遥感图像解译实验报告.pdf

实验一非监督分类

一、基本原理

非监督分类的前提是假定遥感影像上同类地物在相同的条件下具有相同的光谱特征

信息。非监督分类不需要先验类别知识的情况下，仅依靠影像本身的特征进行特征提取，

根据统计特征及点群的分布情况来划分地物。ERDAS的非监督分类是基于迭代自组织数据

分析（ISODATA）算法实现的，算法的流程图如图1。

开始设定初始聚类中心像素聚类确定类别中心结果输出

图1ISODATA算法流程图

ISODATA算法实现步骤：

（1）按照某个原则确定一些初始聚类中心。

在实际操作时，要把初始聚类设定得大些，同时引入各种参数控制迭代的次数。

（2）像素聚类与分析。

计算像素与初始类别中心的距离，把像素分配到最近的类别中，从而获得每个初始类别的

集群成员。

（3）确定类别中心。

在全部像素按照各类中心分类后，重新计算每一类新的均值，并作为下一次分类的中心，

并执行上一步，循环迭代，直到达到迭代的次数。

二、分类过程

运用非监督分类对遥感图像进行分类的过程，主要分为以下两个步骤：

1、动非监督分类模块，选择输入、输出影像

（1）在ERDAS面板工具中选择Classifier-Classification-Unsupervised

Classification，打开非监督分类对话框。

（2）选择图像处理文件（InputRasterFile）和输出文件（OutputClusterLayer

Filename）设置被分类的图像和分类结果，并选择生成分类模板文件（OutputSignature

Set）产生一个模板文件。

2、初始参数，执行非监督分类

在非监督分类对话框中分别设置聚类选项（ClusteringOptions）和处理选项（Processing

Options）：

（1）选择Classifier-UnsupervisedClassification命令，打开非监督分类对话框，

设定输入输出数据，设置聚类选项（ClusteringOptions），确定初始聚类方法和分类数。

（2）设置处理选项（ProcessingOptions），确定循环次数和阈值。

三、实验结果

本次实验使用InitialfromStatistics方法，分类数为6，其它参数取默认值。

遥感图像原图如图2。

1

图2遥感图像原图

非监督分类结果如图3

生成的模板文件如图4

图3非监督分类结果

图4非监督分类模板文件

2

对分类图像颜色进行调整后的分类结果如图5

对应模板文件如图6

图5调整后的非监督分类结果

图6调整后的模板文件

三、实验结果分析

1、从图2、图3的对比，可以看出，经过非监督分类处理，水域、河流、道路、建筑区

域、绿地这五大类别被分类出来的结果是很好的，但图像的亮度有些偏低。

2、从图3、图4的对比，可以得出结论，经过颜色调整后的分类结果更清晰，细节更突

出，颜色的表示更符合人们的习惯。

3、非监督分类在没有经验的条件下进行，客观、实际、具体，但也面临着一些比较特殊

的区域被分错误的问题。

3

实验二监督分类

一、基本原理

不同于非监督分类，监督分类基于先验知识，根据训