1,m1,c1,&a1); //计算各类均值向量及协方差矩阵

compute(train2,m2,c2,&a2);

compute(train3,m3,c3,&a3);

compute(train4,m4,c4,&a4);

testing(); //对检验样本分类

accuracy(a);

output("05test-result.txt");

output1("05confusion-matrix.txt");

return 0;

}

void getdata1(char *filename)

{

ifstream infile(filename,ios::in|ios::nocreate); //把每类样本的灰度值依次存入对应的数组

if(infile==0)

{ cout<<"open infile error!"<

exit(1);

}

int i,j;

for(i=0;i<60;i++)

for(j=0;j<3;j++)

infile>>train1[i][j];

for(i=0;i<60;i++)

for(j=0;j<3;j++)

infile>>train2[i][j];

for(i=0;i<60;i++)

for(j=0;j<3;j++)

infile>>train3[i][j];

for(i=0;i<60;i++)

for(j=0;j<3;j++)

infile>>train4[i][j];

infile.close();

}

void getdata2(char *filename)

{

ifstream infile(filename,ios::in|ios::nocreate);

if(infile==0)

{

cout<<"open infile error!"<

exit(1);

}

int i,j;

for(i=0;i<240;i++) //检验样本的数量为240

for(j=0;j<6;j++) //行、列号、类别代码、三个波段灰度值

infile>>test[i][j];

infile.close();

}

void compute(float train[60][3],float m[3],float c[3][3],float *a)

{

void gauss(int f,float n[3][3]); //求n矩阵的逆阵声明

int i,j;

for(i=0;i<3;i++) m[i]=0;

for(i=0;i<3;i++)

{

for(j=0;j<60;j++)

m[i]+=train[j][i];

m[i]=m[i]/60;

}

float Train[3][60]; //转置矩阵

for(i=0;i<3;i++)

for(j=0;j<60;j++)

Train[i][j]=train[j][i];

int k;

for(i=0;i<3;i++) //求协方差

for(j=0;j<3;j++)

{ c[i][j]=0;

for(k=0;k<60;k++)

c[i][j]+=((Train[i][k]-m[i])*(train[k][j]-m[j]));

c[i][j]=c[i][j]/60;

}

*a=c[0][0]*c[1][1]*c[2][2]+c[0][1]*c[1][2]*c[2][0]+c[0][2]*c[1][0]* c[2][1]

-c[0][2]*c[1][1]*c[2][0]-c[0][0]*c[1][2]*c[2][1]-c[0][1]*c[1][0]*c[2][2];

*a=(-0.5)*log(*a)+log(p)-25*log(2*PI);

gauss(3,c);

}

float identify(float m[3],float c[3][3],float a,float band1,float band2,float band3)

{ // 计算待分样本的d(X) float x[3];

x[0]=band1; x[1]=band2; x[2]=band3;

int i,j;

for(i=0;i<3;i++)

x[i]-=m[i];

float d[3];

for(i=0;i<3;i++)

{ d[i]=0;

for(j=0;j<3;j++)

d[i]+=(x[i]*c[j][i]);

}

double q=0;

for(i=0;i<3;i++)

q+=x[i]*d[i];

q=(-0.5)*q+a;

q=exp(q);

return q;

}

int classify(float p1,float p2,float p3,float p4) //根据后验概率将像元归为指定类别

{

float p[4];

p[0]=p1; p[1]=p2; p[2]=p3; p[3]=p4;

int i,k=0;

float max=p[0];

for(i=1;i<4;i++)

if(max

{ max=p[i];

k=i;

}

k++;

return k;

}

void testing()

{

double p1,p2,p3,p4,p5,p6,p7;

float kappa(int k[4][4]);

int i,j;

for(i=0;i<240;i++)

{

p1=identify(m1,c1,a1,test[i][3],test[i][4],test[i][5]);

p2=identify(m2,c2,a2,test[i][3],test[i][4],test[i][5]);

p3=identify(m3,c3,a3,test[i][3],test[i][4],test[i][5]);

p4=identify(m4,c4,a4,test[i][3],test[i][4],test[i][5]);

p5=identify(m5,c5,a5,test[i][3],test[i][4],test[i][5]);

p6=identify(m6,c6,a6,test[i][3],test[i][4],test[i][5]);

p7=identify(m7,c7,a7,test[i][3],test[i][4],test[i][5]);

double dx=p1+p2+p3+p4+p5+p6+p7;

p1=p1/dx; p2=p2/dx;

p3=p3/dx; p4=p4/dx;

p5=p5/dx; p6=p6/dx;

p7=p7/dx;

test[i][7]=p1;

test[i][8]=p2;

test[i][9]=p3;

test[i][10]=p4;

test[i][11]=p5;

test[i][12]=p6;

test[i][113]=p7;

test[i][6]=classify(p1,p2,p3,p4,p5,p6,p7);

