实验7 遥感图像分类

实验七遥感图像分类

一、实验学时

2学时

二、实验目的

1.掌握图像动态链接显示（Dynamic Overlay）的建立和取消；

2.掌握建立ROI的方法；

3.掌握遥感图像非监督分类的原理与方法；

4.掌握遥感图像监督分类的原理与方法。

三、实验原理

非监督分类：聚类分析方法。目的是使得属于同一类别的像元之间的距离尽可能的小而不同类别像元之间的距离尽可能的大。

监督分类：选择研究区有代表性的训练场地作为样本，通过对样本特征参数的统计分析建立判别函数，据此对样本像元进行分类，依据样本类别特征来识别非样本像元的归属类别。

四、实验设备及数据

1.安装了ENVI4.0的电脑

2.遥感数据…\data7\changsha.img

五、实验内容与步骤

（一）非监督分类

1.启动ENVI4.0，打开…\data6\changsha.img并对741波段进行RGB假彩色合成。

2.在主菜单栏选择：Classification->Unsupervised->ISODATA，弹出ISODATA Parameters

窗口，设置分类器参数并记录：

类别数（Number of Classes）：最小（5 ），最大（10 ）

最大迭代次数（Maximum Iterations）：（9 ）

改变阈值（Change Threshold%）：（5）

每类最少像元数（Minimum Pixel in Class）：（1）

最大类内差（Maximum Class Stdv）：（1）

最小类间距（Minimum Class Distance）：（5）

3.进行非监督分类，并将结果保存为文件以便于比较，从而选出最佳方案。

4.图像动态链接显示的建立和取消。采用Dynamic Overlay 查看、比较分类结果。具体步

骤：同时打开分类后图像和原图像，在主影像窗口：Tools->Link->Link Displays…，弹出Link Displays（也可以直接通过在主窗口点击鼠标右键进行快捷操作）点击Ok即可。

在主影像窗口中点击鼠标对比、检查分类效果。如要取消则在Image窗口点击右键，选择Unlink Displays，或者选择Dynamic Overlay Off。

5.重复步骤2-4，直到得到理想的结果，并记录最后设置和结果：

类别数（Number of Classes）：最小（5），最大（7 ）

最大迭代次数（Maximum Iterations）：（6）

改变像元百分比（Change Threshold%）：（ 6 ）

每类最少像元数（Minimum Pixel in Class ）：（ 3 ）

最大类内差（Maximum Class Stdv ）：（ 3 ）

最小类间距（Minimum Class Distance ）：（ 6 ）

最后得到较为完美的分类图像，如图（ 1 ）。

【结论与问题】

（二）监督分类

注：拷贝保存各种分类方法所对应分类结果图像并记录参数，实验采用如下监督分类方法： Parallelepiped （平行六面体法）：Maximum Likelihood （最大似然法）：

Minimum Distance （最小距离法）：

- 加载图像

1. 关闭所有窗口及数据。

2. 打开…\data6\changsha.img 并对741波段进行RGB 假彩色合成。

3. 利用ROI 工具，选择训练区。

?

Image ?

? 新建ROI 4. 加载已有训练区

? ? ROI Tool ：? …

- 分类

分别选用如下分类器进行分类，保存分类结果：

；输

? (主菜单) Classification →Supervised → Maximum Likelihood ；选择数据；选择所有ROI ；其它采用默认设置；输入保存输出结果的文件名（cls_ml.img ）；OK

? (主菜单) Classification →Supervised →Minimum Distance ；选择数据；选择所有ROI ；其它采用默认设置；输入保存输出结果的文件名（cls_md.img ）；OK

素质拓展（下列步骤视个人情况而定）：

- 分类后处理（Post Classification ）

? 给类别赋色Assign Class Colors （参照某一类合成方案，如TM741，将分类后图像

赋予类似的颜色类别。）

? 类别统计Class Statistics （统计各类的主要参数如像元总数和所占百分比等） ? 多数和少数分析Majority/Minority Analysis

? 混淆矩阵 Confusion Matrix （进行图像比较，确定误差来源。）

? 聚合和过筛处理 Clump and Sieve （通常先对分类影像进行过筛处理，根据设定的阈

值即像元个数，移除孤立的像元，然后再进行聚合处理。目的是减少图斑个数。） ? 合并类 Combine Classes （相似的类进行合并）

? 叠加显示类 Overlay Classes （允许用户将分类影像的关键类作为彩色层叠加到一幅

灰度图或者一幅RGB 假彩色合成影像上。）

六、实习报告要求及评分标准

本实习不提交报告，但要求提交两张最终成果图（非监督分类与监督分类各一），并综合考察每位学生的实验过程，完全实现基本实验过程（素质拓展除外）的为良好，在此基础

上，分类效果好的记为优秀。能完成其中之一者为中等，缺席或不知动手操作者为不及格。

用非监督分类法对长沙遥感影像地图分类后得到的图像，如图一

图一：非监督分类后的图像

用最小距离法对长沙遥感影像地图分类后得到的图像，如图二：

图二：最小距离法分类后的图像

比较图像一和图像二可以看出，非监督分类法得到的图像具有较多的噪声点，且无法将山体的阴影和水体分开，而监督分类法能得到的图像较为清晰，图像质量好，能区分山体的阴影和水体。

