遥感图像的分类实验报告文档格式.docx

遥感图像的分类实验报告文档格式.docx

《遥感图像的分类实验报告文档格式.docx》由会员分享，可在线阅读，更多相关《遥感图像的分类实验报告文档格式.docx（17页珍藏版）》请在冰豆网上搜索。

又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。

它是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。

非监督分类：

也称为聚类分析或点群分类。

在多光谱图像中搜寻、定义其自然相似光谱集群的过程。

它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱（或纹理）信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。

目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。

四、数据来源

本次实验所用数据来自于国际数据服务平台；

landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：

38.90407中心经度：

113.11840。

鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。

五、实验过程

1.监督分类

1.1打开并显示影像文件，选择合适的波段组合加载影像

打开并显示TM影像文件，从ENVI主菜单中，选择File→OpenImageFile选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击LoadBand在主窗口加载影像。

1.2使用感兴趣区（ROI）工具来选择训练样区

1）主影像窗口菜单栏中，选择Overlay>

RegionofInterest。

出现ROITool对话框，

2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。

由于该地区为山西省北部，地物相对单一，故分为以下几类：

裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。

1.3选择分类方法进行分类

1）主菜单中，选择Classification>

Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。

以最小距离法（MinimumDistance）为例进行说明。

选择MinimumDistance选项，出现ClassificationInputFile对话框，在该对话框中选择待分类图像。

2）在出现的MinimumDistanceParameters对话框中，selectTtems选择训练样本，定义相关参数，选择输出路径。

点击ok完成分类，结果如图：

2.非监督分类

非监督分类方法有K-均值分类法及ISOData（重复自组织数据分析技术），本次实验报告以K-均值分类方法为例进行说明。

1）主菜单中,选择Classincation>

Unsupervised>

K-Means。

在ClassificationInputFile对话框中选择待分类影像文件。

2）在K-MeansParameters对话框中定义相关参数，其中，可定义参数有：

分类类别数，像元变化阈值，用于分类的最多迭代次数以及可选的距离阈值。

选择结果输出位置，点击OK完成分类。

3.分类后处理

我们需要对分类后的影像进行后处理，评价其分类的精度，这里以监督分类结果为例进行说明。

3.1更改类别名称及颜色

主图像窗口，Overlay->

classification,出现SelectInputfile对话框，选择分类结果，点击OK。

在InteractiveClassTOOL对话框的option下拉菜单中选择Editcolors/names选项，在弹出的对话框中选择类别更改其名称颜色。

3.2分类结果微调包括删除或者合并小斑点。

1）将要修改的类别置于激活状态，点击Edit下拉菜单，选择Mode:

polygonAddtoclass将分类错误的点与周围区域点合并。

选择Mode:

polygondeletefromclass将错误点剔除。

2）主菜单classification->

Postclassification->

sieveclasses打开sieveparameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。

图为采用八联通域将像素小于5的点删除。

3.3混淆矩阵精度验证

1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。

2）进行精度验证，主菜单classification->

UsingGroundTruthROI，选择分类图像。

对应分类结果和验证样本

点击ok得到精度验证结果。

3.4分类统计

主菜单classification->

classstatistics，在弹出的对话框中输入分类结果,点ok下一个对话框输入原图像ok。

在弹出的selectclasses对话框中选择训练样本。

选择输出显示类型，点击ok得到统计结果。

3.5分类结果转换为矢量

classificationtovector,弹出对话框中选择分类结果影像。

选择训练样本及矢量文件输出位置，点击ok完成矢量化。

矢量化结果如下：

六、实验结果与分析

1、监督分类结果分析

将分类结果与原图像进行对比可发现分类结果基本符合要求，农田与建筑的分布具有较强的统一性，符合相关常识。

2、非监督分类结果分析

3、图为经过主次要分析的分类结果与原图对比，可发现去除了一些噪声点，分类结果相对较好。

4、分类结果精度评价分析

由于监督分类，训练样本及验证样本的选择失误，图像的分类精度为83%基本符合要求，但不是太高，从精度报表中可看出，误差来源主要为灌木林与草地之间的差异，其他地物的分类结果基本上比较精确。

七、实验心得与体会

本次实为遥感影像的监督分类与非监督分类以及分类后处理，通过本次实验，初步掌握了影像的分类过程，在影像的监督分类中，训练样本的选择是本实验的关键点，如何较为准确的选择感兴趣区域确定正确的训练样本需要在以后的学习中积累相关经验。

实验中相近地物信息的不同地物该如何分类需要思考。