遥感图像分类.docx

遥感图像分类.docx

《遥感图像分类.docx》由会员分享，可在线阅读，更多相关《遥感图像分类.docx（21页珍藏版）》请在冰豆网上搜索。

遥感图像分类

实验四遥感图像分类

一、背景知识

图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。

常规计算机图像分类主要有两种方法：

非监督分类与监督分类，本实验将依次介绍这两种分类方法。

非监督分类运用ISODATA（IterativeSelf-OrganizingDataAnalysisTechnique）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。

使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。

由于人为干预较少，非监督分类过程的自动化程度较高。

非监督分类一般要经过以下几个步骤：

初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。

监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。

在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。

对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。

监督分类一般要经过以下几个步骤：

建立模板（训练样本）分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。

由于基本的非监督分类属于IMAGINEEssentials级产品功能，但在IMAGINEProfessional级产品中有一定的功能扩展，非监督分类命令分别出现在DataPreparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。

二、实验目的

理解并掌握图像分类的原理，学会图像分类的常用方法：

人工分类（目视解译）、计算机分类（监督分类、非监督分类）。

能够针对不同情况，区别使用监督分类、非监督分类。

理解计算机分类的常用算法实现过程。

熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。

三、实验内容（6课时）

1.非监督分类（UnsupervisedClassification）；

2.监督分类（SupervisedClassification）；

3.分类精度评价（evaluateclassification）；

4.分类后处理（Post-ClassificationProcess）；

四、实验准备

实验数据：

非监督分类文件：

germtm.img

监督分类文件：

tm_860516.img

监督模板文件：

tm_860516.sig

五、实验步骤、方法

1、非监督分类（UnsupervisedClassification）

ERDASIMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。

聚类过程始于任意聚类平均值或一个已有分类模板的平均值；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。

ISODATA实用程序不断重复，直到最大的循环次数己达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化停止。

（1）打开非监督分类对话框

DataPrep图标/DataPreparation/UnsupervisedClassification菜单项；

（2）如下图输入相应参数后，OK完成非监督分类；

（3）分类评价（EvaluateClassification）

获得一个初步的分类结果以后，应用分类叠加检查分类精度。

1.显示原图像与分类图像

在视窗中同时显示germtm.img和germs_isodat两个图像，叠加顺序为germtm.img在下，germtm_isodat.img在上。

germtm.img显示方式用红（4）、绿（5）、蓝（3）。

2.打开分类图像属性表并调整字段显示顺序

最后使Histogam，Opacity，Color，Class_Names四个字段的显示顺序依次排在前，点击OK按钮（关闭ColumnProperties对话框）。

