遥感影像分类envi.docx

遥感影像分类envi.docx

《遥感影像分类envi.docx》由会员分享，可在线阅读，更多相关《遥感影像分类envi.docx（9页珍藏版）》请在冰豆网上搜索。

遥感影像分类envi

遥感影像分类envi

遥感课程教学实验之二：

遥感影像分类

实验二遥感影像的分类

遥感影像的监督分类

∙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，学会利用遥感图像处理软ENVI件对遥感图像进行分类的方法。

∙实验内容

1、遥感图像分类原理。

2、遥感图像监督分类。

3、最大似然法分类

∙实验条件

电脑、ENVI4.5软件。

厦门市TM遥感影像。

∙实验步骤

1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。

2、从主图像窗口的工具Tools→RegionofInterest→ROITools;

3、在自动打开的ROITools窗口中，设定ROI_Type为“Polygon”（多边形），选定样本采集的窗口类型，用Zoom（缩放窗口）进行采集。

。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域被红色充填，同时ROITools窗口中显示采集样本的信息。

采集新的样本点击“NewRegion”，重新上述步骤进行多个地物样本采集。

。

5、从ENVI主菜单中，选Classification>Supervised>MaximumLikelihood；或在端元像元采集对话框EndmemberCollection中选择Algorithm>MaximumLikelihood进行最大似然法分类。

6、在出现ClassificationInputFile对话框中，选择输入影像文件，出现MaximumLikelihoodParameters对话框。

7、输入常规的分类参数。

设定一个基于似然度的阈值（SetPrpbabilityThreshold）：

如不使用阈值，点击“None”按钮。

要对所有的类别使用同一个阈值，点击“SingleValue”按钮，在“ProbabilityThreshold”文本框中，输入一个0到1之间的值。

似然度小于该值的像元不被分入该类。

要为每一类别设置不同的阈值：

●在类别列表中，点击想要设置不同阈值的类别。

●点击“MultipleValues”来选择它。

●点击“AssignMultipleValues”按钮。

●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。

为每个类别重复该步骤。

最后给定输出结果的保存方式：

文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。

点击“OK”计算机开始自动分类运算。

8、在可用波段列表中显示分类图像。

∙实验总结

遥感图像分类包括监督分类（Supervised）与非监督分类两大类，它是遥感影像的计算机解译的重要内容。

Supervised分类根据训练样本类别（trainingclasses）对图像分类，监督分类技术包括：

平行六面体、最小距离、马氏距离、最大似然、波谱角（SAM）以及二进制编码。

Unsupervised分类不需要何训练样本，用统计方法对数据集中的像元进行聚类，常用非监督分类技术包括Isodata和K-Means。

实验介绍最大似然法分类（MaximumLikelihood）

遥感影像分类是影像分析的一个重要内容，它是利用计算机通过对影像中不同地物的空间信息和光谱信息进行分析，选择特征，并将特征空间划分为互不重叠的子空间，然后将影像中的各个像元划归到子空间去。

而遥感影像的监督分类的主要方法是最大似然判别法，也称为贝叶斯分类，是基于图像统计的监督分类法，也是典型的和应用最广的监督分类方法。

它建立在贝叶斯准则的基础上，偏重于集群分布的统计特性。

监督分类原理：

是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的，做出样本的概率密度等值线，确定分类，然后通过计算标本（像元）属于各组（类）的概率，将标本归属于概率最大的一组。

是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量，确定判别函数或判别式把影像中的各个像点划归到各个给定类的分类。

遥感影像的非监督分类

∙实验目的

理解遥感图像非监督分类的原理与过程，学会利用遥感图像处理软ENVI件对遥感图像进行非监督分类的方法

∙实验内容

1、遥感图像非监督分类。

2、K-mean与Isodata分类方法

∙实验条件

电脑、ENVI4.5软件。

厦门市TM遥感影像。

∙实验步骤

----启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。

∙

（1）K-Means分类

1．打开遥感影像，进行标准文件选择，根据需要，选取输入文件的任意子集和掩模。

2．选择Classification-->Unsupervised-->K-Means。

3．在出现的K-MeansParameters对话框中设置参数。

该对话框中的可选项包括：

设定所分类别数（NumberClass）；像元变化阈值（ChangeThreshold）（0~100%）；用于分类的最多迭代次数（MaximumIteretion）

4．要选择输出到磁盘文件或内存，选择“File”或“Memory”，点击“OK”，开始进行K-Means分类。

分类原理：

K-Means非监督分类计算数据空间上均匀分布的初始类别均值，然后用最短距离技术对像元进行叠代，把它们聚集到最近的类中。

每次迭代重新计算了类别均值，且用这一新的均值对像元进行再分类。

除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就不参与分类），所有像元都被归并到与其最临近的类别中。

这一过程持续到每一类的变化像元数少于所选的像元变化阈值或已经到了迭代的最多次数。

（2）Isodata分类

●打开一幅遥感影像。

●选择Classification-->Unsupervised-->Isodata。

●在显示的ISODATAParameters对话框中设置参数。

可用选项包括：

类别数量的范围限定（最小值和最大值）（NumberClass：

Max,Min）；像元变化阈值（ChangeThreshold）（0~100%），当每一类的变化像元数小于阈值时，用变化阈值来结束迭代过程。

被用来对数据进行分类的最多迭代次数（MaximumIteretion），当达到阈值或迭代达到了最大次数时，分也将结束类。

●选择输出“File”或“Memory”。

点击“OK”，开始进行Isodata分类。

分类原理：

Isodata非监督分类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像元迭代聚集。

每次迭代都将重新计算均值和聚类中心，并用这一新的均值对像元进行再分类，反复迭代分类，根据限定的标准差和距离的阈值，像元都被归并到与其最临近的一类里。

这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。

∙工具条上的overly-->classfication-->选择相应的遥感影像图-->ok

∙在出现的显示框内将地物名称与颜色配到一起。

点击主工具条上classification-->postclassification-->comebineclasses。

然后再选择相应的遥感影像图点击ok-->进行配准。

∙点击工具条上classification-->postclassification-->assignclasscolors-->在出现的显示框中点击ok，得图如下

∙实验总结：

遥感图像分类包括监督分类（Supervised）与非监督分类两大类，它是遥感影像的计算机解译的重要内容。

Supervised分类根据训练样本类别（trainingclasses）对图像分类，监督分类技术包括：

平行六面体、最小距离、马氏距离、最大似然、波谱角（SAM）以及二进制编码。

Unsupervised分类不需要何训练样本，用统计方法对数据集中的像元进行聚类，常用非监督分类技术包括Isodata和K-Means。

实验介绍最大似然法分类（MaximumLikelihood）

遥感影像分类是影像分析的一个重要内容，它是利用计算机通过对影像中不同地物的空间信息和光谱信息进行分析，选择特征，并将特征空间划分为互不重叠的子空间，然后将影像中的各个像元划归到子空间去。

非监督分类原理：

它是事先无法知道类别的先验知识，在没有类别先验知识的情况下将所有样本划为若干类别的方法。

它的基本思想是事先不知道类别的先验知识，仅根据地物的光谱特征的相关性或相似性来进行分类，再根据实地调查数据比较后确定其类别属性