// cout<

}

for(i=0;i<7;i++)

for(j=0;j<7;j++)

q[i][j]=0;

for(i=0;i<60;i++) // 混淆矩阵中的各类别组合数量{

if(test[i][2]==1&&test[i][6]==1) q[0][0]++;

if(test[i][2]==1&&test[i][6]==2) q[0][1]++;

if(test[i][2]==1&&test[i][6]==3) q[0][2]++;

if(test[i][2]==1&&test[i][6]==4) q[0][3]++;

if(test[i][2]==1&&test[i][6]==4) q[0][4]++;

if(test[i][2]==1&&test[i][6]==4) q[0][5]++;

if(test[i][2]==1&&test[i][6]==4) q[0][6]++;

}

for(i=60;i<120;i++)

if(test[i][2]==2&&test[i][6]==1) q[1][0]++;

if(test[i][2]==2&&test[i][6]==2) q[1][1]++;

if(test[i][2]==2&&test[i][6]==3) q[1][2]++;

if(test[i][2]==2&&test[i][6]==4)q[1][3]++;

if(test[i][2]==2&&test[i][6]==4)q[1][4]++;

if(test[i][2]==2&&test[i][6]==4)q[1][5]++;

if(test[i][2]==2&&test[i][6]==4)q[1][6]++;

}

for(i=120;i<180;i++)

{

if(test[i][2]==3&&test[i][6]==1) q[2][0]++;

if(test[i][2]==3&&test[i][6]==2) q[2][1]++;

if(test[i][2]==3&&test[i][6]==3) q[2][2]++;

if(test[i][2]==3&&test[i][6]==4) q[2][3]++;

if(test[i][2]==3&&test[i][6]==4) q[2][4]++;

if(test[i][2]==3&&test[i][6]==4) q[2][5]++;

if(test[i][2]==3&&test[i][6]==4) q[2][6]++; }

for(i=180;i<240;i++)

if(test[i][2]==4&&test[i][6]==1) q[3][0]++;

if(test[i][2]==4&&test[i][6]==2) q[3][1]++;

if(test[i][2]==4&&test[i][6]==3) q[3][2]++;

if(test[i][2]==4&&test[i][6]==4) q[3][3]++;

if(test[i][2]==3&&test[i][6]==4) q[3][4]++;

if(test[i][2]==3&&test[i][6]==4) q[3][5]++;

if(test[i][2]==3&&test[i][6]==4) q[3][6]++; }

qq1=(float)q[0][0]/60.0;

qq2=(float)q[1][1]/60.0;

qq3=(float)q[2][2]/60.0;

qq4=(float)q[3][3]/60.0;

qq5=(float)q[4][3]/60.0;

qq6=(float)q[5][3]/60.0;

qq7=(float)q[6][3]/60.0;

qq=(qq1+qq2+qq3+qq4+ qq5+qq6+qq7)/4; qq=qq*100;

k=kappa(q);

// cout<<"1 代表'房顶' ,2 代表'街道' ,3 代表'小路' ,4 代表'草地' ,5 代表'树木',6 代表'水体',7 代表'阴影'"<

// cout<

"<

// cout<<"总分类精度:"<

// cout<<"Kappa值为: "<

}

void output(char *filename)

{ ofstream outfile(filename,ios::out);

if(outfile==0)

{ cout<<"open outfile error!"<

exit(1);

}

outfile<<"1 代表'房顶' ,2 代表'街道' ,3 代表'小路' ,4 代表'草地' ,5 代表'树木',6 代表'水体',7 代表'阴影'"<

outfile<<"正确分类百分比分别为:";

outfile<

"<

outfile<<"总分类精度:"<

outfile<<"row "<<"col "<<"before "<<"after "<<"proba1 "<<"proba2 "<<"proba3 "<<"proba4 "<

int i;

for(i=0;i<240;i++)

{

outfile<

outfile<

}

outfile.close();