3.给各个类别赋相应的颜色

RarsterAttributeEditor对话框（germtm_isodata的属性表：

点击一个类别的Row字段从而选择该类别，右键点击该类别的Color字段（颜色显示区），选择一种颜色。

4.不透明度设置

由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度（Opacity）值设为0（透明）。

而要分析的类别的透明度设为1（即不透明），操作方法：

RarsterAttributeEditor对话框（genntm_isodata的属性表）：

右键点击Opacity字段的名字，打开ColumnOptions菜单，选择Formula菜单项：

在formula对话框的formula输入框中（用鼠标点击右上数字区）输入0，点击Apply按钮（应用设置），所有类别设置成透明的。

把要所分析类别的不透明度设置为1。

逐类别检查分析类别的分类准确性。

5.确定类别专题意义及其准确程度

视窗菜单条：

Utility/Flicker

6.标注类别的名称和相应颜色

RarsterAttributeEditor对话框（germtm_isodata的属性表）：

点击该类别的ClassNames字段从而进入输入状态，右键点击该类别的Color字段（颜色显示区），选择一种合适的颜色（如水体为蓝色）。

2、监督分类

ERDASIMAGINE的监督分类基于分类模板进行，分类模板的生成、管理、评价、和编辑等功能由分类模板编辑器实现。

分类模板的生成器可以基于原始图像其特征空间图像。

（1）显示需要进行分类的图像，在视窗中显示tm_860516.img：

（2）打开模板编辑器并调整显示字段

Classifier图标/Classification菜单/SignatureEditor菜单项，打开SignatureEditor对话框：

（3）对分类意义不大的字段，调整如下：

SignatureEditor对话框菜单条：

View/Columns，打开ViewSignatureColumns对话框：

将需要显示的字段选中即可。

（4）获取分类模板信息

可以分别应用AOI绘图工具、AOI扩展工具、查询光标在原始图像或特征空间图像中获取分类模板信息，实际工作中有时只需用一种。

1.应用AOI绘图工具在原始图像获取分类模板信息

1打开工具箱；

2在视窗中选择一块区域，绘制一个多边形AOI；

3在SignatureEditor对话框中，将选中的多边形AOI区域加载到Signature分类模板中；

4在SignatureEditor中，改变刚才加入模板的SignatureName和Color分别为分类颜色；

5重复上述操作过程以多选择几个绿色区域AOI，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。

6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，将这些模板合并，以使该分类模板具多区域的综合特性。

2.保存分类模板

（5）评价分类模板（EvaluatingSignatures）

分类模板建立之后，就可以对其进行评价、删除、更名、与其它分类模板合并等操作。

分类模板的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类。

1.预警评价（Alarms）

分类模板预警工具根据平行六面体决策规则（parallelepipeddivisionrule）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，以示警报。

一个报警可以针对一个类别或多个类别进行。

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。

操作如下：

SignatureEditor对话框：

View/ImageAlarm，打开SignatureAlarm对话框。

打开文件tm_860516.sig，对其评价。

2.可能性矩阵（误差矩阵）

可能性矩阵（ContingencyMatrix）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之中。

通常都期望AOI区域的像元分到它们参于训练的类别当中，实际上，AOI中的像元对各个类都有一个权重值，AOI训练样区只是对类别模板起一个加权的作用。

ContingencyMatrix工具可同时应用于多个类别，如果你没有在SignatureEditor中确定选择集，则所有的模板类别都将被应用。

可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属于相应的类别。

操作如下：

在SignatureEditor对话框：

在SignatureEditor中选择所有类别，菜单：

Evaluation/Contingency，打开参数设置窗口：

OK后，显示评价结果：

（6）执行监督分类（PerformSupervisedClassification）

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

∙确定输入原始文件（InputRasterFile）:

tm_860516.img

∙定义输出分类文件（ClassifiedFile）:

tm_superclass.img

∙确定分类模板文件（InputSignatureFile）:

tm_860516.sig

∙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）:

tm_distance.img

∙选择非参数规则（Non-ParametricRule）:

FeatureSpace

∙选择叠加规则（OverlayRule）:

ParametricRule

∙选择未分类规则（UnclassifiedRule）:

ParametricRule

∙选择参数规则（ParametricRule）:

MaximumLikelihood

∙不选择Ciassifyzeros（分类过程中是否包括0值）

∙OK（执行监督分类，关闭SupervisedClassification对话框）

3、分类结果评价（evaluateclassification）

执行了监督分类之后，需要对分类效果进行评价，如果误差超出允许范围，要重新分类，直到满意为止。

ERDAS系统提供了多种分类评价方法，包括分类叠加（classificationoverlay）、定义阈值（thresholding）、精度评估（accuracyassessment）等。

1.分类叠加（classificationoverlay）

将分类图叠加于原始图像之上，通过调节显示方式，目视检查精度。

2.阈值处理（Thresholding）

本方法可以确定哪些像元最可能没有被正确分类，从而对监督分类的初步结果进行优化。

用户可以对每个类别设置一个距离阈值，将可能不属于它的像元（在距离文件中的值大于设定阈值的像元）筛选出去，筛选出去的像元在专题图中将被赋予另一个分类值。

（1）显示分类图像并启动阈值处理窗口

首先需要在视窗中打开分类后的专题图像，然后启动阈值处理功能：

点击Classifier图标/Classification菜单/点击Threshold菜单项，打开threshold对话框:

（2）确定分类图像和距离图像：

∙threshold对话框菜单条:

File/Open

∙打开OpenFiles对话框

∙确定专题分类图像（ClassifiedImage）:

tm_superclass.img

∙确定分类距离图像（DistanceImage）:

tm_distance.img

∙OK（关闭OpenFiles对话框）

∙返回Threshold对话框

（3）视图选择及直方图计算

∙Threshold对话框菜单条:

