遥感技术应用实验三.docx

遥感技术应用实验三.docx

《遥感技术应用实验三.docx》由会员分享，可在线阅读，更多相关《遥感技术应用实验三.docx（19页珍藏版）》请在冰豆网上搜索。

遥感技术应用实验三

目录

一、实验目的1

（一）监督分类实验目的1

（二）非监督分类实验目的1

二、实验基本原理1

（一）监督分类实验基本原理1

（二）非监督分类实验基本原理1

三、实验基本要求2

（一）监督分类实验基本要求2

（二）非监督分类实验基本要求2

四、实验设备及器材配置2

五、实验内容2

（一）监督分类实验内容2

（二）非监督分类实验内容13

六、实验体会17

遥感技术应用实验（三）

监督分类与非监督分类

一、实验目的

（一）监督分类实验目的

理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的。

（二）非监督分类实验目的

能够熟练掌握非监督分类的过程，同时深刻理解监督分类与非监督分类的区别。

二、实验基本原理

（一）监督分类实验基本原理

监督分类是一种有先验（已知）类别标准的分类方法。

首先要从欲分类的图像区域选定一些训练样区，在这些训练样区中，地物的类别是已知的，通过学习来建立分类标准，然后计算机将按照同样的标准对整个图像进行识别及分类。

它是一种由已知样本外推未知区域类别的方法，即从图像上已知目标类别区域中提取数据，统计出代表总体特征的训练数据，然后进行分类。

采用这种方法必须事先知道图像中包含哪几种地物类别。

（二）非监督分类实验基本原理

非监督分类是一种无先验（已知）类别标准的分类方法。

对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后在核对这些数据集所代表的物体类别。

当图像中包含的目标不明确或者没有先验确定的目标时，则需要将象元先进行聚类，用聚类方法将遥感数据分割成比较匀质的数据群，把它们作为分类类别，在此类别的基础上确定其特征量，继而进行类别总体特征的测量。

监督分类和非监督分类的根本区别在于是否利用训练场地来获取先验的类别知识。

监督分类根据训练场提供的样本选择特征参数，建立判别函数，对待分像元点进行分类。

非监督分类不需要更多的先验知识，它根据地物的光谱统计特征进行分类。

因此，非监督分类方法简单，且分类具有一定的精度。

与监督分类相比，非监督分类不需要对被研究的地区有事先的了解，对分类结果与精度要求相同的条件下，在时间和成本上较为节省。

但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。

三、实验基本要求

（一）监督分类实验基本要求

掌握ERDAS遥感图像监督分类

（二）非监督分类实验基本要求

掌握ERDAS遥感图像非监督分类

四、实验设备及器材配置

计算机、交换器

计算机配置为：

内存256M，128M独立显卡，CPU为奔腾4处理器

五、实验内容

（一）监督分类实验内容

1.定义分类模板

ERDASIMAGINE的监督分类是基于分类模板来进行的。

第一步，显示需要进行分类的图像

第二步，打开分类模板编辑器

ERDAS图标面板工具条：

点击Classifier图标→SignatureEditor菜单项→SignatureEditor对话框

图1

可以通过View→Columns→ViewSignatureColumns对话框选择显示的字段（先把要显示的字段选中，然后再将不需要的字段清除）。

第三步，获取模板分类信息

应用AOI绘图工具在原始图像获取分类模板信息

选择Raster菜单项→选择Tools菜单→打开Raster工具面板，点击图标→在视窗图像中选择已知的某类别区域，绘制一个多边形AOI→在SignatureEditor对话框中，点击图标，将多边形AOI区域加载到Signature分类模板中→在SignatureEditor中，可以改变刚才加入的模板的SignatureName和Color重复上述操作过程以选择多个AOI区域，并将其作为新的模板加入到SignatureEditor当中，同时确定各类的名字及颜色。

