实验四遥感图像的监督分类和非监督分类.doc

实验四 遥感图像的非监督分类与监督分类 一、实验目的 非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织数据分析技术（ISodata）和K均值算法（K-Means）； 分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息，统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进行分析。 对训练区中的像元进行分类； 用训练数据集估计查看监督分类后的统计参数； 用不同方法进行监督分类，如最小距离法、马氏距离法和最大似然法。 二、实验设备与材料 软件 ENVI 4.7软件 所需材料 TM数据 三、实验步骤 选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开 →在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 K-Means法进行非监督分类 Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes中输15即分为15类，Change Iterations中输6，即最大迭化量为6次，Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定保存结果后New display →Load Band，双击查看Cursor Location/Value，发现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行大量的野外调查，确定同一类码所代表的地物是什么 合并类的操作：Classification →Post classification → Combine classes →K-Means →OK；在Select Input Class中选Class 8，Select Output Class中选Class 10（即把第8类和第10类合并）→点Add combination →OK →Memory →OK；在原界面中选择保存结果→New Display →Load Band；在Load 后的Display中点击Tools →Link →Geographic link，则Display（当前）和Display #2（前一个）变为on，表示2者合并→OK，可查看变化结果。 如何得到一类中的像元量：classification →post classification →class statistics →选择分类合并后的文件→OK →再选合并后文件→OK，则出现class selection，根据需要选择几类（6,7,8,9,10）→OK，可选项全部选定后→OK，即可获取类码的统计数据 修改：在步骤2完成图上右击出来一个对话框，点击Quick Stats,出现如图： 择多滤波器（对合并后的结果）classification →post classification →Majority/Minority Analysis →选择合并后文件→OK，再选择class 10，Kernel size改成5×5 →Memory →OK，回到原界面→New display →Load Band，双击查看与原图的差异。 Isodata方法进行非监督分类 classification →unsupervised →IsoData →选择原