实验6 遥感图像分类(2)
遥感图像的分类课件
理等空间信息。
区域生长法
从种子点开始，根据像素之间的 相似性（如灰度值、纹理等）进 行区域扩展，直到无法再扩展为 止。然后对每个区域进行特征提
取和分类。
随机森林
随机森林是一种集成学习算法， 通过构建多个决策树并结合它们 的预测结果来进行分类。这种方 法能够处理高维特征，并在一定
支持向量机（SVM） SVM是一种二分类模型，通过寻找最优超平面来对像素进 行分类。对于多类别分类问题，可以通过构建多个二分类 器来解决。
K最近邻（KNN） KNN算法根据像素周围K个最近邻的类别来决定该像素的 类别。这种方法考虑了空间上下文信息，通常能够取得较 好的分类效果。
基于对象的分类算法
分水岭算法
遥感图像分类的基本流程
• 流程概述：遥感图像分类的基本流程包括数据预处理、特征提取、分类器设计和分类结果评价四个主要步骤。其中，数据 预处理是对原始遥感图像进行预处理操作，如去噪、增强等，以改善图像质量和提高分类精度；特征提取是从预处理后的 图像中提取出有效的光谱、空间、纹理等特征，为后续分类器设计提供输入；分类器设计是根据提取的特征，选择合适的 算法设计分类器，实现对图像的自动分类；分类结果评价是对分类结果进行评估和分析，以验证分类方法的有效性和可行性。
城市用地分 类
遥感图像分类可用于城市用地类型的 识别与划分，为城市规划提供基础数 据。
城市扩展与变化监测
利用遥感图像分类技术对城市扩展和 变化进行监测，为城市规划和管理提 供科学依据。
遥感图像分类的研究前沿与挑战
深度学习技术应用
将深度学习技术应用于遥感图像分类， 提高分类精度和自动化程度。
遥感图像实验报告
遥感图像实验报告一．实验目的1、初步了解目前主流的遥感图象处理软件ERDAS的主要功能模块。
2、掌握Landsat ETM遥感影像数据，数据获取手段.掌握遥感分类的方法，土地利用变化的分析，植被变化分析，以及利用遥感软件建模的方法。
3、加深对遥感理论知识理解，掌握遥感处理技术平台和方法。
二．实验内容1、遥感图像的分类2、土地利用变化分析，植被变化分析3、遥感空间建模技术三．实验部分1.遥感图像的分类（1）类别定义：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；（2）特征判别：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；（3）样本选择：为了建立分类函数，需要对每一类别选取一定数目的样本；（4）分类器选择：根据分类的复杂度、精度需求等确定哪一种分类器；（5）影像分类：利用选择的分类器对影像数据进行分类，有的时候还需要进行分类后处理；分类图如下：图1.1 1992年土地利用图图1.2 2001年土地利用图（6）结果验证：对分类结果进行评价，确定分类的精度和可靠性。
图1.3 1992年精度图图1.4 2002年精度图2.土地利用变化2．1 两年土地利用相重合区域（1）在两年的遥感影像中选择相同的区域。
Subset(x:568121~684371,y:3427359~3288369)，过程如下：图2.1 截图过程图图2.2.2 截图过程图（2）土地利用专题地图如下：图2.2.3 1992年专题地图图2.2.4 2001年土地利用图2.2 土地利用变化表2.2.1 土地利用变化表表2.2.2 土地利用变化柱形图(1)用矩阵方法对年份不同的土地利用图做变化分析，得出一幅可以体现变化的成果图。
图2.2.1 土地变化分析过程图图2.2.2 土地变化分析过程图（2）土地利用结果图:图2.2.3 土地利用变化图(3)根据图像进行土地利用变化分析利用ARCGIS分析模块，对土地利用类型动态监测结果为基础,对1992年和2002年土地利用情况进行分析，结果表明:（1）根据上图所示，该区域耕地面积在不断减少,可能的原因是此地区经济状况不断发展，人口增多，建筑用地，商业用地增多，造成了耕地面积的减少；（2）湖泊面积减少，而湖泊变成了田地，可分析得，此地区围湖造田的现象依然存在;（3）城镇面积不断增加；原因是城镇化发展迅速，人口涌入城市，使得地区城镇增加，从一定程度上反映出此地区经济不断发展；（4）土地利用变化的区域性差异不明显。
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.Steps:1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.2、Implementing above-mentioned non-parametric algorithms to classify your image.3、Validating your classification.4、Refining your classification by implementing the majority filtering and modeling process if possible.实验步骤：1、将数据加载到envi中building、water、grass）保存ROI3、BP分类。
Classification——supervised——neural net，设置参数及输出路径观察RMS动态加载变换后的图像，和原图像进行对比Classification——post classification——confusion matrix——using ground truth ROIs由上图可以看出精确度为99.8%Bp分类的校正Classification——post classification——majority analysts ，进行网格设置通过对这两个图层地理连接，查看校正的效果4、svm分类方法：classification——supervised——support vector machineSvm分类效果的验证Classification——post classification——confusion matrix——using ground truth ROIsSvm分类的校正Classification——post classification——majority analysts ，进行网格设置将生成的图像与svm图像进行地理连接，查看校正效果Basic tools——sunset data via ROIs5、erdas里建模修改误分的像元以support vector machine分类的图像为例将切好的图像和之前的svm图像加载进来，并修改他们的投影信息为基于WGS84的UTM 投影。
遥感图像分类.
