1、遥感实验报告课程名称：遥感概论 年级：13 实验日期：姓名： 学号：13 班级： 实验名称：遥感图像计算机解译-非监督分类 实验序号：9 成员人数：实验目的：进一步理解计算机图像分类的基本原理以及非监督分类的过程，初步掌握遥感图像计算机解译的基本方法，加深对非监督分类的理解。 实验内容：ERDAS 遥感图像非监督分类实验方法和步骤：非监督分类运用 ISODATA 算法，完全按照像元的光谱特性进行分类，常常用于对分类区没什么了解的情况，使用该方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类像元数等比例。由于人为的干预较少，非监督的分类结果更加精确。非监督分类一般要经过以下几个步骤：初
2、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。实验的过程和结果：（一） 分类过程（ Classification Procedure ）第一步：调出非监督分类对话框：在 ERDAS 图标面板上点击 DataPrep 图标, Data Preparation 菜单Unsupervised Classification 菜单项Unsupervised Classification 对话框,如图 1-1 所示：图 1-1第二步：进行非监督分类确定初始分类数（Number of classes）： 12 分出 12 个类别实际工作中一般将分类数取为最终分类数的
3、2 倍以上。 .点击 Initializing options 按钮可以调出 Fi1e Statistics Options 对话框以设置 ISODATA 的一些统计参数， . 点击 Co1or Scheme Options 按钮可以调出 output color Scheme Options 对话框以决定输出的分类图像是彩色的还是黑白的。这两个设置项使用缺省值。 最大循环次数（Maximum Iterations）是指 ISODATA 重新聚类的最多次数，这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。一般在应用中将循环次数都取 6 次以上。 设置循环收敛阈值（Conver
4、gence Threshold）：0.95 收敛阈值（Convergence Threshold）是指两次分类结果相比保持不变的像元所占最大百分之此值的设立可以避免 ISODATA 无限循环下去。 点击 OK 按钮（关闭 Unsupervised Classification 对话框，执行非监督分类，获得一个初步的分类结果）生成如图 1-2 所示：图 1-22 、分类评价 （ Evaluate Classification ）第一步：显示原图像与分类图像 在同一个窗口中，同时打开两个图像。第二步：打开分类图像属性表并调整字段显示顺序打开 Raster 工具面板点击 Raster 工具面板的属性
5、图标(Raster Attributes)打开 Raster Attribute Editor 对话框(germtm_isodata 的属性表)，Rarster Attribute Editor 对话框菜单条：EditColumn Properties Column Properties 对话框在 Columns 中选择要调整显示顺序的字段，通过 UP、DOWN、TOP 、BOTTOM 等几个按钮调整其合适的位置，通过选择 DISPLAY WIDTH 调整其显示宽度，通过 Alignment 调整其对齐方式。如果选择 Editable 复选框，则可以在 Title 中修改各个字段的名字及其它内
6、容。在 Column Properties 对话框中，调整字段顺序：依次选择 Histogram、 Opacity、 Color、 Class_Names 字段，并利用 UP 按钮移动，使 Histogram、 Opacity、 Color、 Class_Names 四个字段的显示顺序依次排地前面。OK（关闭 Column Properties 对话框）如图 1-3：图 1-3得到的属性表如图 1-4：图 1-4第三步：给各个类别赋相应的颜色由于初始分类的图像是灰度图像，各类别的显示灰度是系统自动赋予的，为了提高分类图像的直观表达效果，需要重新定义类别颜色。Raster Attribute E
7、ditor 对话框（germtm_isodata.img 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）ASLS 色表菜单选择一种合适颜色重复以上操作，直到给所有类别赋予合适颜色，如图 1-5：图 1-5第四步：不透明度设置 由于分类图像覆盖有原图像上面，为了以单个类别的专题含义与分类精度进行分析，先要把其它所有类别的不透明程序值设为 0（即必为透明），而要分析的透明度设为1（即不透明），具体操作如下：Rarster Attribute Editor 对话框（germtm_isodata 的属性表）：右键点击 Opacity 字段名打开 C
8、olumn Options 菜单 选择 Formula 菜单项打开 Formula 对话框。如图 1-6：如图 1-6在 Formula 输入框中输入 0（可以用鼠标点击右上数字区）点击 Aplly 按钮（应用设置）点击 Close 按钮（关闭 Formula 对话框）返回 Rarster Attribute Editor 对话框（ germtm_isodata 的属性表）所有类别都设置成透明状态下面需要反所分析类别的不透明度设置为 1，亦即设置为不透明状态。Rarster Attribute Editor 对话框（ germtm_isodata 的属性表）点击一个类别的 ROW 字段从而选择
9、该类别点击该类别的 Opacity 字段从而进入输入状态在该类别的字段中输入 1，并回车此时，在视窗中只有要分析类别的颜色显示在原图像的上面，其它类别都是透明的。如图 1-6: 图 1-6第五步：确定类别的专题意义及其准确程度虽然已经得到了一个分类图像，但是对于各个分类的专题意义目前还没有确定，这一步就是通过设置分类图像在原图像背景上（Flicker）闪烁，来观察其与背景图像之间的关系，从而判断该类别的专题意义，并分析其分类准确程度。视窗菜单条：utility Flicker Viewer Flicker 对话框（略）设置闪烁速度（speed）：500，设置自动闪烁状态：auto mode（观