表格1. 样本的可分离性（如图二）

图三：样本可分离性统计

从统计图中可以看出，除了water body1 和water body2 可分离性为1.66左右之外，其余训练区分离性指标都在1.91以上，样本整体可分离性较好，water body1 和water body2 可以考虑合并成一类。

表格2. 混淆矩阵及其精度评价（如图四）

图四：监督分类的混淆矩阵及其精度评价

从以上报表，可以看出，样本的精度为百分之百，具有较高的精度。

表格3. 各类别象元数据及百分比（如图五）

图五：最小距离法分类后影像的数据统计

遥感图像处理 分类 实验报告

Lab6 non-parametric classification and post classification 12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ. Steps: 1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water. 2、Implementing above-mentioned non-parametric algorithms to classify your image. 3、Validating your classification. 4、Refining your classification by implementing the majority filtering and modeling process if possible. 实验步骤： 1、将数据加载到envi中

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。

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

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/f012041307.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：

遥感图像地学分类实验指导

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)

高光谱遥感期末考复习材料

1、地面光谱测量的作用： ①地面光谱辐射计在成像光谱仪过顶时，常用于地面野外或实验室同步观测，获取下 行太阳辐射，以用于遥感器定标。 ②在一些反射率转换模型中，需要引入地面光谱辐射计测取得地面点光谱来完成 DN 值图像到反射率图像的转换。 ③地面光谱辐射计可以为图像识别获取目标光谱和建立特征项。但是，这时地面光谱 测量要在空间尺度上与图像像元尺度相对应，且要具有代表性；另外，地面光谱测 量要与高光谱图像获取条件相一致。 ④通过地面光谱辐射计测量数据和地面模拟，可以帮助人们了解某一地物被高光谱遥 感探测的可能性，理解其辐射特性，确定需要采用的探测波长、光谱分辨率、探测 空间分辨率、信噪比、最佳遥感探测时间等重要参数。 ⑤地面光谱辐射计还可以勇于地面地质填图。它可以用于矿物的光谱吸收特征，识别 地面矿物或矿物的集合，从而直接完成野外矿物填图。 ⑥可以用来建立地物的表面方向性光谱反射特性。 ⑦建立目标地面光谱数据与目标特性间的定量关系。 2、高光谱成像特点： ①高光谱分辨率。高光谱成像光谱仪能获得整个可见光、近红外、短波红外、热红外 波段的多而窄的连续光谱，波段多至几十甚至数百个，其分辨率可以达到纳米级， 由于分辨率高，数十、数百个光谱图像可以获得影像中每个像元的精细光谱。 ②图谱合一。高光谱遥感获取的地表图像包含了地物丰富的空间、辐射和光谱三重信 息，这些信息表现了地物空间分布的影像特征，同时也可能以其中某一像元或像元 组为目标获得他们的辐射强度以及光谱特征。 ③光谱波段多，在某一光谱段范围内连续成像。成像光谱仪连续测量相邻地物的光谱 信号，可以转化城光谱反射曲线，真实地记录了入射光被物体所反射回来的能量百 分比随波长的变化规律。不同物质间这种千差万别的光谱特征和形态也正是利用高 光谱遥感技术实现地物精细探测的应用基础。 3、高光谱遥感图像数据表达： ①图像立方体——成像光谱信息集。 ②二维光谱信息表达——光谱曲线。 ③三维光谱信息表达——光谱曲线图。（书本44页） 4、成像光谱仪的空间成像方式： （1）摆扫型成像光谱仪。摆扫型成像光谱仪由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。扫描镜对地左右平行扫描成像，即扫描的运动方向与遥感平台运动方向垂直。其优点：可以得到很大的总视场，像元配准好，不同波段任何时候都凝视同一像元；在每个光谱波段只有一个探测元件需要定标，增强了数据的稳定性；由于是进入物镜后再分光，一台仪器的光谱波段范围可以做的很宽，比如可见光一直到热红外波段。其不足之处是：由于采用光机扫描，每个像元的凝视时间相对就很短，要进一步提高光谱和空间分辨率以及信噪比比较困难。 （2）推扫型成像光谱仪。是采用一个垂直于运动方向的面阵探测器，在飞行平台向前运动中完成二维空间扫描，它的空间扫描方向是遥感平台运动方向。其优点是：像元的凝视

