实验八 遥感图像的计算机分类

实验八 遥感图像的计算机分类

一、目的和要求：

理解遥感图像计算机分类的基本原理，掌握非监督分类和监督分类的过程， 并弄清两者的区别。

二、实验内容

1. 遥感图像ISODATA非监督分类 2. 遥感图像最大似然法监督分类。

三、原理与方法

传统的遥感图像计算机分类的方法大体有两种：非监督分类和监督分类。 非监督分类（Unsupervised Classification）指不必对影像地物获取先验知识，仅依靠影像上不同类地物的光谱线性进行特征提取，以提取出统计特征的差别来达到分类目的的方法。主要采用聚类分析方法，常用的方法有ISODATA（iterative self-organizing data analysis techniques algorithm），称为迭代自组织分析技术，和K-Mean算法，称为K－均值算法。K-Mean算法的基本思想是通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。ISODATA是在初始状态给出图像粗糙分类，然后基于一定原则在类别间重新组合其样本，直到分类比较合理为止。该方法的主要环节是聚类、集群的分裂和集群的合并等处理。

监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先要从图像中选取各类地物样本训练分类器。常用的分类方法有平行多面体分类、最小距离分类和最大似然法分类等。最大似然法通过求出每个像元对于各类别归属概率（似然度），把该像元分到归属概率最大的类别中去的方法。其前提是假定训练区地物的光谱特征近似服从正态分布。

四、实验步骤

?

非监督分类

1. 打开非监督分类对话框（图8-1）

方法一：Data Prep→Unsupervised Classification

方法二：ERDAS工具面板中Classifier→Unsupervised Classification 然后，定义分类参数

→分类数目：实际工作中常将分类数目取为最终分类数目的两倍 →最大循环次数：

→收敛域值：是指两次分类结果相比保持不变的像元所占最大百分比。

图8-1 Unsupervised Classification对话框

2. 分类评价 （Evaluate Classification）

① 在同一个窗口中，同时打开原图像与分类图像

② Raster→Attributes打开分类图像属性表对话框（图8-3）

③ 在属性表对话框菜单栏中Edit→Column Properties打开列属性对话框（图

8-4）调整字段显示顺序 ④ 标注各类别的名称和相应的颜色

图8-2 图像属性编辑器

图8-3 Column Properties对话框

? 监督分类

1. 定义分类模板

① 显示要进行分类的图像

② 打开模板编辑器Signature Editor（图8-4）并调整显示字段 ③ 利用工具在影像上选择训练样区创建分类模板 ④ 保存分类模板

图8-4分类模板编辑器

2. 评价分类模板

方法一：在模板编辑器对话框菜单中View→Image Alarm报警评价法 方法二：在模板编辑器对话框菜单中View→Histograms直方图评价方法 方法三：在模板编辑器对话框菜单中Evaluate→Contigency可能性矩阵评价法（重点掌握） 3. 执行监督分类

方法一：在模板定义对话框菜单栏中Classify→Supervised

方法二：ERDAS工具面板中Classifier→Supervised Classification→打开监督分类对话框

图5-2 监督分类对话框

五、结果分析和讨论

1. 对两种方法的分类结果进行分析和比较，并说明两者的优缺点 2. 谈谈监督分类中，训练样本选取时的注意事项

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库实验八 遥感图像的计算机分类在线全文阅读。