文档介绍：遥感图像的非监督分类与监督分类
一、实验目的
非监督分类是对数据集中的像元依据统计数字,光谱类似度和光谱距离进行分类,在没有用户定义的条件下练习使用,在ENVI环境下的非监督分类技术有两种:迭代自组织数据分析技术(ISodata)和K均值算法(K-Means);
分类过程中应注意:1)怎样确定一个最优的波段组合,从而达到最佳的分类精度,基于OIF和相关系数,协方差矩阵以及经验的使用来完成对最适合的组合的选取,分类效果的关键即在于此;2)K-Means的基本原理;3)Isodata的基本原理;4)分类结束后,被分类后的图像是一个新的图像,被分类类码秘填充,从而可以获得数据提取信息,统计不同类码数量,转化为实际面积,在得到后的图像上,可对不同目标的形态指标进行分析。
对训练区中的像元进行分类;
用训练数据集估计查看监督分类后的统计参数;
用不同方法进行监督分类,如最小距离法、马氏距离法和最大似然法。
二、实验设备与材料
软件
ENVI
所需材料
TM数据
三、实验步骤
选择最优的波段组合
ENVI主工具栏中File →Open image file →→在Basic Tools中选择Statistics →Compute statistics选定原图,在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK,则各类统计数字均可查;
OIF计算,选择分类波段:
1,2;2,3;1,;;,。Correlation Matrix ,,,。。可以选择其他不同波段的数据进行同上运算,比值结果最大的为最优波段,此次选择结果为3,4,6波段。
K-Means法进行非监督分类
Classification →Unsupervised →K-Means, →点击Spectral subset →选3,4,6三个波段→OK,回到上级菜单→OK,在Number of classes中输15即分为15类,Change Iterations中输6,即最大迭化量为6次,Maximum Stdev From Mean中为空,选择保存位置→OK;在原界面中选定保存结果后New display →Load Band,双击查看Cursor Location/Value,发现Data已由原来的坐标形式转换为类码;在K-Means窗口工具栏中点击Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型,要求进行大量的野外调查,确定同一类码所代表的地物是什么
合并类的操作:Classification →Post classification → Combine classes →K-Means →OK;在Select Input Class中选Class 8,Select Output Class中选Class 10