搜索
TM影像的非监督分类1、首先打开ENVIClassic，然后点击File/openimagefile打开待分类影像Can_tmr.img（这里以ENVI自带的参考影像为例），选择RGB波段5-4-3，然后loadRGB显示图像，之后选择进行影像分析，大体上估计影像主要类别的数量。一般非监督分类的分类数量比最终分类数量多2—3倍为宜，这样有利于提高分类精度。2、然后进行非监督分类，选择主菜单Classification/Unsupervised然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的ClassificationInputFile对话框中选择Can_tmr.img，如下图；注：分类器的选择——IsoData重复自组织数据分析技术，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进行迭代聚合，每次迭代都重新计算均值，且根据新均值，对像元进行再分类。K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的，然后迭代地重新配置他们，完成分类过程。3、点击ok，弹出ISODATAParamenters对话框，分类的数量NumberofClasses:5-15（因为该幅影像最终想要分6类），迭代次数MaximumIterations：20（迭代次数越多越精确，同样处理的也较慢），其他的阈值、最小像素、标准差等都保持默认设置就可以，然后选择输出路径和文件名，设置参数如下图：点击ok，软件开始分类，下图为自动分类前、后的对比图：4、下面进行类别定义，在display中显示原始影像，在display/overlay/classification,选择IsoData法分类后的影像，点击ok，显示图像如下，在InteractiveClassTool窗口中，可以选择各个分类结果进行显示，如下图：在InteractiveClassTool窗口中，选择Option/Editclasscolors/names.通过目视解译或其他方式识别分类结果，填写相应的类型名称和颜色。下图为类别定义的结果：注：在类别定义的时候，可以利用Mode：PolygonAddtoclass、Edit/PolygonDeletefromClass或者Setdeleteclassvalue把明显的错误分类结果并入或删除。5、最后进行类别合并，选择主菜单Classification/PostClassification/CombineClasses.把同一类合并成一类，如下图，点击ok后，选择输出文件和RemoveEmptyClass选择YES，可以得到结果。6、然后进行分类统计分析，主菜单/Classification/PostClassification/Classstatistics,如下图设置，设置输出路径和文件名，点击ok即可：7、下面进行小斑点处理，一般采取的方法有Majority/Minority、聚类（clump）和过滤（Sieve），这些工具都可以在主菜单/Classification/PostClassification中找到，前两种方法都是把小斑点合并到大类当中，过滤则是把不符合的小斑点去除掉。本流程采用Majority分析。如下图：8、下面进行栅矢转换，这一步可以将分类后得到的结果转化为矢量格式。打开主菜单/Classification/PostClassification/ClassificationtoVector，选择类别合成之后的波段点击ok，在弹出的对话框中SelectAllItems，选择输出路径和文件名输出，然后在AvailableVectorsList对话框中选择输出的vector数据，然后Loadselected。