遥感图像解译实验报告.docVIP

PAGE 11 实验一 非监督分类 一、基本原理 非监督分类的前提是假定遥感影像上同类地物在相同的条件下具有相同的光谱特征信息。非监督分类不需要先验类别知识的情况下，仅依靠影像本身的特征进行特征提取，根据统计特征及点群的分布情况来划分地物。ERDAS 的非监督分类是基于迭代自组织数据分析（ISODATA）算法实现的，算法的流程图如图1。 结果输出确定类别中心像素聚类设定初始聚类中心开始 结果输出 确定类别中心 像素聚类 设定初始聚类中心 开始 图1 ISODATA算法流程图 ISODATA算法实现步骤： （1）按照某个原则确定一些初始聚类中心。 在实际操作时，要把初始聚类设定得大些，同时引入各种参数控制迭代的次数。 （2）像素聚类与分析。 计算像素与初始类别中心的距离，把像素分配到最近的类别中，从而获得每个初始类别的集群成员。 （3）确定类别中心。 在全部像素按照各类中心分类后，重新计算每一类新的均值，并作为下一次分类的中心，并执行上一步，循环迭代，直到达到迭代的次数。 二、分类过程 运用非监督分类对遥感图像进行分类的过程，主要分为以下两个步骤： 1、动非监督分类模块，选择输入、输出影像 （1）在ERDAS面板工具中选择Classifier-Classification-Unsupervised Classification，打开非监督分类对话框。 （2）选择图像处理文件（Input Raster File）和输出文件（Output Cluster Layer Filename）设置被分类的图像和分类结果，并选择生成分类模板文件（Output Signature Set）产生一个模板文件。 2、初始参数，执行非监督分类 在非监督分类对话框中分别设置聚类选项（Clustering Options）和处理选项（Processing Options）： （1）选择Classifier-Unsupervised Classification命令，打开非监督分类对话框，设定输入输出数据，设置聚类选项（Clustering Options），确定初始聚类方法和分类数。 （2）设置处理选项（Processing Options），确定循环次数和阈值。 三、实验结果 本次实验使用Initial from Statistics方法，分类数为6，其它参数取默认值。 遥感图像原图如图2。 图2 遥感图像原图 非监督分类结果如图3 生成的模板文件如图4 图3 非监督分类结果 图4 非监督分类模板文件 对分类图像颜色进行调整后的分类结果如图5 对应模板文件如图6 图5 调整后的非监督分类结果 图6 调整后的模板文件 三、实验结果分析 1、从图2、图3的对比，可以看出，经过非监督分类处理，水域、河流、道路、建筑区域、绿地这五大类别被分类出来的结果是很好的，但图像的亮度有些偏低。 2、从图3、图4的对比，可以得出结论，经过颜色调整后的分类结果更清晰，细节更突出，颜色的表示更符合人们的习惯。 3、非监督分类在没有经验的条件下进行，客观、实际、具体，但也面临着一些比较特殊的区域被分错误的问题。 实验二 监督分类 一、基本原理 不同于非监督分类，监督分类基于先验知识，根据训练场提供的样本选择特征参数，建立判别函数，对待分类点进行分类。训练场地的选择是监督分类的关键，在监督分类中由于训练样本的不同，分类结果会出现极大的差异，因此应选取有代表性的样本，用于监督分类的训练样本应该是光谱特征比较均一的地区，在图像中根据均一的色调估计只有一类地物，且一类地物的训练样本可以选取一块以上。此外，用做样本的数目至少能满足建立分类用判别函数的要求，对于光谱特征变化比较大的地物，训练样本要足够得多，以反映其变化范围。一般情况下，要得到可靠的结果，每类至少选择10—100个训练样本。 监督分类的判别规则可以分为无变量和有变量两种。其中，无变量包括特征空间、平等六面体，有变量包括最大似然、最小距离和马氏距离。当然，非参数规则与参数规则可以同时使用，但要注意应用范围。另外，如果使用非参数型模板，还要确定叠加规则和未分类规则。 二、实验过程 1、定义分类模板 定义分类模板操作包括分类模板的生成、管理、评价和编辑等，功能主要由分类模板编辑器（Signature Editor）完成，具体步骤包括： （1）需要分类的影像 点击ERDAS-Viewer面板，打开需要进行分类的图像。 （2）分类模板编辑器 选择Classifier图标-Classification-Signature Editor命令，打开分类模板编辑器（Signature Editor）对话框。 （3）属性字段 在分类编辑器窗口中的分类属性表中有很多字段，可以对不需要的字段进行调整。选择分类编辑窗口的View