遥感图象分类II( 非监督分类).doc

实验三 遥感图象分类II（非监督分类） 3.1 概述 遥感图像分类是指根据遥感图像中地物的光谱特征、空间特征、时相特征等，对地物目标进行识别的过程。图像分类总的目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或算法划分为不同的类别。最简单的分类是只利用不同波段的光谱亮度值进行单像元自动归类。另一种则不仅考虑像元的光谱亮度值，还利用像元和其周围像元之间的空间关系，如图像纹理、特征大小、形状、方向性、复杂性和结构，对像元进行分类。通过图像分类，可以得到地物类型及其空间分布信息。无论是地物信息提取，动态变换监测，还是专题地图制作和遥感图像库的建立等都离不开分类。图像分类结果是将图像空间划分为若干个子区域，每个区域代表一类地物。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。本次实验主要进行非监督分类。 3.2 实验目的 1通过本次上机实验，掌握遥感图像非监督分类的基本方法和步骤。 2加深对遥感图像分类的理解。 3熟悉ERDAS图像分类模块。 3.3 实验原理 非监督分类（unsupervised），也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入，计算机按一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。长期以来，已经发展了近百种不同的自然集群算法，如ISODATA、链状方法等。ERDAS的非监督分类是基于ISODATA算法实现的。 3.4 实验过程 第1步：启动非监督分类 在ERDAS图标面板工具条中单击Classifier图标，打开Classification菜单，单击Unsupervised Classification按钮，打开Unsupervised Classification对话框，在Unsupervised Classification对话框中进行如下设置。 图3-1 Unsupervised Classification对话框 第2步：进行非监督分类 （1）确定输入文件：germtm.img（被分类的图像）。 （2）确定输出文件：germtm_isodata.img（产生的分类图像）。 （3）选择生成分类模板文件：Output Signature Set（产生一个模板文件）。 （4）确定分类模板文件：germtm_isodata.sig。 （5）确定聚类参数：Initialize from Statistics。 （6）确定初始分类数：10（实际工作中一般将初始分类数取为最终分类数的2倍以上）。 （7）单击Initializing Options按钮，打开File Statistics Options对话框。设置ISODATA的一些统计参数：选中Diagonal Axis选项，选中Std Deviations选项并设为1。关闭File Statistics Options对话框。 （8）确定处理参数，需要确定循环次数与循环阈值：定义最大循环次数为24，设置循环收敛阈值为0.95。 （9）单击OK按钮（关闭Unsupervised Classification对话框，执行非监督分类）。 第3步：显示原图像与分类图像 （1）在ERDAS图标面板中单击Viewer图标一次，打开一个视窗（Viewer#1），在视窗工具条中单击【打开文件】图标，加载原图像germtm.img，在Rater Option选项卡中调整显示方式为Red（4）、Green（5）、Blue（3）。 图3-2 加载图像对话框 （2）继续在该窗口中加载分类后图像germtmisodata.img，注意一定要在Rater Option选项卡中取消选中Clear Display复选框，以保证两幅图像叠加显示。 图3-3 取消选中Clear Display复选框 第4步：调整属性字段显示顺序 （1）在窗口工具条中单击图标，打开Raster工具面板。单击Raster工具面板的图标，打开Raster Attribute Editor窗口。 图3-4 Raster Attribute Editor窗口 （2）在Raster Attribute Editor对话框菜单条中单击Edit|Column Properties命令，打开Column Properties对话框。 （3）在Column Properties对话框中，通过Up、Down、Top、Bottom等几个按钮调整字段顺序为Histogram、Opacity、Color、Class_Names，单击OK按钮，关闭Column Properties对话