实验四——非监督分类概论.doc

实验四 遥感影像分类——非监督分类 非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。 1、K—均值分类算法 K -Means非监督分类计算数据空间上均匀分布的初始类别均值，然后用最短距离技术对像 元进行叠代， 把它们聚集到最近的类中。 每次迭代重新计算了类别均值，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， 他们就不参与分类），所有像元都被归并到与其最临近的类别中。这一过程持续到每一类的变化像元数少于所选的像元变化阈值或已经到了迭代的最多次数。 步骤：1）打开待分类的遥感影像数据——彼格哈恩.img 2）依次打开：ENVI主菜单栏—Classification—Unsupervised—K—Means即进入K均值分类数据文件选择对话框 3）选择待分类的数据文件 4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、迭代次数（Maximum Iteration）、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置。这里主要设置类别数目（Number?of?Classes）为6、迭代次数为10。其他选项按照默认设置，输出文件。 建立光谱类和地物类之间的联系：在新窗口中显示分类结果图： 然后，打开显示窗口菜单栏Tools菜单—Color Mapping—Class Color Mapping… 进入分类结果的属性设置对话框，在这里，可以进行类别的名称、显示的颜色等修改，建立光谱类和地物类之间的联系。 设置完成以后，点击菜单栏Options—Save Changes 即完成光谱类与地物类联系的确立。 6）类的合并问题：如果分出的类中，有一些需要进行合并，可按以下步骤进行：选择ENVI主菜单Classfaction—Post Classfiction—Combine Classes，进入待合并分类结果数据的选择对话框 点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。（这里将岩性2和岩性3合并） 至此，K—均值分类的方法结束。 2、ISODATA算法 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。每次迭代都将重新计算均值，并用这一新的均值对像元进行再分类。重复分类的 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，他们将不参与分类 ），所有像元都被归并到与其最临近的一 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 。 基本操作与K—均值分类相似。 进行分类数据文件的选择（依次打开：ENVI主菜单栏—Classification—Unsupervised—IsoData即进入ISODATA算法分类数据文件选择对话框，选择待分类的数据文件） 2）进行分类的相关参数的设置 点击OK键以后，进入参数设置对话框，可以进行分类的最大最小类数、迭代次数等参数的设置。（这里主要设置类别数目（Number?of?Classes）为5——10、迭代次数（Maximum Iteration）为10。其他选项按照默认设置，输出文件。） 3）如此，光谱类的划分到此结束。 4）参看K—均值分类的第5—6步，进行光谱类与地物类联系的建立以及类的合并等操作。 至此，使用ISODATA算法进行分类完成。 分类结果分析 优点： 非监督分类自动化程度更高一些，不需要分析者对研究区域有很好的了解，但仍然需要一定的知识来解释非监督分类得到的集群组，从而选择或输入更适合分类的参数；人为误差减少，因此非监督分类产生的类别比监督分类所产生的更均质；独特的、覆盖量小的类别均能够被识别。 缺点： 对“自然”的依赖性，表现在：非监督分类产生的光谱集群组并不一定对应于我们想要的类别；分类产生的类别不能让我们满意 结果提交： 1）K—均值算法分类结果（附带：光谱类与地物类关系截图）如下： 2）ISODATA算法分类结果（附带：光谱类与地物类关系截图） 更改类别颜色