}

void gauss(int f,float n[3][3])

{

int i,j,k;

float p,q,h[3];

for(k=f-1;k>=0;k--)

{ p=n[0][0];

for(i=1;i

{ q=n[i][0];

h[i]=((i>k)?q:-q)/p;

for(j=1;j<=i;j++)

n[i-1][j-1]=n[i][j]+q*h[j];

}

n[f-1][f-1]=1/p;

for(i=1;i

n[f-1][i-1]=h[i];

}

for(i=1;i

for(j=0;j

n[j][i]=n[i][j];

}

float kappa(int k[4][4])

{

int i,j;

float K;

int c[4],d[4];

int N=0, M=0, D=0;

for(i=0;i<4;i++)

{

c[i]=0;

d[i]=0;

}

for(i=0;i<4;i++)

for(j=0;j<4;j++)

{

N+=k[i][j];

if(i==j) D=D+k[i][j];

c[i]=k[i][j]+c[i];

d[j]=k[i][j]+d[j];

}

for(i=0;i<4;i++)

M=c[i]*d[i]+M;

K=float((N*D-M))/(N*N-M);

return K;

}

void accuracy(float p[4][4])

{

int a[4],b[4];

float a1[4],a2[4],b1[4],b2[4];

int i,j;

for(i=0;i<4;i++)

{

a[i]=0; b[i]=0;

a1[i]=0; b1[i]=0;

a2[i]=0; b2[i]=0;

}

for(i=0;i<4;i++)

for(j=0;j<4;j++)

{

p[i][j]=0;

a[i]+=q[i][j];

b[i]+=q[j][i];

}

for(i=0;i<4;i++)

{

a1[i]=(float)q[i][i]/a[i];

a2[i]=1-a1[i];

b1[i]=(float)q[i][i]/b[i];

b2[i]=1-b1[i];

}

for(i=0;i<4;i++)

{

p[i][0]=a1[i]*100; //生产者精度

p[i][1]=a2[i]*100; //漏分误差

p[i][2]=b1[i]*100; //用户精度

p[i][3]=b2[i]*100; //错分误差}

}

void output1(char *filename)

{

ofstream outfile(filename,ios::out);

if(outfile==0)

{ cout<<"open outfile error!"<

exit(1);

}

outfile<<" Lakes "<<"Built-up Land "<<"Forest Land "<<"Cropland "<

实验六:遥感图像监督分类与非监督分类

成都信息工程学院 遥感图像处理实验报告 实验6:遥感图像监督分类与非监督分类 专业:遥感科学与技术 班级: 092班 姓名:李翔 学号:2009043063 实验名称:遥感图像监督分类与非监督分类 实验教室: 5404教室 指导老师:刘志红 实验日期:2011年4月6日和4月13日

遥感数字图像处理实验报告 一、项目名称 遥感图像监督分类与非监督分类 二、实验目的 学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类,加深对图像分类过程和原理的理解,为图像解译打下基础。 三、实验原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之,不同类的地物之间具有这些差异。根据这些差异,将图像中的所有像素按其性质分为若干类别的过程,称为图像的分类。 根据是否需要分类人员事先提供已知类别及其训练样本,对分类器进行训练和监督,可将遥感图像分类方法划分为监督分类和非监督分类。 分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。 聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。 四、数据来源 1.下载网站:https://www.wendangku.net/doc/ff6747334.html,/admin/dataLandsatMain.jsp 2.波段数为6个。 3.分辨率为28.50,米。 4.投影为UTM, Zone48。 五、实验过程 一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标,打开对话框, 2. 设定好输出数据,设置聚类选项,确定初始聚类方法和分类数。设置预处理选项,确定循环次数和阈值。如图所示:

遥感图像分类

实验四遥感图像分类 一、背景知识 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。常规计算机图像分类主要有两种方法:非监督分类与监督分类,本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA(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)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能,但在IMAGINE Professional级产品中有一定的功能扩展,非监督分类命令分别出现在Data Preparation菜单和Classification菜单中,而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理,学会图像分类的常用方法:人工分类(目视解译)、计算机分类(监督分类、非监督分类)。能够针对不同情况,区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理,并能对分类结果进行后期处理。 三、实验内容(6课时) 1.非监督分类(Unsupervised Classification); 2.监督分类(Supervised Classification); 3.分类精度评价(evaluate classification); 4.分类后处理(Post-Classification Process); 四、实验准备 实验数据: 非监督分类文件:germtm.img 监督分类文件:tm_860516.img 监督模板文件:tm_860516.sig 五、实验步骤、方法 1、非监督分类(Unsupervised Classification)