图2

在Neighborhood中设置像元扩展方式：

表示被点击像元的上、下、左、右四个像元

与被点击像元是相邻的，而

表示其周围9个像元都与被点击像元相邻。

在GeographicConstraints中设置地理约束：

Area确定每个AOI所包含的最多像元数，而Distances确定AOI所包含像元距离与被点击像元的最大距离。

这两个约束条件可以只设定一个，也可以设置两个。

在SpectralEuclideanDistance中设置波谱欧式距离，该约束是指AOI可接受的像元值与种子像元平均值之间的最大波谱欧式距离，大于该距离将不被接受。

点击Options按钮，打开RegionGrowOptions面板以确定一些扩展设置：

在种子扩展的过程中可能会有些不符合条件的像元被符合条件的像元包围，选择IncludeIslandPolygons使这些不符合条件像元将被以岛的形式被删除出来，如果不选则全部作为AOI的一部分；UpdateRegionMean是指每一次扩展后是否重新计算种子的平均值，如果选择该复选框则重新计算，如果不选择则一直以原始种子的值为平均值。

BufferRegionBoundary复选框是指对AOI产生缓冲区，在编辑DEM数据时比较有用，这里不必选此项。

设置完种子扩展特性后，就可以使用种子扩展工具产生AOI区域：

在显示要分类图像的视窗中，点击

图标（或者选择Raster菜单项→选择Tools菜单）→打开Raster工具面板，点击

图标，在影像中锁定一个种子像元，就会自动扩展生成一个AOI扩展区域。

如果扩展AOI不符合要求，可以修改RegionGrowingProperties直到满意为止。

在RegionGrowingProperties对话框中修改设置之后，直接点击Redo按钮就可重新对刚才点击的像元生成新的扩展AOI在SignatureEditor对话框中，点击

图标，将多边形AOI区域加载到Signature分类模板中→在SignatureEditor中，可以改变刚才加入的模板的SignatureName和Color→重复上述操作过程以选择多个AOI区域，并将其作为新的模板加入到SignatureEditor当中，同时确定各类的名字及颜色。

图3

应用查询光标扩展方法获取分类模板信息

用点击的方式在图像上确定种子像元，而本方法是要用查询光标来确定种子像元。

在显示要分类图像的视窗中：

选择Utility→InquireCursor（或者直接点击图标），在视窗中出现一个十字光标，十字光标可以准确定位一个像元的位置，将十字光标移动到种子像元上，点击RegionGrowingProperties对话框中的GrowatInquire按钮，即产生一个新的AOI。

在特征空间图像中应用AOI工具获取分类模板信息

特征空间图像是用要分类的原图像两个波段值分别作横、纵坐标轴形成的图像。

前面所讲的在原图像上应用AOI区域产生分类模板是参数型模板（parametric），而在特

征空间（FeatureSpace）图像上应用AOI工具产生分类模板是非参数型（non-parametric）。

在特征空间图像中应用AOI工具产生分类模板的基本操作是：

生成特征空间图像、关联原始图像与特征空间图像、确定图像类型在特征空间的位置、在特征空间图像绘制AOI区域、将AOI区域添加在分类模板中，具体操作过程如下：

在SignatureEditor对话框菜单条的Feature—Create—FeatureSpaceLayers—CreateFeatureSpaceImage对话框

产生了特征空间图像后，需要将特征空间图像视窗与原图像视窗联系起来，从而分析原像上的水体在特征空间图像上的位置。

SignatureEditor对话框菜单条：

Feature—View—LinkedCursors打开LinkedCursor对话框。

在LinkedCursor对话框中，可以选择原即像将与哪个视窗中的特征空间相关联，以及在原睦上和特征空间图像上的十字光标的颜色。

在Viewer中输入2，由于新产生的germtm-2-5.fsp.img显示在Viewer#2中，所以此处输入为2.也可以先点击select按钮，再用鼠标在显示相应特征空间图像的视窗中点击一下，此时Viewers输入框中也将正确的视窗号。

