实验六：遥感图像监督分类与非监督分类
4.分类(监督与非监督分类)与裁剪
实验四分类（监督与非监督分类）与裁剪一、实验目的：理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的。
进一步理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的，同时深刻理解监督分类与非监督分类的区别。
学习通过ERDAS进行遥感图像规则分幅裁剪，不规则分幅裁剪的实验过程，能够对一幅大的遥感图像按照要求裁剪图像；二、实验内容：ERDAS遥感图像监督分类。
ERDAS遥感图像非监督分类。
遥感图像规则分幅裁剪，不规则分幅裁剪。
三、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段图5-1 分类模板编辑器第三步：获取分类模板信息指导学生掌握四中获取分类模板信息方法中的两种。
第四步：保存分类模板2、评价分类模板介绍报警评价、可能性矩阵、直方图三种分类模板评价方法。
要求学生重点掌握利用可能性矩阵方法评价分类模板。
3、执行监督分类在监督分类中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法。
对参数模板有最大似然法、最小距离法等。
但要注意对应用范围，如非参数模板只能应用于非参数型模板；对于参数型模板，要使用参数型规则。
另外，使用非参数型模板，还要确定叠加规则和未分类规则。
监督分类对话框2、分类过程（Classification Procedure）第一步：调出非监督分类对话框方法一：DATA PRETATION→UNSUPERVISED CLASSIFICATION.方法二：Classifier图标→classification→unsupervised classification第二步：进行监督分类调出：unsupervised classification对话框，逐项填写。
实际工作中常将分类数目取为最终分类数目的两倍；收敛域值是指两次分类结果相比保持不变的像原所占最大百分比。
第六章 遥感图像分类(三)
6.4
非监督分类
K-均值方法 均值方法
K-均值算法的聚类准则是使每一分类中，像素 均值算法的聚类准则是使每一分类中， 使每一分类中 点到该类别中心的距离的平方和最小。其基本思想是， 点到该类别中心的距离的平方和最小。其基本思想是， 通过迭代逐次移动各类的中心， 通过迭代逐次移动各类的中心，直到满足收敛条件为 止。 收敛条件：对于图像中互不相交的任意一个类， 收敛条件：对于图像中互不相交的任意一个类， 计算该类中的像素值与该类均值差的平方和。 计算该类中的像素值与该类均值差的平方和。将图像 中所有类的平方和相加，并使相加后的值达到最小。 中所有类的平方和相加，并使相加后的值达到最小。 设图像中总类数为m 各类的均值为C 设图像中总类数为m，各类的均值为C，类内的像 素数为N 像素值为f, f,那么收敛条件就是使得下式最 素数为N，像素值为f,那么收敛条件就是使得下式最 小：
6.4
非监督分类
K-均值方法 均值方法
④ 对于所有的 如果 则迭代结束，否则转到第②步继续进行。 则迭代结束，否则转到第②步继续进行。 均值算法的优点是实现简单， K-均值算法的优点是实现简单，缺点是过分 依赖初值，容易收敛于局部极值。 依赖初值，容易收敛于局部极值。该方法在迭代过 程中没有调整类数的措施， 程中没有调整类数的措施，产生的结果受所选聚类 中心的数目、初始位置、 中心的数目、初始位置、类分布的几何性质和读入 次序等因素影响较大。初始分类选择不同， 次序等因素影响较大。初始分类选择不同，最后的 分类结果可能不同。 分类结果可能不同。
6.4
非监督分类
初始类别参数的选择
初始类别参数是指：基准类别集群中心（ 初始类别参数是指：基准类别集群中心（数 是指 学期望M ），以及集群分布的协方差矩阵 以及集群分布的协方差矩阵∑ 学期望Mi），以及集群分布的协方差矩阵∑i。 无论采用何种判别函数， 无论采用何种判别函数，都要预先确定其初 始类别的参数，以下介绍几种确定的方法 介绍几种确定的方法： 始类别的参数，以下介绍几种确定的方法： 1、光谱特征比较法 首先在遥感图像中定义一个抽样集， 首先在遥感图像中定义一个抽样集，它可以 是整幅图像的所有像素， 是整幅图像的所有像素，也可以是按一定间隔抽 样的像素；然后选定抽样集中任一像素作为第一 样的像素；然后选定抽样集中任一像素作为第一 个类别（初始类别）； 个类别（初始类别）；
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，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进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，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进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
11.遥感图像监督分类
1.概述监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤，如下图所示：图1.1 监督分类步骤本课程以Landsat tm5数据Can_tmr.img为数据源，学习ENVI中的监督分类过程。
2.详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.3，打开待分类数据：can_tmr.img。
以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。
1）在Region of Interest (ROI) Tool面板上，设置以下参数：∙ROI Name：林地∙ROI Color：图2.1 Region of Interest (ROI) Tool面板上设置样本参数2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本。
实验名称
一、实验名称遥感图像的监督分类与非监督分类二、实验目的理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。
三、实验原理监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它是在分四、五、1.1.11.212）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。
由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。
1.3选择分类方法进行分类1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。
以最小距离法（Minimum Distance）为例进行说明。
选择Minimum Distance选项，出现Classification Input File 对话框，在该对话框中选择待分类图像。
2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择输出路径。
