遥感图像分类指南.doc

实验 遥感图像分类 一、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 非监督分类（Unsupervised Classification)； 监督分类（Supervised Classification)； 分类精度评价（evaluate classification）； 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 非监督分类（Unsupervised Classification) ERDAS IMAGINE使用ISODATA算法(基于最小光谱距离公式)来进行非监督分类。聚类过程始于任意聚类平均值或一个已有分类模板的平均值聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。ISODATA实用程序不断重复，直到最大的循环次数己达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化停止。 打开非监督分类对话框 DataPrep图标/Data Preparation/Unsupervised Classification菜单项； 如下图输入相应参数后，OK完成非监督分类； 分类评价(Evaluate Classification ) 获得一个初步的分类结果以后，应用分类叠加检查分类精度。 显示原图像与分类图像 在视窗中同时显示germtm.img和germs_isodat两个图像，叠加顺序为germtm.img在下，germtm_isodat.img在上。germtm.img显示方式用红(4)、绿(5)、蓝(3)。 打开分类图像属性表并调整字段显示顺序 最后使HistogamOpacity，Color，Class_Names四个字段的显示顺序依次排在前，点击OK按钮(关闭Column Properties对话框)。 给各个类别赋相应的颜色 Rarster Attribute Editor对话框(germtm_isodata的属性表：点击一个类别的Row字段从而选择该类别，右键点击该类别的Color字段(颜色显示区)，选择一种颜色。 不透明度设置 由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度(Opacity)值设为0(透明)。而要分析的类别的透明度设为1(即不透明)，操作方法： Rarster Attribute Editor对话框(genntm_isodata的属性表)：右键点击Opacity字段的名字，打开Column Options菜单，选择Formula菜单项： 在formula对话框的formula输入框中(用鼠标点击右上数字区)输入0，点