实验六遥感图像分类一、实习目的和要求·了解遥感图像分类的节本原理和过程，懂得遥感图像分类的依据，了解遥感图像分类的几种常用方法；·掌握监督分类与非监督分类的原理以及它们的区别，熟悉两种不同的分类方法的操作过程；·熟悉遥感图像的各个波段所含有的特征，熟悉地物的光谱特征，能够根据实际的应用目的选择不同的波段组合，以使分类效果最满意得到解译的目的；·掌握监督分类分类模板的建立方法，知道如何进行模板的评价；·掌握分类精度评定的原理以及实验方法和操作步骤，了解什么样的分类精度才是符合要求的分类结果；·熟练掌握分类后处理的方法，当结果不合格或需要高精度分类结果时以及非监督分类的时候都要用到分类后处理，熟练掌握分类后处理的操作步骤；二、实验原理·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。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法；·遥感图像分类的依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值作为遥感图像分类的原始特征变量；·非监督分类运用ISODA TA（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求用户来控制，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。
任务六 遥感图像分类
图像分类1. 监督分类 (1)1.1 定义训练样本 (1)1.2 执行监督分类 (3)1.3 评价分类结果 (4)2. 非监督分类（Unsupervised Classification） (5)2.1 执行非监督分类 (5)2.2 类别定义与子类合并 (6)3. 分类后处理 (7)3.1 Majority/Minority分析 (7)3.2 聚类处理（Clump） (8)3.3 过滤处理（Sieve） (8)4. 分类结果评价——混淆矩阵 (9)遥感图像通过亮度值的高低差异及空间变化来表示不同地物的差异。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别。
一般的分类方法可以分为两种：监督分类与非监督分类。
1. 监督分类监督分类总体上可以分为四个过程：定义训练样本、执行监督分类、评价分类结果和分类后处理。
实验数据：can_tmr.img1.1 定义训练样本ENVI中是利用ROI Tool（感兴趣区）来定义训练样本的，因此，定义训练样本的过程就是创建感兴趣区的过程。
第一步打开分类图像并分析图像训练样本的定义主要靠目视解译。
（1）打开TM图像，以543（模拟真彩色）或者432（标准假彩色）合成RGB显示在Display中。
（2）通过分析图像，确定类别数与类别名称。
例如，定义6类地物样本为林地、耕地、裸地、人造地物、水体和阴影。
第二步应用ROI Tool创建感兴趣区从RGB彩色图像上获取ROI（1）在主图像窗口中，选择Overlay→Region of Interest，打开ROI Tool对话框。
感兴趣区工具窗口的打开方式还有：Basic Tools →Region Of Interest→ROI tool，或者直接在图像窗口上点击鼠标右键，再选择ROI Tool。
（2）在ROI Tool对话框中，可以进行样本编辑（名称、颜色、填充方式等）。
《遥感图像分类》PPT课件
9.5 非监督分类
4-3-2原始图像 分类结果(10类)
结果合并(5类)
精选ppt
最终结果
16
9.5 非监督分类
3、监督分类与非监督分类方法比较
➢ 根本区别在于是否利用训练场地来获取先验的类别知识。 ➢ 监督分类的关键是选择训练场地。训练场地要有代表性，
样本数目要能够满足分类要求。此为监督分类的不足之 处。 ➢ 非监督分类不需要更多的先验知识，据地物的光谱统计 特性进行分类，分类方法简单。当两地物类型对应的光 谱特征差异很小时，分类效果不如监督分类效果好。
精选ppt
2
9.1 概述
• 9.1.1 基本原理
同类地物在相同的条件下(光照、地形等)应该具有相同或 相似的光谱信息和空间信息特征。不同类的地物之间具 有差异根据这种差异，将图像中的所有像素按其性质分 为若干个类别(Class)的过程，称为图像的分类。
精选ppt
3
9.1 概述
• 9.1.2 分类方法
精选ppt
4
9.2 相似性度量
遥感图像计算机分类的依据是遥感图像像素的相似度。 常使用距离来衡量相似度。
距离是常用的相似性度量的概念。分类是确定像素距 离哪个点群中心较近，或落入哪个点群范围可能性大的问 题。像素与点群的距离越近，那么，属于该点群的可能性 越高。
精选ppt
5
9.3 工作流程
1.确定工作范围 2.多源图像的几何配准 3.噪声处理 4.辐射校正 5.几何精纠正 6.多图像融合
图像的预处理
自动识别分类
图像的预处理
定义分类模板 评价分类模板
监督分类法
非监督分类法
初始分类 专题判断
执行监督分类
分类后重编码
遥感图像分类
删除 ROI：点击 ROI Tool 窗口中的按钮 Delete ROI。 建立新的 ROI 点击“New Region”，建立新类别的 ROI。 重复上述三个步骤，建立各个类别的 ROI。 保存 ROI ROI Tool 窗口菜单 File-Save ROI… 复用保存的 ROI ROI Tool 窗口菜单 File-Restore ROI…
102
本实验对比平行管道法和最大似然法的分类结果。 数据：njWork 初始窗口：#1，(5,4,3)假彩色显示。 处理流程：