如果多个视窗中显示了多个原图像的特征空间图像，也可以选择AllFeatureSpaceViewers复选框使原图像与所有的特征空间图像关联起来。

点击Link按钮此时，两个视窗被关联在了一起，在Viewr1（显示原始图像）中拖动十字光标在水体上移动，并查看像元在特征空间图像中的位置，从而确定水体在特征空间的范围。

下面将在特征空间图像上画一个水体所对应的AOI区域。

注意，在特征空间中选择AOI

区域时必须要力求准确，绝对不可以大概绘制。

在关联两个视窗进行观察时，可以在特征空

间图像上对与原图像水体相关的像元不停地产生点状AOI，以标记对应的像元，随后产生面

状AOI时，将这些点都准确地包含进去。

在Viewer#2中用AOI多边形工具绘制水体对应的AOI区域在SignatureEditor对话框中，点击

将AOI区域加载到Signature模板SignatureEditor对话框菜单条：

Feadue一Statistics（生成AOI统计特性）基于特征空间图像AOI区域产生的模板没有统计数据，需要经过上一小步操作产生统计数据。

SignatureEditor对话框模板的记录中有一个FS字段，其内容为空表明是非特征空间模板，其内容不为空，表明是特征空间模板。

SignatureEditor对话框菜单条:

LinkedCursors—Unlink—Close如果对同一个专题类型（如水体）采集了多个AOI并分别生成了模板，可以将这些模板合并，以使该分类模板具多区域的总和特性。