遥感影像分类envi

遥感课程教学实验之二: 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程,学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件,从文件菜单打开多波段影像文件,从可用波段列表中装载彩色或假色 影像,显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中,设定ROI_Type 为“Polygon”(多边形),选定样本采 集的窗口类型,用Zoom(缩放窗口)进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域,在结束处击鼠标右键二次,样本区域 被红色充填,同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”,重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中,选 Classification > Supervised > Maximum Likelihood;或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中,选择输入影像文件,出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值(Set Prpbability Threshold):如不使用阈值,点击“None” 按钮。要对所有的类别使用同一个阈值,点击“Single Value”按钮,在“Probability Threshold”文本框中,输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值: ●在类别列表中,点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中,点击一个类别选中它,然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式:文件或内存,当影像较大时建设保存到文件中,以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

遥感图像几种分类方法的比较

摘要 遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别的图像的分类识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理,达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法,另一种是监督分类方法。非监督分类方法是一个聚类过程,而监督分类则是一个学习和训练的过程,需要一定的先验知识。非监督分类由十不能确定类别属性,因此直接利用的价值很小,研究应用也越来越少。而且监督分类随着新技术新方法的不断发展,分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法,虽然这些方法很大程度改善了分类效果,提高了分类精度,增加了遥感的应用能力。但是不同的方法有其不同优缺点,分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上,应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中,首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究,分别是分类样本和分类特征;然后详细介绍两种方法的分类实验;最后分别分析分类结果图,采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像,图像分类,最大似然法,决策树 题目:遥感图像几种分类方法的比较...................................... 错误!未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

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。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/V alue,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

遥感非监督分类实验报告书

遥感非监督分类实验报告书 部门: xxx 时间: xxx 整理范文,仅供参考,可下载自行编辑

遥感图像的非监督分类实验报告 姓名:李全意 专业班级:地科二班 学号:2018214310 指导教师:段艳 日期:2018年6月3日 1. 实验目的 通过本实验加强对遥感非监督分类处理理论部分的理解,熟练掌握图像非监督分类的处理方法,并将处理前后数据进行比较。 b5E2RGbCAP 2. 实验准备工作 <1)准备遥感数据<本实验使用的是老师提供的遥感数据); <2)熟悉遥感图像非监督分类的理论部分 3.实验步骤 4. 实验数据分析与结论 <1)通过分类前后图像的比较,发现非监督分类后的图像容易区分不同地物; <2)分类过程中存在较多错分漏分现象,同种类别中有多种地物; <3)非监督分类根据地物的光谱统计特性进行分类,客观真实且方法简单,而且具有一定的精度。 5. 实验收获及需要解决的问题 <1)对非监督分类处理遥感图像方法有了总体上的认识,基本上掌握该方法的具体操作步骤,会用该方法处理一些遥感图图像。 p1EanqFDPw

Unsupervised Classification, 在Unsupervised Classification对话框中,将参数设计设计如下: Number of classes:30,一般将分类数取为最终分类数的2倍以上;Maximum Iterations:18; 点击Color Scheme Options决定输出的分类图像为黑白的;Convergence Threshold:0.95。 点击OK即可。打开完成后图像与原图像对比: 原图:完成后: <2)打开原图像,在视窗中点击File/Open/Raster Layer,选择分类监督后的图像classification1.img,在Raster Options中,取消Clear Display如下:

遥感图像的监督分类与处理_赵文彪

杭州师范大学《遥感原理与应用》实验报告 题目:遥感图像的监督分类与处理实验姓名:赵文彪 学号: 2014212425 班级:地信141 学院:理学院

1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法:监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域(训练样区),然后用这些已知区域的光谱特征(包括均值、标准差、协方差矩阵和相关矩阵等)来训练分类算法,完成影像剩余部分的地面覆盖制图(将训练样区外的每个像元划分到具有最大相似性的类别中)。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类;然后,再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X,称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点,而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况: 理想情况:至少在一个子空间中可以相互区分 典型情况:任一子空间都有相互重叠,总的特征空间可以区分 一般情况:任一子空间都存在重叠现象 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。在分类乊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凼数迚行训练,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凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较,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。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图,剪切出一个地貌信息丰富的区域(因为一景遥感影像太大,分类时间较长,故而采用剪切的方法,剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多) 以下为剪切出来的遥感影像