构建地物类别的 ROI 选择监督分类方法，进行分类。 （1）构建 ROI ROI 是兴趣区域，也就是监督分类中的标准地物区域。ROI 必须具有代表性，并覆盖 一定的面积。 在 ENVI 中，一个 ROI 由一个或多个多边形、点、线构成。 以类别“江水”为例，ROI 的设定操作如下。 设置 ROI 基本参数 在#1 窗口，点击“Tools”-“Region of Interest”-“ROI tool”，显示 ROI 工具窗口（图 6）。设置如下：
1.IsoData 非监督分类
非监督分类包括两种方法。本实验使 用 IsoData（自组织分类）方法。
（1）显示图像 打开图像，使用（5,4,3）假合成显示 在#1 窗口中。 （2）确定分类基本参数 按照上述菜单点击 IsoData（图 2），选 择图像文件后，弹出如下的窗口。 输出结果保存为 njWork iso0，其它参 数不变。确定。
109
图 16 对江水类进行 Clump 处理
处理前
处理后
图 17 江水，湖水，河水依次 Clump
问题：
一次性的处理江水，河水，湖水，使用 3*3 窗口，结果与上面有什么区别？
遥感图像专题分类PPT课件( 46页)
•
16、人生在世：可以缺钱，但不能缺德;可以失言，但不能失信;可以倒下，但不能跪下;可以求名，但不能盗名;可以低落，但不能堕落;可以放松，但不能放纵;可以虚荣，
但不能虚伪;可以平凡，但不能平庸;可以浪漫，但不能浪荡;可以生气，但不能生事。
•
17、人生没有笔直路，当你感到迷茫、失落时，找几部这种充满正能量的电影，坐下来静静欣赏，去发现生命中真正重要的东西。
2. 后处理—majority/minority analysis
minority analysis example:
•
1、不是井里没有水，而是你挖的不够深。不是成功来得慢，而是你努力的不够多。
•
2、孤单一人的时间使自己变得优秀，给来的人一个惊喜，也给自己一个好的交代。
•
3、命运给你一个比别人低的起点是想告诉你，让你用你的一生去奋斗出一个绝地反击的故事，所以有什么理由不努力!
第三节 监督分类
3. 平行六面体法
TM4
TM1
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价
2. 后处理
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价
① 混淆矩阵
② 总体精度，生产者精度，用户精度
③ Kappa系数
第五章 遥感分类中的不确定性 和尺度问题
总体精度：
n
•
18、在人生的舞台上，当有人愿意在台下陪你度过无数个没有未来的夜时，你就更想展现精彩绝伦的自己。但愿每个被努力支撑的灵魂能吸引更多的人同行。
第二节 非监督分类
2. Isodata 法
⑦ 计算每个类别中标准差，如果某个类别标准差大于指定参 数S，则将该类别拆分为两类，产生两个类别中心。
遥感影像分类envi
遥感课程教学实验之二：遥感影像分类实验二遥感影像的分类遥感影像的监督分类•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，学会利用遥感图像处理软ENVI件对遥感图像进行分类的方法。
•实验内容1、遥感图像分类原理。
2、遥感图像监督分类。
3、最大似然法分类•实验条件电脑、ENVI4.5软件。
厦门市TM遥感影像。
•实验步骤1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。
2、从主图像窗口的工具Tools →Region of Interest →ROI Tools;3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采集的窗口类型，用Zoom（缩放窗口）进行采集。
4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域被红色充填，同时ROI Tools窗口中显示采集样本的信息。
采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。
5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。
6、在出现Classification Input File 对话框中，选择输入影像文件，出现 MaximumLikelihood Parameters 对话框。
7、输入常规的分类参数。
设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None”按钮。
要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。
遥感图像分类
实验四遥感图像分类一、背景知识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。
- 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)。
• 前面两种分类方法是直接利用原始的各波段 数据进行分类的。能否利用所学的图像处理 增强的方法，对各原始波段进行处理，生成 特征波段，然后再进行分类？参考相关资料， 设计出一种遥感影像分类方法，对影像 fz.img进行分类（具体类别数自行设计）。
遥感导论
本次实验上交所设计的福州监督分类的成果： 1、图像、数据 所设计方法的分类模板文件 (.sig文件) 所设计方法的分类结果图像、分类精度报告 2、实验报告，实验报告中要体现你所设计方法的原理 与步骤，说明实验的结果与精度分析 注：其Байду номын сангаас中间所生成文件，如果需要保存请自带u 盘，不能存在机子中。