具体做法是在SignatureEditor对话框中，将该类的Signature全部选定，然后点击合并

图标，这时一个综合的新模板将生成，原来的多个Signature同时存在（也可删除）。

第四步，保存分类模板

SignatureEditor对话框菜单条：

File→Save，打开SaveSignatureFileAs对话框，确定是保存所有的模板还是只保存选中的模板，点击OK。

2.评价分类模板

对分类模板评价工具较多，如报警工具、可能性矩阵和直方图方法三种：

1）报警评价

分类模板报警工具是根据平行六面体决策规则将那些原属于或估计属于某一类别的像元在图像视窗中加亮显示，以示报警。

一个报警可以针对一个类别或是多个类别进行。

如果没有在SignatureEditor中选择类别，那么当前活动类别（SignatureEditor中“>”符号旁边的类别）就被用于进行报警。

具体使用过程如下：

在SignatureEditor对话框中选择某一类或某几类模板，选择View→ImageAlarm，打

开SignatureAlarm对话框

图4

选中IndicateOverlap，并设置报警颜色，点击EditParallelepipedLimits按钮，打开Limits对话框：

点击Set按钮打开SetParallelepipedLimits对话框

设置计算方法（Method）：

选择使用的模板（Signature）：

Current

OK（关闭SetParallelepipedLimits对话框）返回Limits对话框

Close（关闭Limits对话框）返回SignatureAlarm对话框OK（执行报警评价，形成报警掩膜）Close（关闭SignatureAlarm对话框）

图5

第二步，利用Utility菜单中的BlendTools、SwipeTools和FlickerTools功能查看报警掩膜。

重叠部分颜色越多说明分类效果越不好，需要重新调整分类模板。

第三步，删除分类报警掩膜

视窗菜单条：

View→ArrangeLayers菜单，打开ArrangeLayers对话框，右健点击Alarm

Mask图层，弹出LayerOptions菜单，选择DeleteLayer，AlarmMask图层被删除，点击Apply。

可能性矩阵评价

可能性矩阵评价工具是根据分类模板，分析AOI训练区的像元是否完全落在相应的类别中。

AOI训练区的分类可应用下列几种分类原则：

平行六面体（PanallelePiped）、最大似然法（MaximumLikelihood）、马氏距离（MahalanobisDistance）。

具体使用方法是：

在SignatureEditor对话框中：

图6

在SignatureEditor中选择所有类别

菜单条：

Evaluation→Contingency

打开ContingencyMartrix对话框

选择非参数规则（Non－ParametricRule）：

选择叠加规则（OverlapRule）：

选择未分类规则（UnclassifiedRule）：

选择参数规则（ParametricRule）：

OK（关闭ContingencyMatrix对话框，计算分类误差矩阵）

1）直方图方法

直方图绘制工具通过分析类别的直方图对模板进行评价和比较。

SignatureEditor对话框：

图7

选定某一或某几个类别

菜单条：

View→Histograms

打开HistogramsPlotControlPanel对话框中，需要设置下列参数：

确定分类模板数量（Signature）：

确定分类波段数量（Bands）：

确定应用哪个波段（BandNo）：

点击Plot按钮

2）类别统计分析

用于计算任意两个类别的统计距离，可以确定两个类别间的差异度，或是分类效果更好的数据层。

在SignatureEditor对话框中，先选择某一类或几类

在Evaluate下选择Separability

打开SignatureSeparability对话框

确定输出数据格式（OutputForm）

点击OK执行类别分离性计算，并将结果显示在ERDAS文本编辑器视窗

其中，组合数据层数（LayerPerCombination）是指本工具将基于几个数据层来计算类别间的距离，例如可以计算两个类别在综合考虑6个层时的距离，也可以计算在1、2两个层上的距离。

统计结果报告形式（ReportType）可以选择SummaryReport，则计算结果只显示分离性最好的两个波段组合情况，即最小分离性最大和平均分离性最大；如果选择CompleteReport，则计算所有波段组合情况。

模板对象图示

该方法可以针对利用特征空间图像来获取分类模板信息进行评价。

模板对象图示工具可

以显示各个类别模板的统计图，以便比较不同的类别。

统计图以椭圆形式显示在特征图像中，

每个椭圆都是基于类别的平均值及标准差，其特征空间图像必须处于打开状态。

图8

在Feature下选择Objects

打开SignatureObjects对话框

确定特征空间图像视窗（Viewer）

确定绘制分类统计椭圆：

选择PlotEllipaes复选框

确定统计标准差（Std.dev.）

点击OK执行模板对象图示，绘制分类椭圆

椭圆的重叠重度反映类别的相似性。

如果两个椭圆重叠较多，则两个类别相似程度大，分类不理想，需修改。

如下图所示，其中浅绿色椭圆为草地统计图，深绿色为林地，蓝色为水体，可见水体分类效果较好，而草地和林地有部分重叠。

图9

3.执行监督分类

ERDAS图标面板菜单条：

Main→ImageClassification→Classification菜单

ERDAS图标面板工具条：

点击Classifier图标→Classification菜单

→SupervisedClassification菜单项→SupervisedClassification对话框

图10

在SupervisedClassification对话框中，需要确定下列参数：

确定输入原始文件（InputRasterFile）：

定义输出分类文件（ClassifiedFile）：

确定分类模板文件（InputSignatureFile）：

选择输出分类距离文件（DistanceFile）（用于分类结果进行阈值处理）

定义分类距离文件（Filename）：

Classifyzeros（分类过程是否包括0值）

执行监督分类

通过AttributeClassification对话框，可以确定模板的哪些统计信息将包括在输出的分类图像层中。

这些统计值是基于各个层中模板对应的数据计算出来的，而不是基于被分类的整个图像。

点击AttributeOption，弹出AttributeOption对话框，做出选择后，点击OK，关闭AttributeClassification对话框，返回SupervisedClassification对话框。

4.评价分类结

分类精度评估

分类精度评估是将专题分类图像中的特定像元与已知分类的参考像元进行比较，显示一个精度评估矩阵

第一步，在视窗中打开原始图像

第二步，启动精度评估对话框

ERDAS图标面板菜单条：

Main→ImageClassification→Classification菜单

ERDAS图标面板工具条：

点击Classifier图标→Classification菜单

选择AccuracyAssessment菜单项，打开AccuracyAssessment对话框

第三步，打开分类专题图像

AccuracyAssessment对话框菜单条：

File→Open打开与视窗中对应的分类专题图像

第四步，将原始图像视窗与精度评估视窗相连接

AccuracyAssessment对话框：

点击SelectViewer图标，将光标在显示原始图像的视窗中点击一下，是原始图像视窗与精度评估视窗相连接。

第五步，在精度评价对话框中设置随机点的色彩

AccuracyAssessment对话框：

菜单条View→ChangeColors菜单项，打开ChangeColors面板。

在PointwithnoReference确定没有真实参考值的点的颜色.

