基于envi的地物分类.ppt

基于envi的地物分类 一、非监督分类 仅凭遥感影像地物的光谱特征的分布规律，即自然聚类性，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。 1.K-均值聚类法 2.IsoData聚类算法 1.K-均值聚类法 K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。 基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。 主菜单→Classification→Unsupervised→K-Means 设置参数。如类别数、最大迭代次数 原图： K-Means分类后： 在原图窗口点Overlay→classification 合并类别： 改变颜色、名称、合并类别之后的K-Means： 获取分类信息： 在envi主菜单里，点Classification→Post Classification→Class Statistics 输出项选择 缺点:这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。 2.IsoData聚类 可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。 参数设置： 在原图窗口点Overlay→Classification→改变类别颜色、名称并合并后得到如下结果 1.植被 2.道路（？？？） 3.居民区+植被稀疏地面→居民地（？？！） 数据分析如K-均值 由上可见，非监督分类的类别界限还是比较粗糙的。而且自主调节的范围有限，于是又尝试了监督法分类。 二、监督法分类 1.打开将要分类的影像File—open image file选择相应的波段，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。 2.在待分类影像上选样本。主菜单:Basic Tool——Region of interest——ROI Tool，进行取采样点。在弹出的对话框中选Polygon. 3.按照自己的需求选完训练区后保存ROI. 4.选择好个地物的样本后在ROI对话框中Options——Compute ROI Separability 中检查把不同地物的差异情况，如大于1.8为合格,若小于可对该样本进行GO TO 修改，或Delete ROI处理。 5.在ROI Separability Calculation中双击Select All Items选择所有Roi用于分离性计算 参数值＜1.8需重新选择，＞1.9说明样本之间分离性好 6.Roitools对话框中单击saveRois保存 7.选取的训练区保存以后，进行分类。主菜单—Classification—supervised--------maximum likelihood（最大似然法） 在弹出的对话框中选待分类的图像： 用最大似然法进行监督分类，主菜单栏Classification —Supervised—Maximum Likelihood 进入选择参数的对话框。 →Select all Item →阈值Probability Threshold一般在0~1之间。 不需输出真实值。 因为还要分类后处理，储存至memory. 分类后处理 1.合并：在主菜单中Classification—post classification—Sieve Classes 2.生成混淆矩阵：主菜单中，Classification—post classification—confusion Matrix—Using Ground Truth ROIS.将所有类别都选上。 保存混淆矩阵 在分类中遇到的问题： 类别数的确定:目视判读?经验指导? 样本训练区的选择:有代表性的多训练区选取,如不同的植被区域选取. 训练样本间的可区分度指标(这一点在erdas实习中没有涉及,在实习中,七类分别为长江、汉江、湖泊、水田等，但在envi的样点选取中这些类别之间的可区分度均小于1.8，意味着这些类别之间不可区分需要进行删除或者合并，因此涉及到了类别数的确定问题和分类精度问题以及分类的精确度问题） 两类的边界线上的样点分类的不确定性 * * 确定每个类别的样区 学习或训练 确定判别函数和相应的判别规则 计算未知类别的样本观测值的函数值 按规则进行像元的所属判别 *