《遥感图像分类实验报告》由会员分享，可在线阅读，更多相关《遥感图像分类实验报告（12页珍藏版）》请在金锄头文库上搜索。
1、为了适应公司新战略的发展，保障停车场安保新项目的正常、顺利开展，特制定安保从业人员的业务技能及个人素质的培训计划遥感图像分类实验报告一、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
2、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。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。四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山
3、地区，中心纬度：中心经度：。鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。五、实验过程1.监督分类打开并显示影像文件，选择合适的波段组合加载影像打开并显示TM影像文件，从ENVI主菜单中，选择FileOpenImageFile选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击LoadBand在主窗口加载影像。使用感兴趣区工具来选择训练样区1）主影像窗口菜单栏中，选择OverlayRegionofInterest。出现ROITool对话框，2）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
4、，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。选择分类方法进行分类1）主菜单中，选择ClassificationSupervised，在对应的选项菜单中选择分类方法，对影像进行分类。以最小距离法为例进行说明。选择MinimumDistance选项，出现ClassificationInputFile对话框，在该对话框中选择待分类图像。2）在出现的MinimumDistanceParameters对话框中，selectTtems选择训练样本，定义相关参数，选择输出
5、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ClassincationUnsupervisedK-Means。在ClassificationInputFile对话框中选择待分类影像文件。2）在K-MeansParameters对话框中定义相关参数，其中，可定义参数有：分类类别数，像元变化阈值，用于分类的最多迭代次数以及可选的距离阈值。面向对象分类实验报告姓名：学号：指导老师：地球科学与环境工程学院一、实验目的面向对象法模拟人类大脑认知过程，将图像分割为不同
6、均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。二、实验意义1、使用eCognition进行面向对象的影像分类的流程；2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言；三、实验内容、影像的预处理利用ERDAS软件将所给的全色影像和多光谱遥感
7、影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Imageinterperter-spatialenhancement-resolutionmerge.输入融合前的两幅影像，完成影像的预处理过程。图1图像融合步骤图2融合后的图像、使用eCongition创建工程a、使用规则集模式创建工程图3模式选择b、file-newprojection，打开CreateProject和ImportImageLayers两个对话框，将上面的实验数据导入。图4导入数据c、选择数据修改波段名称,并设置Nodata选项。图5修改波段名称d、设置波段组合为真彩色，设置如下，并保存工程。图6设置波段组合实验名称：
8、影像分类一、实验内容1.对同一副遥感影像分别用监督和非监督两种方法进行分类，并对分类结果进行比较；2.对同一种方法下的不同判别准则得到的分类结果进行比较。二、实验所用的仪器设备，包括所用到的数据电脑一台，Window7操作系统，遥感影像处理软件软件，一幅多波段卫星遥感影像，如图1所示。三、实验原理监督分类1.监督分类的原理监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足
9、分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：平行算法、最小距离法、最大似然法等。2.最小距离分类：是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类别向量归属于距离最小一类的一种图像分类方法。3.最大似然分类：假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值，所有像元都将参与分类，每一个像元被归到可能性最大的那一类里。非监督分类1.非监督分类的原理非监督分类也称聚类分析。是指人们事先对分类过程不施加任何的先验知识，而仅凭数据，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对
10、不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。2.ISODATA分类ISODATA非监督分类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迭代聚集。每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。重复分类是分割、融合和删除是基于输入的阈值参数的。除非限定了标准差和距离的阈值，所有像元都被归到与其最临近的一类里。这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。四、实验步骤及其结果分析ISODATA分类1.选择Classific
11、ationUnsupervisedIsodata.2.出现ClassificationInputFile对话框，进行标准文件选择。3.点击“OK”，显示ISODATAParameters对话框，分别在各个文本框中输入合适的参数。点击“OK”，开始进行独立数据分类。图像中每一个波段将计算统计值，屏幕上出现一条状态信息，显示操作进展过程。信息随着分类器的每一次迭代在0到100%之间循环。4.显示结果影像，如图2所示。5.改变参数设置(1)将NumberofClasses由5-10改为1-50，显示结果如图3所示。(2)将MaximumIteration由1改为10，显示结果如图4所示。(3)将Ch
12、angThreshold由改为，显示结果如图5所示。(4)将其它各个参数分别更改，结(来自:写论文网:遥感图像分类实验报告)果肉眼看不出明显区别，均如图2所示。6.通过ClassCloorMapping对话框，改变各分类颜色，如将植被改为白色，结果如图6所示。7.结果分析：(1)ISODATA分类中获知地物类别属性的方法使用默认参数值时将结果分为了8类，但是每类地物的具体属性，只利用结果影像并不容易判断出来。这是由于非精度分类时人们事先对分类过程不施加任何的先验知识，而仅凭数据，即自然聚类的特性，进行“盲目”的分类。其类别的属性是通过分类结束后目视判读或实地调查确定的。(2)ISODATAPa
13、rameters对话框各个参数的含义在ISODATAParameters对话框各个参数的含义分别是：NumberofClasses，Min、Max，MaximumIteration，ChangThreshold，MinimumPixelinClass，MaximumClassStdv，MinimumClassDistance，MaximumMergePairs等8个基本参数。?改变分类数的范围大小可以改变分类精度，例如将分类数改为1-50时，如图3所示，影像中颜色种类明显增多，经统计，分类结果有26类。?改变最大迭代数可以增加迭代次数，例如将其改为10时，影像进行了4次迭代，如图4所示，影像中
14、颜色种类有所增加，经统计后分类结果有11类。影像进行多次迭代，每次迭代重新计算均值，且用这一新均值对像元进行再分类。?改变像元变化的阈值，同样会影像迭代次数，例如，当最大迭代次数为10时，将像元变化的阈值改由5改为1，则表示当每一类像元数变化小于1时，由变化阈值来结束迭代过程，共进行了10次迭代，虽然分类总是没有增加，但是各类别的范围及颜色均有所变化。最小距离和最大似然分类1.根据图像特征，选取感兴趣区。对感兴趣区域进行编辑。2.ENVI主菜单下选择ClassificationSupervisedMinimumDistance和MaximumLikelihood分别进行最小距离和最大似然分类。
15、分类结果分别如图7、图8所示。3.结果分析(1)最小距离和最大似然分类的比较最小距离法与最大似然法的结果影像初看之下十分相近，但通过链接比较，发现仍存在细节上的差别。例如对比影像右上角植被的区分度，可以看出最大似然法的精度明显高于最小距离法。最小距离分类原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。最大似然法是建立在贝叶斯准则基础上的，其分类错误概率较小，是监督分类方法中风险最小的判决分析，是典型的和应用最广的监督分类方法。而二者相同的不足之处是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的精度较差。(2)监督分类与非监督分类的主要区别通过比较二者的分类结果，可以看出，非监督分类所分类别较多，结果影像比较杂乱，而监督分类只分成了我们需要的三类，控制起来较为容易。从效果上看，监督分类较