在PointwithReference确定有真实参考值的点的颜色，OK（执行参数设置），

第六步，产生随机点

本步操作将在分类图像中产生一些随机点，随机点产生之后，需要用户给出随机点的实际类别。

然后，将随机点的实际类别与在分类图像的类别进行比较。

AccuracyAssessment对话框：

Edit→Create/AddRandomPoints，打开AddRandomPoints对话框

第七步，显示随机点及其类别

AccuracyAssessment对话框：

View→ShowAll（所有随机点均以第五步所设置的颜色显示在视窗中）

Edit→ShowClassValues（各点的类别号出现在数据表的Class字段中）

第八步，输入参考点的实际类别值

AccuracyAssessment对话框：

在数据表的Reference字段输入各个随机点的实际类别值

第九步，设置分类评价报告输出环境及输出分类评价报告

AccuracyAssessment对话框：

菜单条Report→Options通过点击确定分类评价参数，即可输出评价文本文件。

阈值处理

第一步，分类图像并启动

首先在视窗中打开分类后的图像，启动阈值处理功能，方法：

ERDAS图标面板菜单条：

Main→ImageClassification→Classification菜单的Threshold→打开Threshold对话框。

第二步，确定分类图像和距离图像

在Threshold对话框中选择File—open，确定分类专题图像和分类距离图像

第三步，视窗选择及直方图计算

在Threshold对话框中选择View—SelectView，点击显示分类专题图的视窗并在Histogram—Compute计算各个类别的距离直方图

图11

图12

第五步，显示阈值处理图像

在Threshold对话框菜单栏的View上选中ViewColor的DefaultColors（缺省色彩），即将属于分类阈值的之内像以类别颜色显示，阈值之外的像元以黑色显示。

然后，选择菜单栏Process的ToView，将阈值处理后的图像显示在分类图像之上，形成一个阈值掩模。

第六步，观察阈值处理图像

将阈值处理图像设置为数据叠加显示的闪烁（Flicker）状态，或是混合（Blend）状态、卷帘（Swipe）状态，直观查看处理前后变化。

第七步，保存阈值处理图像

在Threshold对话框菜单栏的Process中选择ToFile，打开ThresholdtoFile对话框，确定产生文件的名字和路径，点击OK保存。

（二）非监督分类实验内容

1.调出非监督分类对话框

DataPreparation→UnsupervisedClassification

图13

2.进行非监督分类

在unsupervisedclassification对话框中，逐项填写。

Inputrasterfile:

germtm.img

Outputfile:

自命名一个即可

其中将numberofclass设为10

而将maximumlteration设为24，默认要大于六，才进行非监督分类。

老师推荐：

实际工作中常将分类数目取为比最终分类数目多，在融合在一起

3.显示原图像与分类图像

学会在同一个窗口中，同时打开两个图像

并在此调整第一个图像将其红绿蓝layers调整为4、5、3

第二个图像为上一步的得到的unsupervised.img

4.打开分类图像属性表并调整字段显示顺序

图14

打开最下面的表格一样的图标

，得到

图15

菜单栏edit→columnproperties

图16

再通过up调节顺序，最终得到顺序为histogram、opacity、color、class_names、red、green、blue

5.给各个类别赋相应的颜色

对几个地物分别给与你觉得适合的颜色

6.不透明度设置

Edit→Fomula

在Fomula对话框将你想要设定的分类设为1其余为0，也就是将该地区透明，即可看到原本图像上该地物的颜色和类型。

图17

7.确定类别的专题意义及其准确程度

其中最上面的是0是未分出类别的地物

然后utility→swipe通过翻动比较区别来判断地物类型

然后修改rasterat