实验二 遥感影像信息提取(监督与非监督分类)

1实验二遥感影像信息提取（监督与非监督分类）一.实验目的掌握监督与非监督分类技术二.实验内容（一）监督分类监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。遥感影像的监督分类一般包括以下6个步骤，如图17所示：2图17监督分类步骤1、类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。本例是以ENVI自带Landsattm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。2、样本选择（1）为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得。本例中使用ROIs方法，打开分类图像，在Display-Overlay-RegionofInterest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。如3图18所示，设置好颜色和类别名称。（2）在ROIs面板中，选择Option-ComputeROISeparability,计算样本的可分离性。如图19所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita,TransformedDivergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。图18训练样本的选择4图19样本可分离性计算报表（3）样本提纯技术：Spectral—nDimensionalVisualizerN维散度可视分析，是ENVI比较有特色的功能，可以使样本更加纯净，提高分类精度。(4)将分类结果叠加在原TM影像上，初步验证分类的正确性，用ENVI的编辑功能调整分类3、分类器选择根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几种分5类器的简单描述。平行六面体:根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。最小距离:利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。马氏距离：计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。最大似然:假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。神经网络:指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。支持向量机:支持向量机分类（SupportVectorMachine或SVM）是一种建立在统计学习理论（StatisticalLearningTheory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。波谱角:它是在N维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大6的相似度。4、影像分类（1）基于传统统计分析的分类方法参数设置比较简单，选择支持向量机分类方法。主菜单下选择ClassificationSupervisedSupportVectorMachine。按照默认设置参数输出分类结果，如图21所示。图20支持向量机分类器参数设置7图21支持向量机分类结果（2）选择最大似然法进行分类，并与支持向量机分类结果进行比较（二）非监督分类非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理)信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。目前比较常见也较为成熟的是ISODATA、K-Mean等。遥感影像的非监督分类一般包括以下6个步骤：8图1非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。本案例的数据源为ENVI自带的Landsattm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。确定在非监督分类中的类别数为5-15。2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。ENVI包括了ISODATA和K-Mean方法。ISODATA（IterativeSelf-OrgnizingDataAnalysizeTechnique）重复9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，且根据所得的新均值，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”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。3、影像分类打开ENVI，选择主菜单-Classification-Unsupervised-IsoData或者K-Means。这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。这里选择软件自带的Can_tmr.img，按默认设置，之后跳出参数设置，如图2。这里主要设置类别数目（NumberofClasses）为5-15、迭代次数（MaximumIteration）为10。其他选项按照默认设置，输出文件。图2ISODATA非监督分类参数设置10图3ISODATA分类结果4、类别定义/类别合并1)类别定义：在display中显示原始影像，在display-overlay-classification，选择ISODATA分类结果，如图4所示，在InteractiveClassTool面板中，可以选择各个分类结果的显示。图4影像与分类结果的叠加11InteractiveClassTool面板中，选择Option-Editclasscolors/names。通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。InteractiveClassTool面板中，选择Option-Editclasscolors/names。通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。图5类别定义如图6所示为最终的结果。12图6类别定义结果2)类别合并选择主菜单-Classification-PostClassification-CombineClasses。把同一类的类别合并成一类，如图7所示。在点击ok后，需要选择输出文件和RemoveEmptyClass选择YES，可以得到结果。13图7类别的合并5、分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析等操作。1)更改类别颜色可以在InteractiveClassTool面板中，选择Option-Editclasscolors/names更改，也可以在Display-ColorMapping-ClassColorMapping。如下图8所示，直接可以在对应的类别中修改颜色。也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单-Classification-PostClassification-AssignClassColors。14图8类别颜色的更改15图9类别颜色更改后的效果16图10自动颜色更改的效果图2)分类统计分析主菜单-Classification-PostClassification-ClassStatistics。如图11所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。17图11分类结果统计