10、察类别与原图像之间的对应关系） canel（关闭 Viewer Flicker 对话框）第六步：标注类别的名称和相应的颜色。 重复以上 4 、 5 、 6 三步直到对所有类别都进行了分析与处理。注意，在进行分类叠加分析时，一次可以选择一个类别，也可以选择多个类别同时进行。 如图：1-7.如图 1-8。图 1-7图 1-8第七步：分类后处理：重编码对于同类地物进行类别合并， 分类重编码主要是针对之前非监督分类结果不理想的一种修正，可以将同种用地类型但属于不同类别的类合并在一起，如 class1class2、class3class4 等。具体操作如下： 点击 ERDAS 图标面板工具条下的 int
11、erpreter 图标 ，选择 GIS Analysis /下的 Recode 命令，打开 Recode 对话框：如图 1-9:图 1-9点击 setup recode，弹出如下对话框：如图 1-10：图 1-10点击 Ok,完成重编码，最终便可以得到重编码后的结果图，如图 1-11，图 1-12。图 1-11图 1-12（二）分类精度评价第一步：在视窗中打开原始图像在 Viewer 中打开分类前的原始图像，以便进行精度评估。图 2-1第二步：启动精度评估对话框ERDAS 图标面板菜单条：MainImage Classification Classification或 ERDAS 图标面板工具
12、条：点击 Classifier 图标Classification 菜单选择 Accuracy Assessment 菜单项打开 Accuracy Assessment 对话框图 2-2第三步：打开分类专题图像 Accuracy Assessment 对话框菜单条：FileOpen 打开 Classified Image 对话框 在 Classified Image 对话框中确定与视窗中对应的分类专题图像 OK（封闭 Classified Image 对话框） 返回 Accuracy Assessment 对话框。第四步：将原始图像视窗与精度评估视窗相连接 Accuracy Assessment
13、 对话框：工具条：点击 Select Viewer图标（或菜单条：选择 View 菜单的 Select Viewer） 将光标在显示有原始图像的中点击一下 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 Accuracy Assessment 对话框： 菜单条 View Change Colors 菜单项 打开 Change color 面板在 Points with no Reference 确定没有真实参考值的点的颜色 在 Points with Reference 确定有真实参考值的点的颜色 OK（执行参数设置） 返回 Accuracy Assessmen
14、t 对话框 。图 2-3第六步：产生随机点 本步操纵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种别。然后，随机点的实际种别与在 分类图像的种别将进行比较。 Accuracy Assessment 对话框： Edit Create/Add Random Points 打开 Add Random Points 对话框。在 search Count 中输进 1024 在 Number of Points 中输进 20 Distribution Parameters 选择 Random 单选框 OK（按照参数设置产主随机点） 返回 Accuracy Assessment
15、对话框 可以看到在 Accuracy Assessment 对话框的数据表中出现了 10 个比较点，每个点都有点号、XY 坐标值、 Class、 Reference 等字段，其中点号、 XY 坐标值字段是有属性值的。 说明：在 Add Random Point 对话框中， search Count 是指确定随机点过程中使用的最多分析像元数，当然这个数目一般都比 Number of Point 大很多，Number of Points 设为 20 说明是产生 20 个随机点，假如是做一个正式的分类评价，必须产生 20 个以上的随机点。选择 Random 意味着将产主尽对随机的点位，而不使用任何强
16、制性规则。Equalized Random 是指每个类将具有同等数目的比较点。stratified Random 是指点数与种别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择 Use Minimum Points）,以保证小种别也有足够的分析点。如图 2-4：图 2-4精度评价的结果如图 2-5：图 2-5经非监督分类后的图像如图：2-6图 2-6与实验 8 的结果进行对比：实验 8 的精度评价如图 2-7：图 2-7实验 8 监督分类后的结果图像：如图 2-8 所示：图 2-8总结：通过实验 8 与实验 9 的比较，监督分类的优点：可充分利用分类地区的先验知识，预先确定分类的
17、类别；可控制训练样本选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误） ；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意） 。而非监督分类的主要优点是：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等） ；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别，但缺点是：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
