遥感图像分类.doc

#+ 遥感图像分类 遥感图像的分类就是通过对遥感图像中地物的光谱信息和空间信息进行分析，选择特征，将图像中每个象元按照某种规则或算法划分为不同的类别，然后获得遥感图像与实际地物的对应信息，从而实现遥感图像的分类。一般的分类方法可分为两类：监督分类和非监督分类。将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。 一、监督分类 监督分类（supervised）,又称训练分类法，即用被确认的样本象元去识别其他未知象元的过程。已经被确认类别的样本象元是指那些位于训练区的象元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个象元和训练样本作比较，按照不同规则将其划分到其最相似的样本类。 监督分类的算法主要有：平行算法、最小距离法、最大似然法等。这里采用最大似然法作为监督分类的算法。 原理：最大似然法假设遥感图像的每个波段数据都是正态分布。其基本思想是：地物类数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上成正态分布，该类的多维数据就构成了一个多维正态分布；各类多维正态分布模型各有其分布特征。根据各类已有的数据，可以构造出各类的多维正态分布模型，在此基础上，对于任何一个像素，可反过来求出它属于各类的概率，取最大概率对应的类为分类结果。 步奏：第一步：分析图像 ①打开图像，将图像以5、4、3波段合成RGB显示在#1中。 ②通过目视分析，可以定义6类样本：水体、建筑、耕地、草地、荒地、其他。 第二步：选择训练样本 ①在主图像窗口选择Overlay-----Region of Interest，打开ROI Tool对话框。 ②在ROI Tool对话框中设置相关样本的名称、颜色等。 ③选择ROI_Type—Polygon，在window中选择image，在图像上绘制训练区。 ④重复②、③步奏，最终完成以下结果： 第三步：评价训练样本 ①在ROI Tool对话框中，选择Options——Compute ROI Separability，打开目标图像。 ②ROI Separability Calculation对话框中选择Select All Items ，点击OK。 ③观察可分离性数据，大于1.9的说明样本之间可以分离，小于1.8的数据样本需要重新选择样本。 第四步：初步分类 ①在主菜单中选择Classification——Supervised——Likelihood Classification，选中目标图像。单击OK，打开参数设置对话框。 ②选择所有的训练样本，在Set Probability Threshold中设置似然度的阈值Single Values。 ③单击Preview可以预览分类结果。 ④选择分类结果输出的路径及文件名。单击OK执行分类。 ⑤分类结果如下图所示： 第五步：评价分类结果 执行监督分类后需要对分类结果进行评价。ENVI主要提供了3种方法：分类结果叠加、混淆矩阵、ROC曲线。这里采用分类结果叠加进行评价。 ①在主图像窗口选择Overlay-----Classification，选择分类结果，打开Interactive active Class Tool对话框。 ②在Interactive active Class Tool对话框中勾选前面的ON选择框，就能将分类结果叠加在原图上。通过目视判别分类结果的准确性。 第六步：分类后处理 运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有 Majority/Minority 分析、聚类（clump）和过滤（Sieve）。这里采用聚类法处理碎斑。 ①在主菜单选择Classification——Post Classification ——Clump Classes，选择目标图像。 ②在Clump Parameters对话框中选择要处理的对象，设置参数，设置要保留的最小连篇像素数设置为3，将小于3的鼓励像素合并到相邻像素类中。 ③设置输出路径及文件名。 经过碎斑处理后的图形为#2，原始图像为#3. 第七步：分类特征统计 对分类结果进行基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。统计结果中还有分类结果中每一类对应分类图像中的像元值统计。 ①在主菜单选择Classification——Post Classification——Class Statistics。选择分类后的图像。 ②打开Classes Statistics Results对话框，可以看到分类后图像的相关统计信息。 二、非监督分类 非监督分类是指人们实事先分类过程不加入任何的先验知识，而仅凭遥感图像中地物的光谱特征，即自然聚类的特征进行的分类。分类结果只是区分了存在的差异，但不能确定类别的属性。类别的属性需要通过目视判读或实地调查后确定。 非监督分类的算法有：K-均值法、ISODATA法等，这里采用ISODATA法作为非监督分类的算法。 原理：ISODATA算法是一种重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余象元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值对象元进行再分类。 步奏 第一步： 分析图像 显示待分类图像，目视分析图像内容。 第二步：专题判读 分析图像，确定分类的类别数量。 第三步：执行分类 ①选择主菜单Classification——Unsupervised——ISODATA选择目标图像，打开ISODATA Parameters对话框。 ②设置相关参数。将分类数量范围设置为5～15；迭代次数设置为15次；变换阈值设置为5；其他默认，选择输出路径及文件名。 ③执行分类。结果如下图所示： 第四步：分类后处理 经过非监督处理后的图像需要进行一些分类后的处理，主要有类别定义、色彩重定义和子类合并等。 1、类别定义 ①选择Overlay—Classification，选择非监督分类结果。打开Interactive Class Tool对话框。 ②在Interactive Class Tool对话框中，选择Options——Edit Class Colors/names，打开Class Color Map Editing对话框。 ③在Class Color Map Editing对话框中选择对应类别，修改名称。 2、色彩重定义 步奏同上，在颜色定义区选择相应的颜色。 3、子类合并 在选择非监督分类类别数量是，一般选择最终结果数量的2～3倍，因此在定义类别之后，需要将相同的类合并。 ①在主菜单选择Classification——Post Classification——Combine Classes，选择目标图像，打开Combine Classes Parameters对话框。 ②在Combine Classes Parameters对话框中选择需要合并的类别，最后选择输出结果路劲和文件名。 第五步：统计分析 对非监督分类的结果进行统计分析的过程同监督分类。 ①在主菜单选择Classification——Post Classification——Class Statistics。选择分类后的图像。 ②打开Classes Statistics Results对话框，可以看到分类后图像的相关统计信息。 三、监督分类和非监督分类的优缺点 经过对遥感图像进行监督分类和非监督分类的操作练习，以及对分类结果的分析比较（如下图所示），发现了二者的优缺点： （一）监督分类 优点： 1.可根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别； 2.可以精致训练样本的选择； 3.可通过检查训练样本来决定训练样本是否被精确分类，从而能避免分类中的严重错误； 4.避免了非监督分类中对光普集群组的重新归类。 缺点： 1.分类系统的确定、训练样本的选择人为主观因素较强； 2.由于图像中同一类别的光谱差异，造成训练样本没有很好地代表性； 3.训练样本的选取、评估徐耗费大量的人力、物力； 4.只能识别训练样本中定义的类别，若某类别未被定义，则监督分类不能识别。 （二）非监督分类 优点： 1.非监督分类不需要预先对所要分类的地区有广泛的了解； 2.人为误差的机会少； 3.独特的、覆盖量小的类别也能够被识别。 缺点： 1.非监督分类产生的结果不一定是分析者所需要的类别，因此需要分析者对其进行匹配； 2.分析者很难对产生的类别进行控制； 3.图像中各类别的光谱特征会随着时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而石器不同图像之间的对比变得困难。