《遥感原理与应用》实验报告——影像分类

实验名称：影像分类 一、实验内容 1.对同一副遥感影像分别用监督和非监督两种方法进行分类，并对分类结果进行比较； 2.对同一种方法下的不同判别准则（如最小距离准则和最大似然分类）得到的分类结果进行 比较。 二、实验所用的仪器设备，包括所用到的数据 电脑一台，Window7操作系统，遥感影像处理软件（ENVI4.3）软件，一幅多波段卫星遥感影像，如图1所示。 三、实验原理 （一）监督分类 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：平行算法、最小距离法、最大似然法等。 2.最小距离分类：是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类 别向量归属于距离最小一类的一种图像分类方法。 3.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。 （二）非监督分类 1.非监督分类的原理 非监督分类也称聚类分析。是指人们事先对分类过程不施加任何的先验知识，而仅凭数据，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。 2.ISODATA分类 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。

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：

高光谱图像分类讲解学习

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统

高光谱遥感影像的光谱匹配算法研究概要

https://www.wendangku.net/doc/f012041307.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究 蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感 通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.wendangku.net/doc/f012041307.html, （1. 中国矿业大学环境与测绘学院，江苏徐州 221008； 2. 江苏煤炭地质勘探四队，南京 210046） 摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。 关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码 中图分类号：TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;

2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言 高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱 维上进行图像信息的展开和定量分析。 高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小 距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。

遥感实验：监督分类

监督分类（一） 数字图像处理 实习内容 监督分类 训练样区 图像分类 监督分类 9不同于无监督分类，监督分类由分类者严密控制。分类前需要知道分类的数据以及所需要分的类。在这个过程中，您选择像素能够代表某种类别的模式或土地覆盖类别，这些类别和模式你可以借助其他数据来源，如航空照片，地面真实数据或者地图。 9通过你定的模式，计算机系统可以自动查找具有类似特点的像素。如果分类是准确的，此分类结果代表初分类。 监督分类的基本步骤 监督分类是一个反复的过程，主要有以下步骤： 1.训练样区并创建特征 2. 评价和编辑特征 3. 图像分类 4. 评价分类结果实习内容 监督分类 训练样区 图像分类

怎样定义训练样本？ 训练样本就是选择一组像素代表一定潜在类别。在 ERDAS image 中，用户可以选择以下方法完成：?通过矢量层 ?通过的AOI ?通过特定区域具有相似光谱特征的一组连续像素 ?通过专题栅格层的某个类别，例如：无监督分类的输出结果打开germtm.img 启动AOI 工具. 单击the AOI style 按纽设置AOI前景色和背景色为可识别的颜色 尝试其他光谱颜色分配R: 4; G:5; B:3 启动Classifier /Signature Editor 应该创建多边形AOI 工具在图像上暗蓝色区域创建一AOI (可根据需要放 大图像). 在Signature Editor窗口采用Add AOI to signature按纽，添加水域样区1 水域样区1

找到另外一处水域样本，采用AOI growth tool添加单击AOI growth 按钮, 然后单击样本的中间 可以自动产生 复杂的多边 形！单击Region Growing Properties 按钮 在Region Growing Properties Dialog 调整AOI包含更多更纯的样本区，变换the Area and Spectral Distance, 然后单击Redo直到满意为止. 在signature editor窗口添加第2个水域样本区融合相似的训练样本区 融合相似的训练样本区 如果此特征被应用，输出的分类结果如何？ 选择signature “water” View…/ Image Alarm…, 在signature alarm dialog单击“OK”.

高光谱图像分类实验报告

实验报告 姓名专业：学号日期：2015 年12 月22 日 课程名称：高光谱遥感指导教师（学生填写）： 成绩：教师签名： 一、实验项目：高光谱遥感图像的分类 二、实验类型（√选）：0演示实验；1验证实验；2综合实验；3设计性实验；4创新实验 三、实验目的：利用ENVI软件实现高光谱遥感图像的分类 四、实验准备：电脑一台，ENVI Classic软件，HSI数据 五、实验简要操作步骤及结果： 1、EFFORT Folishing处理。 本次实验所用HIS数据是进行了大气校正等处理后的数据，由于数据光谱曲线呈明显的锯齿状。所以先利用EFFORT Folishing工具进行处理。 1）选择Spectral->EFFORT Folishing 2）出现“Select EFFORT Input File”对话框，选择数据，点击OK。 3）出现“EFFORT Input Parameters”窗口，进行目标的选择以及参数的设置。