点击ok完成分类，结果如图：2.非监督分类非监督分类方法有K-均值分类法及ISOData( 重复自组织数据分析技术)，本次实验报告以K-均值分类方法为例进行说明。
1）主菜单中 , 选择 Classincation>Unsupervised>K-Means。
在Classification Input File对话框中选择待分类影像文件。
2）在3.3.1OK。
在3.21选择212，选择分类图像。
对应分类结果和验证样本点击ok得到精度验证结果。
3.4分类统计主菜单classification->Post classification->class statistics，在弹出的对话框中输入分类结果,点ok下一个对话框输入原图像ok。
遥感图像分类---监督分类
实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。
二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。
三、实验原理监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。
常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。
最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。
其前提是假定训练区地物的光谱特征近似服从正态分布。
训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。
四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。
按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。
点击Apply按钮，点击Close按钮。
从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。
(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。
在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板→点击Raster 工具面板的图标→在视窗中选择一类地物，绘制一个多边形AOI。
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
成都信息工程学院
遥感图像处理实验报告
实验6：遥感图像监督分类与非监督分类
专业： 遥感科学与技术
班级： 092班
姓名： **
学号： **********
实验名称：遥感图像监督分类与非监督分类
实验教室： 5404教室
指导老师： ***
实验日期： 2011年4月6日和4月13日
遥感数字图像处理实验报告
- 1 -
一、项目名称
遥感图像监督分类与非监督分类
二、实验目的
学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、
决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。
三、实验原理
同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同
类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的
过程，称为图像的分类。
根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可
将遥感图像分类方法划分为监督分类和非监督分类。
分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。
聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的
分类操作。
四、数据来源
1．下载网站：http://datamirror.csdb.cn/admin/dataLandsatMain.jsp
2．波段数为6个。
3．分辨率为28.50,米。
4．投影为UTM, Zone48。
五、实验过程
一、非监督分类
1. 在ERDAS IMAGINE依次点击如下图标，打开对话框，
2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，
确定循环次数和阈值。如图所示：
遥感数字图像处理实验报告
- 2 -
3.点击OK，输出图像。
4.分类评价，打开原始图像和分类后的图像，设置好分类后各类别的颜色，通过Utility
遥感数字图像处理实验报告
- 3 -
菜单下设置分类结果在原始图像背景中卷帘（Swipe）显示,判别类别分类精度。如图所示：
Raster Attribute Editor对话框
分类图像对比
二、监督分类
1.在View中打开需要分类的遥感图像。
2. 打开分类模板编辑器
遥感数字图像处理实验报告
- 4 -
打开AOI工具，选择多边形按钮，在图像窗口中选择与类别对应的
区域，绘制多边形AOI。
3.建立分类模板，在编辑器中，单击按钮，将多边形AOI区域加载到分类模板属性
表中。在同样的颜色区域多绘制一些AOI,分别加载到分类模板属性表中。在分类模板中，
可以依次单击AOI,并单击将所选的模板合成一个新的模板，定义分类类别名称并设置
好颜色。
4.重复以上的步骤，将所有的类型建立分类模板。分类有水体、植被、居民区、道路。
遥感数字图像处理实验报告
- 5 -
5.保存分类模板为jiandufenlei.sig.
6.打开
，设置Input Raster File为
dongpoqu.img，分类模板为
jiandufenlei.sig，Classfied File为jiandufenlei.sig，
点击OK，输出结果，如图所示：
三、分类后处理
1.聚类统计
（1）点击Interpreter图标，选择GIS Analysis | Clump命令，打开Clump对话框，
并设置如图参数。
遥感数字图像处理实验报告
- 6 -
（2）点击OK，输出图像如下图所示：
2.过滤分析
（1）点击Interpreter图标，选择GIS Analysis | Sieve命令，打开Sieve对话框，
并设置如图参数。
遥感数字图像处理实验报告
- 7 -
（2）点击OK，输出图像如下图所示：
3.分类重编码
（1）点击Interpreter图标，选择GIS Analysis | Recode命令，打开Recode对话框，
并设置如图参数。
遥感数字图像处理实验报告
- 8 -
（2）点击OK，输出图像如下图所示：
六、实验结果与分析
处理图像结果如上述各图所示，通过对图像进行非监督分类和监督分类，分类结果中
监督分类精度明显要高一些，可靠性也要强一些。而通过分类后结果会出现一些小图斑，无
论从专题制图角度还是实际应用的角度，都有必要对这些小图斑进行剔除，所以最后要进行
分类后处理。
七、心得、意见或建议
通过本次上机实验，掌握了监督分类和非监督分类的基本处理方法，从实践中证明了监
督分类确实要比非监督分类结果精度高一些，同样对分类后处理原理以及过程也有了进一步
的掌握和了解。