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。

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。 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。 (2)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; (3)如下图为选好好的样本。

遥感图像分类后处理

遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果,难于达到最终的应用目的。 因此,需要对初步的分类结果进行一些处理,才能得到满足需求的分类结果,这些处理过程就通常称为分类后处理。常用分类后处理通常包括:更改分类颜色、分类统计分析、小斑点处理(类后处理)、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例,学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理(Clump) ●过滤处理(Sieve) 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中,分类后处理的工具主要位于Toolbox/Classification/Post Classification/;

三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述: ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类,分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度,还是从实际应用的角度,都有必要对这些小图斑进行剔除或重新分类,目前常用的方法有Majority/Minority分析、聚类处理(clump)和过滤处理(Sieve)。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中,定义一个变换核尺寸,主要分析(Majority Analysis)用变换核中占主要地位(像元数最多)的像元类别代替中心像元的类别。如果使用次要分析(Minority Analysis),将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程: (1)打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"; (2)打开Majority/Minority分析工具,路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis,在弹出对话框中选择"can_tmr_class.dat",点击OK; (3)在Majority/Minority Parameters面板中,点击Select All Items选中所有的类别,其他参数按照默认即可,如下图所示。然后点击Choose按钮设置输出路径,点击OK执行操作。

遥感实习遥感图像监督分类

实验五:监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类,并对分类后的数据进行处理,处理方法包括:聚合(clump)处理、筛选(sieve)处理、并类(combine)处理,以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果,或者采用每个分类法默认的分类参数,生成自己的类,然后对分类结果进行比较。我们将使用各种监督分类法,并对它们进行比较,确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州(Colorado)Canon市的Landsat TM 影像数据,其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法,其中包括了平行六面体(Parallelepiped)、最小距离法(Minimum Distance)、马氏距离法(Mahalanobis Distance)、最大似然法(Maximum Likelihood)、波谱角法(Spectral Angle Mapper)、二值编码法(Binary Encoding)以及神经网络法(Neural Net)。 三、实验过程: 1、打开TM图像,File →Open Image File,选择ljs-can_tmr.img文件,在可用波段列表中,选择RGB Color 单选按钮,然后使用鼠标左键,顺次点击波段4、波段3 和波段2。点击Load RGB 按钮,把该影像加载到一个新的显示窗口中。 2、查看光标值:

遥感上机监督分类与非监督分类

基本原理 1、监督分类:监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识,进而可利用这些样本类别的特征作为依据建立和训练分类器(亦即建立判别函数),进而完成整幅影像的类型划分,将每个像元归并到相对应的一个类别中去。也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析,据此建立影像分类判别规则,最后完成整景影像的分类。监督分类的具体步骤:

操作方法及过程 1. 选择你熟悉的研究区数据,加载到ENVI,可以是裁剪前的图像,也可以是裁剪后的图像。根据实习要求,通过目视解译预想好将要建立的地物种类,并基于此提取出各类地物(要求不少于5种),如可分为居民点、道路、河流、湖泊、在植耕地、水田……几类(或参考下表)。根据以下操作步骤确定土地的覆盖类型、编码以及色调。 居民点Town 砾石gravel desert 道路Road 水稻田paddy land 水浇地irrigated land 水库reservoir 裸地barren land 工业区industrial area 滩地shoaly land 林地forest 草地grassland 河流stream 2. 按照监督分类的步骤,在影像上找出对应各个土地利用/覆盖类型的参考图斑,利用(感兴趣的区域)ROI工具建立训练区,给出各个类别的特征统计表。 加载研究区影像,右击Image窗体,选择ROI Tool,进行ROI采集,在Zoom中选择样本区,根据地物的情况选择point、polyline、polygon方式建立训练区。请根据实际图像选择分类类型和构建ROI,并截图至此(以下以两种地物选取ROI为例,请自行补全其他):

遥感图像的分类实验报告

精心整理 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、 四、 五、 1. 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 点击 2. 1 2 3. 。 1 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。