View/SelectViewer

∙点击显示分类专题图像的视窗

∙Threshold对话框菜单条:

Histogram/Compute（计算各个类别的距离直方图，如果需要的话，该直方图可通过Threshold对话框菜单条Histogram/Save而保存为一个模板文件*.sig文件）。

（4）选择类别并确定阈值

Threshold对话框：

在分类属性表格中，选择专题类别

∙移动“>”符号到指定的专题类别旁边

∙菜单条，Histograms/View

∙选定类别的DistanceHistogram被显示出来

（5）显示阈值处理图像

∙Threshold对话框菜单条:

View/ViewColors/DefaultColors，进行环境设置（选择缺省色彩（DefaultColors）是将那阈值以外的像元显示成黑色，而将属于分类阈值之内的像元以类别颜色显示）。

∙Process/ToViewer，阈值处理图像将显示在分类图像之上，形成一个阈值掩膜。

（6）观察阈值处理图像

∙将阈值处理图像设置为Flicker闪烁状态，直观查看处理前后的变化。

（7）保存阈值处理图像

∙Threshold对话框菜单条：

Process/ToFile

∙打开ThresholdtoFile对话框

∙在OutputImage中确定要产生的文件的名字和目录

∙点击OK按钮

3.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己知分类的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其它数据进行对比。

操作过程:

1在Viewer中打开分类前的原始图像，以便进行精度评估。

2启动精度评估对话框，ERDAS图标面板菜单条:

Main/ImageClassification/Classification菜单，选择AccuracyAssessment菜单项，打开AccuracyAssessment对话框：

3打开分类专题图像

∙AccuracyAssessment对话框菜单条:

File/open

∙打开ClassifiedImage对话框

∙在ClassifiedImage对话框中确定与视窗中对应的分类专题图像

∙OK（关闭ClassifiedImage对话框）

∙返回AccuracyAssessment对话框

4将原始图像视窗与精度评估视窗相连接

AccuracyAssessment对话框:

∙工具条:

点击SelectViewer图标（或菜单条:

选择View/SelectViewer）

∙将光标在显示有原始图像的视窗中点击一下

∙原始图像视窗与精度评估视窗相连接

5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Changecolor面板

∙在PointswithnoReference，确定没有真实参考值的点的颜色

∙在PointswithReference确定有真实参考值的点的颜色

∙OK（执行参数设置），返回AccuracyAssessment对话框

6产生随机评估点

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

然后，随机点的实际类别与在分类图像的类别将进行比较。

操作过程：

AccuracyAssessment对话框:

Edit/Create/AddRandomPoints，打开AddRandomPoints对话框：

∙在SearchCount中输入1024

∙在NumberofPoints中输入10

∙在DistributionParameters选择Random单选框

∙OK（按照参数设置产生随机点），返回AccuracyAssessment对话框

可以看到在AccuracyAssessment对话框的数据表中出现了10个比较点，每个点都有点号、X/Y坐标值、Class、Reference等字段，其中点号、X/Y坐标值字段是有属性值的。

AccuracyAssessment对话框中显示了一个精度评估矩阵（AccuaryAssessmentCellarray）。

精度评估矩阵中将包含分类图像若干像元的几个参数和对应的参考像元的分类值。

这个矩阵值可以使用户对分类图像中的特定像元与作为参考的已知分类的像元进行比较，参考像元的分类值是用户自己输入的。

矩阵数据从分类图像文件中得到。

7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）；

8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（只要输入参考点的实际分类值，它在视窗中的色彩就变为第五步设置的PointWithReference颜色）；

9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:

