遥感变化监测实习报告.docVIP

变化监测实习报告 实习名称 变化监测 实习课程 遥感图像处理 姓名 班级 实习时间 学号 得分 实习原理：非监督分类运用1SODATA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。 实习数据： 遥感影像： LS5_TM_____FASTB_L2 LS5_TM_____FASTB_L2 简析：影像为江西省鄱阳湖地区，在影像生成时间内。时值夏/冬季，但江西地区植被多常绿。 实习内容：就所下载遥感影像，采用非监督分类的方法，对影像中所放映的信息进行分类。 实习目的：掌握非监督分类的方法与过程，加深对非监督分类方法的理解。 实习步骤： 第一步：调出非监督分类对话框 在 ERDAS 图标面板工具条中点击 Classifier 图标 →C1assification →Unsupervised Classification → Unsupervised classification。对话框如下： 第二步：进行非监督分类 在Unsupervised classification对话框输入数据（如上图右所示）。 确定输出文件（Input Raster File）:caijianhou_40.img（要被分类的图像） →确定输出文件（Output File）:非监督分类_caijianhou 4001.img即将产生的分类图像） →选择生成分类摸板文件:非监督分类_caijianhou_4001.sig（将产生一个模板文件） →确定分类摸板文件（Filename ）：非监督分类_caijianhou_4001.sig →对Clustering options选择Initialize fr om Statistics单选框 Initialize f rom Statistics指由图像文件整体（或其AOI区域）的统计值产主自由聚类，分出类别的多少由自己决定。Use Signature Means 是基于选定的模板文件进行非监督分类，类别的数目由模板文件决定。 →确定初始分类数（Number of classes）： 35分出35个类别 一般设定为最终所分类别的4—6倍 →定义最大循环次数（Maximum Iterations）： 24 最大循环次数（Maximum Iterations）是指ISODATA重新聚类的最多次数，这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。一般在应用中将循环次数都取6次以上。 →设置循环收敛阈值（Convergence Threshold）：0.95 收敛阈值（Convergence Threshold）是指两次分类结果相比保持不变的像元所占最大百分之此值的设立可以避免ISODATA无限循环下去。 →点击OK按钮（关闭Unsupervised Classification对话框，执行非监督分类，获得一个初步的分类结果） 初步分类后，结果如下图： 第三部 分类评价： 1，在视窗中同时显示 caijianhou_40.img（下）和 非监督分类_caijianhou 4001.img（上）。caijianhou_40.img 显示方式用红5、绿4蓝2。 2，打开分类图像属性并调整字段显示顺序。选择Raster菜单项，Rster---Attributes， 打开Raster Attribute Editor对话框（非监督分类_caijianhou 4001.img的属性表），并调整字段显示顺序： Raster Attribute Editor 对话框菜单条：Edit→ Column Properties →column properties对话框 如下图所示： 在Columns中选择要调整显示顺序的字段，通过Up、 Down、Top、Bottom等几个按钮调整其合适的位置，通过选择Display Width调整其显示宽度，通过Alignment调整其对齐方式。如果选择Editable复选框，则可以在Title中修改各个字段的名字及其它内容。 3，给各个类别赋相应的颜色 Raster Attribute Edi tor对话框，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），打开As Is菜单并选择一种颜色。重复以上步骤直到给所有类别赋予合适的颜色 。操作后结果如