实验四遥感图像的非监督与监督分类..docVIP

实验四 遥感图像的非监督与监督分类 一、实验目的: 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）； 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。 对训练区中的像元进行分类； 用训练数据集估计查看监督分类后的统计参数； 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: 软件 ENVI 4.7软件 所需材料 TM数据 三、实验步骤: 选择最优的波段组合 K-Means法进行非监督分类 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 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。 如何得到一类中的像元量：classification →post classification →class statistics →选择分类合并后的文件→OK →再选合并后文件→OK，则出现class selection，根据需要选择几类（6,7,8,9,10）→OK，可选项全部选定后→OK，即可获取类码的统计数据 Isodata方法进行非监督分类 classification →unsupervised →IsoData →选择原图→OK，Spectral subset中选3,4,7波段→OK →OK；Number of classes：min输入10，max输入15，Maximum Iterations输6，change Threshold %(1-100)改为3.00，其它不变→保存→OK。 在原界面中New display →Load Band →在classification中选择post classification →class statistics →选定保存后文件→OK →再选一次→OK，则可查看分类结果，共被分为13类，其他数据获取方法和由类码到地物类型名的转换均与K-Means方法中一致。 最小距离法 Classification →supervise →minimum distance →选择3,4,7波段→OK，Select all Items →choose选择保存位置→OK，回到原界面窗口New display →Load Band，查看分类效果 马氏距离法 classification →Mahalanobis distance →选择3,4,7波段→OK，Select all Items →保存→OK，回到原界面New display →Load Band，相比于最小距度法，查看差异，发现该方法精度高于最小距离法。 像元统计操作 Classification →post classification →c