Report/Options通过点击确定分类评价报告的参数。

∙Report/AccuracyReport（产生分类精度报告）

∙Report/CellReport（报告有关产生随机点的设置及窗口环境）

∙所有报告将显示在ERDAS文本编辑器窗口，可以保存为文本文件

∙File/SaveTable（保存分类精度评价数据表）

∙File/Close（关闭AccuracyAssessment对话框）

通过对分类的评价，如果对分类精度满意，保存结果。

如果不满意，可以进一步做有关的修改，如修改分类模板等，或应用其它功能进行调整。

4、分类后处理（Post-ClassificationProcess）

无论监督分类还是非监督分类，都是按照图像光谱特征进行聚类分析的，因此，都带有一定的盲目性。

所以，对获得的分类结果需要再进行一些处理工作，才能得到最终相对理想的分类结果，这些处理操作就通称为分类后处理。

无论利用监督分类还是非监督分类，分类结果中都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。

ERDAS系统中的GIS分析命令Clump、Eliminate可以联合完成小图斑的处理工作。

（1）聚类统计（Clump）

聚类统计（Clump）是通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性，该图像是一个中间文件，用于下一步处理。

操作过程：

ERDAS图标面板工具条:

点击Interpreter图标/GISAnalysis/Clump，打开Clump对话框：

在Clump对话框中，需要确定下列参数:

∙确定输入文件（InputFile）：

tm_superclass.img

∙定义输出文件（OutputFile）：

tm_clump.img

∙确定聚类统计邻域大小（ConnectNeighbors）：

8，（统计分析将对每个像元四周的8个相邻像元进行）

（2）去除分析（Eliminate）

去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组。

Eliminate将删除的小图斑合并到相邻的最大的分类当中，简化分类图像。

操作过程：

ERDAS图标面板工具条:

点击Interpreter图标/GISAnalysis/Eliminate，打开Eliminate对话框：

在Eliminate对话框中，需要确定下列参数:

∙确定输入文件（InputFile）:

tm_clump.img

∙定义输出文件（OutputFile）:

trn_Etiminate.iing

∙确定最小图斑大小（Minimum）:

50pixels

∙确定输出数据类型（Output）:

Unsigned4Bit

∙OK（关闭Eliminate对话框，执行去除分析）

（3）分类重编码（Recode）

分类重编码，主要是针对非监督分类而言的，由于非监督分类之前，用户对分类地区没有什么了解，所以在非监督分类过程中，一般要定义比最终需要多一定数量的分类数。

在完全按照像元灰度值通过ISODATA聚类获得分类方案后，首先是将专题分类图像与原始图像对照，判断每个分类的专题属性，然后对相近或类似的分类通过图像重编码进行合井，并定义分类名称和颜色。

操作过程：

ERDAS图标面板工具条：

点击Interpreter图标/GISAnalysis/Recode，打开Recode对话框：

在Recode对话框中，需要确定下列参数:

∙确定输入文件（InputFile）:

tmsuperclass.img

∙定义输出文件（OutputFile）:

tm_recode.img

∙设置新的分类编码（SetupRecode）:

点击SetupRecode按钮

∙打开ThematicRecode表格

∙根据需要改变NewValue。

字段的取值（直接输入）

∙OK（关闭Recode对话框，执行图像重编码.输出图像将按照）

可以在视窗中打开重编码后的专题分类图像，查看起分类属性表:

视窗菜单条:

Raste/Attributes，打开RasterAttributeEditor属性表。

对比重编码前后图像的属性表，特别是其中Histogram字段的数值，会发现两者之间的联系与区别。

（4）栅格到矢量的转换

栅格到矢量的转换是一个很重要的功能，遥感图像分类的结果需要转换为矢量格式，以对分类结果赋予各种属性，以及生成各种专题图，都需要这种功能，ERDAS系统支持转换后的矢量格式为ARC/INFO格式。

操作过程：

ERDAS图标面板工具条/Vector图标/VectorUtilities菜单/RastertoVector，打开RastertoVector对话框。

∙在InputRaster中输入（或浏览选取）要转换的图像的名字

∙在OutputVector中输入要产生的矢量图层的名字

∙点击OK按钮，出现RastertoARC/INFOCoverage对话框

∙选中OutputCoverageType为Polygon

∙WeedTolerances:

60（容限值是指弧段上两个点间的最小距离）

∙点击OK按钮

∙

六、实验报告要求

（1）非监督分类与监督分类的主要区别点，二者的优缺点。

（2）完整的叙述进行图像监督分类的整个过程，实行分类时的关键点在哪里。

哪些因素会影响分类的精度。

分类精度的评价方法有哪些。