处理完成后生成数据Memory1 4）将处理前后同一像元的光谱曲线进行比较

处理前光谱曲线处理后光谱曲线 可以明显看出，经过EFFORT Folishing处理后的数据，其波谱曲线比较平缓，明显的锯齿状消失。 2、Spectral Angle Mapper 光谱角填图 光谱角填图是一种监督分类技术。该算法是将图像波谱直接同参考波谱匹配的一种交互式分类方法，是一种比较图像波谱与地物波谱或波谱库中地物波谱的自动分类方法。 定义示意图

计算公式 1)选择Spectral->Mapping Methods->Spectral Angle Mapper. 2)选择Memory1数据进行处理。出现Endmember Collection:Sam窗口。 3）在#3窗口选择Overlay->Region of Interest.用Zoom视野在图像上选择感兴趣区域（明显的地物类型区域）

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。

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。

高光谱遥感影像分类算法 - SVM

高光谱遥感影像分类算法——SVM 1高光谱遥感简介 20 世纪 80 年代以来，遥感技术的最大成就之一就是高光谱遥感技术的兴起[1]。高光谱遥感技术又称成像光谱遥感技术，始于成像光谱仪的研究[2]。所谓高光谱遥感(Hyperspectral Remote Sensing)通俗地说就是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据的方法。高光谱遥感的最大特点是，在获得目标地物二维空间影像信息的同时，还可以获得高分辨率的可表征其地物物理属性的光谱信息，即人们常说的具有“图谱合一”的特性。可见，与全色、彩色和多光谱等图像数据相比，高光谱影像革命性地把地物的光谱反射信息、空间信息和地物间的几何关系结合在了一起[3]。因此，可以很客观地说，高光谱遥感是代表遥感最新成就的新型技术之一，同时也是目前国内外学者，特别是遥感领域的学者的研究热点之一[4-5]。 2高光谱遥感研究背景 在以美国为代表的成像光谱仪研制成功，并获得高光谱影像数据后，高光谱遥感影像由于其蕴含了丰富的信息（包括地物的空间位置、结构以及光谱特性等信息）使得人们对地物的识别有了显著的提高，并且在许多方面和领域（比如，农业、林业、地质勘探与调查和军事等）都体现出了潜在的巨大应用价值[6]。虽然高光谱影像数据的确为我们的提供了丰富的对地观测信息，但也正是因为高光谱庞大的数据量和高维数的问题使得我们目前对高光谱数据的处理能力显得较为低效，而这也在一定程度上制约了高光谱数据在现实生产和生活的广泛应用与推广[7-8]。因此，为了响应人们对高光谱影像数据处理方法所提出的新的迫切要求，也为了充分利用高光谱数据所包含的丰富信息以最大程度地发挥高光谱的应用价值，我们必须针对高光谱数据的独有特点，在以往遥感图像数据处理技术的基础上，进一步改善和发展高光谱遥感影像处理分析的方法与技术。 3高光谱遥感分类研究 3.1分类的意义 分类是人类了解和认识世界的不可或缺的基本手段。人类的日常生活和生产实践都离不开，也不可能离开分类活动。面对海量数据，人类需要借助计算机来对自身感兴趣的数据进行自动、高效和准确地分类。这一迫切需求已体现在各个

遥感图像处理实验报告

《遥感数字图像处理》 实习报告 学院： 班级： 学号： 姓名： 2014年5月11日

目录 1、实验目的 (2) 2、实验内容 (15) 3、实验步骤 (26) 4、实验体会 (38)

《某地区森林资源遥感动态监测》 一、实验目的 熟练掌握ENVI4.7软件中对遥感数字图像进行图像预处理、图像分类、分类后处理以及对分类后的图像进行必要的综合分析得到我们想要的信息。 二、实验内容 对00年森林资源遥感图像july_00_quac.img进行图像增强处理得到图像00I_K-L.img，然后选择合适的图像分类方法，对增强后的图像进行分类，得到分类后图像00ML1,接着对分类后图像进行分类后处理的最终的分类结果图00MMN。用同样的遥感图像处理方法得到06年森林资源遥感图像july_06_quac.img的分类结果图06MMN。最后对分类后处理的图像进行分类精度的评估，当精度符合标准时便可对分类结果图00MMN和06MMN进行波段运算B1-B2，便可以得到00年到06年该地区森林资源的一个动态变化情况图B1-B2。 三、实验步骤 （一）、对00年森林资源遥感图像july_00_quac.img进行图像增强处理。已知我们所学过的遥感图像增强处理的方式有：图像彩色增强、图像拉伸、图像变换以及图像滤波。 1、首先打开00年森林资源遥感图像july_00_quac.img，然后的遥感图像进行彩色增强。采用真彩色合成的方式来的彩色图像，这里我使用的波段合成方式有：321（真彩色）、432（标准假彩色）、以及其他假彩色合成的方式，54 2、542、741、742、572和453等，得到如下的彩色图像：