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)。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要:遥感在中国已经取得了世界级的成果和发展,被广泛应用于国民经济发展的各个方面,如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等,形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强,需要处理的遥感信息量急剧增加。在这种情况下,如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求,正成为遥感信息处理面临的一大难题。这里涉及二个方面,一是遥感图像处理本身技术的开发,二是遥感与地理信息系统的结合,归结起来,最迫切需要解决的问题是如何提高遥感图像分类精度,这是解决大区域资源环境遥感快速调查与制图的关键。 关键词:遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段,它在近一二十年内得到了飞速发展,目前又将达到一个新的高潮。这种发展主要表现在以下4个方面: 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前,国际上已拥有十几种不同用途的地球观测卫星系统,并拥有全色0.8~5m、多光谱3.3~30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展,并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级,光谱分辨率达到纳米级,波段数已增加到数十甚至数百个,重复周期达到几天甚至十几个小时。例如,美国的商业卫星ORBVIEW可获取lm空间分辨率的图像,通过任意方向旋转可获得同轨和异轨的高分辨率立体图像;美国EOS卫星上的MOiDIS-N传感器具有35个波段;美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展,各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性,可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式,形成多级分辨率影像序列,以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展,越来越引起人们的关注。例如,美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术,在一架航天飞机上安装了两个雷达天线,对同一地区一次获取两幅图像,然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。高光谱遥感的发展,从研制第一代航空成像光谱仪算起已有二十多年的历史,并受到世界各国遥感科学家的普遍关注。但长期以来,高光谱遥感一直处在以航空为基础的研究发展阶段,且主要

遥感影像的监督分类和非监督分类

实验4:遥感影像的监督分类和非监督分类实验学时:4 实验类型:综合 实验要求:必修 一、实验目的 1、对非监督分类:先对分类过程不施加任何先验知识,凭像元的光谱特征,运用迭代自组织分析(ISODA TA)算法,把一组像素按照相似性归为若干类别。 2、对监督分类:在对遥感图像上地物类别属性已经有了先验知识的基础上,即要从图像中选取所区分的各类地物的样本,建立模板再进行自动识别。 二、实验内容 通过对遥感图像的处理和分析,掌握遥感图像处理中目标检测方法。 三、实验要求 通过练习,熟练掌握遥感图像两类分类方法、评价方法的原理及实现过程,体会在具体应用中的适应性。 四、实验条件 遥感影像(qb.img,quickbird 数据,蓝绿红3个波段)、Erdas软件 五、实验步骤 遥感图像理解中主要有两种基于统计方法的分类:监督分类和非监督分类。 我们使用Erdas软件中的进行分类实验,以下我们分别对这两种进行实验。 1)非监督分类 ①点击Unpervised Classification,弹出如下图的对话框:

图5 在对话框中输入要分类的图像和输出的文件名,在Number of Classes 中输入要分类的种类数(至少为目标分类数的两倍,我们要把原图像分为4类,所以该处的参数要大于8)。 点击OK按钮就完成了非监督分类的基本操作。 ②打开分类后的遥感图像,此时还没有对各个类进行颜色设定,如图六 所示:

图6 ③点击Viewer上的工具,弹出Raster Attribute Editor对话框,在该对话框中可以对各个类的显示颜色进行设定,并且修改各个类的类名。 对照原遥感图像,我们将分类后的影像图显示为四种颜色,如图八所示:

遥感图像的非监督分类

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。

遥感图像分类方法综述

遥感图像分类方法综述 刘佳馨 摘要:伴随着科学技术在我们的生活中不断发展,遥感技术便应运而生,而遥感图像因成为遥感技术分析中的不可缺少的依据,变得备受关注。在本文中,以遥感图像分类方法为研究中心,从传统分类方法、近代分类方法两个方面对分类方法进行了介绍,并以此为基础对分类思想及后续处理进行说明,进而展望了遥感图像分类的研究趋势和发展前景。 关键词:遥感图像;图像分类;分类方法 1 引言 遥感,作为采集地球数据及其变化信息的重要技术手段,在世界范围内的各个国家以及我国的许多部门、科研单位和公司等,例如地质、水体、植被、土壤等多个方面,得到广泛的应用,尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入,获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类,来识别图像信息中所对应的实际地物,从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器,在不与探测目标接触的情况下,从远处把目标的电磁波特性记录下来,并且通过各种方法的分析,揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息,按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能,对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类,以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多,并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分,可将遥感图像传统分类方法分为两大类,即监督分类(supervised classification)和非监督分类(Unsupervised

相关文档