遥感影像监督分类

遥感影像监督分类

一、实验目的

通过使用envi5.0学会对遥感图像的监督分类。

二、实验设备

Envi5.0软件，计算机

三、实验内容

遥感影像监督分类，对每一类物体添加选取，进行分类。

四、实验步骤

1、打开软件，打开文件，出现图像

单击图像右键→toggle→Display scroll Bars。

2、点击菜单栏basic tools →region of interest →ROI TOOL

出现对话框↓单击zoom 单击new region新建六个分类，并且修改名称，分别是沙地、林地、草地、裸地、耕地、其他。

对每一个分类进行选取，画区域右键选择，每一个选择十个左右。最后看一下分类结果，单击options→compute roi separability↓ select all items→ok

出现分类结果。

大图如下↓

3、输出文件

菜单栏点击classification→supervised→maximum likelihood

出现下面对话框→点击none→choose→选择输出路径和文件名。

新建一个图，打开保存的新图。

4、单击rol tool 菜单栏里面的file→export rois to n-D visualizer→select all items →ok→1.2.3.4.5.6.→start完成。

5、单击rol tool 菜单栏里面的file→restore ROIs→打开验证文件→单击菜单栏里面classification→post classification→confusion matris→using ground truth ROIs →自己的图→ok

出现下图将matched classes中的选项都选入上面ground truth roi里。再将林地对应林地单击add combination 草地对应草地等全部选入。单击ok

出现结果，结果需要大于百分之八十五。

6、单击classification→post classification→clump classes→select all items→choose文件路径，文件名。→ok

7、classification→post classification→classification to vector →select all items→choose文件路径，文件名。→ok

8、单击RTV→select all layears→load selected→新图层 ok

结果如下↓然后保存成shapefile 单击file里export active layer to shapefile

9、打开arc map 进行地图的制作与处理。成果如下。

实验六：遥感图像监督分类与非监督分类

成都信息工程学院 遥感图像处理实验报告 实验6：遥感图像监督分类与非监督分类 专业：遥感科学与技术 班级： 092班 姓名：李翔 学号：2009043063 实验名称：遥感图像监督分类与非监督分类 实验教室： 5404教室 指导老师：刘志红 实验日期：2011年4月6日和4月13日

遥感数字图像处理实验报告 一、项目名称 遥感图像监督分类与非监督分类 二、实验目的 学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。 三、实验原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的过程，称为图像的分类。 根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。 分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。 聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。 四、数据来源 1．下载网站：https://www.docsj.com/doc/bb11588957.html,/admin/dataLandsatMain.jsp 2．波段数为6个。 3．分辨率为28.50,米。 4．投影为UTM, Zone48。 五、实验过程 一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标，打开对话框， 2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，确定循环次数和阈值。如图所示：

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（Iterative Self-Organizing Data Analysis Technique)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IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation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（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 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（Unsupervised Classification)

遥感影像分类envi

遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

实验四遥感图像的监督分类和非监督分类

实验四遥感图像的非监督分类与监督分类 一、实验目的 1．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）； 2．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。 3．对训练区中的像元进行分类； 4．用训练数据集估计查看监督分类后的统计参数； 5．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 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→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；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。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。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →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/V alue，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

遥感非监督分类实验报告书

遥感非监督分类实验报告书 部门： xxx 时间： xxx 整理范文，仅供参考，可下载自行编辑

遥感图像的非监督分类实验报告 姓名：李全意 专业班级：地科二班 学号：2018214310 指导教师：段艳 日期：2018年6月3日 1. 实验目的 通过本实验加强对遥感非监督分类处理理论部分的理解，熟练掌握图像非监督分类的处理方法，并将处理前后数据进行比较。 b5E2RGbCAP 2. 实验准备工作 <1）准备遥感数据<本实验使用的是老师提供的遥感数据）； <2）熟悉遥感图像非监督分类的理论部分 3．实验步骤 4. 实验数据分析与结论 <1）通过分类前后图像的比较，发现非监督分类后的图像容易区分不同地物； <2）分类过程中存在较多错分漏分现象，同种类别中有多种地物； <3）非监督分类根据地物的光谱统计特性进行分类，客观真实且方法简单，而且具有一定的精度。 5. 实验收获及需要解决的问题 <1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。 p1EanqFDPw

Unsupervised Classification, 在Unsupervised Classification对话框中，将参数设计设计如下： Number of classes：30,一般将分类数取为最终分类数的2倍以上；Maximum Iterations：18； 点击Color Scheme Options决定输出的分类图像为黑白的；Convergence Threshold：0.95。 点击OK即可。打开完成后图像与原图像对比： 原图：完成后： <2）打开原图像，在视窗中点击File/Open/Raster Layer，选择分类监督后的图像classification1.img，在Raster Options中，取消Clear Display如下：

遥感图像的监督分类与处理_赵文彪

杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院

1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 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。在分类乊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凼数迚行训练，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凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，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。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像

envi遥感图像监督分类与非监督分类

envi遥感图像监督分类 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，如下图所示： 详细操作步骤 第一步：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。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。

遥感实习遥感图像监督分类

实验五：监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。 三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：

遥感上机监督分类与非监督分类

基本原理 1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类。监督分类的具体步骤：

操作方法及过程 1. 选择你熟悉的研究区数据，加载到ENVI，可以是裁剪前的图像，也可以是裁剪后的图像。根据实习要求，通过目视解译预想好将要建立的地物种类，并基于此提取出各类地物（要求不少于5种），如可分为居民点、道路、河流、湖泊、在植耕地、水田……几类（或参考下表）。根据以下操作步骤确定土地的覆盖类型、编码以及色调。 居民点Town 砾石gravel desert 道路Road 水稻田paddy land 水浇地irrigated land 水库reservoir 裸地barren land 工业区industrial area 滩地shoaly land 林地forest 草地grassland 河流stream 2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用（感兴趣的区域）ROI工具建立训练区，给出各个类别的特征统计表。 加载研究区影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。请根据实际图像选择分类类型和构建ROI，并截图至此（以下以两种地物选取ROI为例，请自行补全其他）：

遥感图像的分类实验报告

精心整理 一、实验名称 遥感图像的监督分类与非监督分类 二、实验目的 理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。 三、 四、 五、 1. 1.1打开并显示影像文件，选择合适的波段组合加载影像 打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。 1.2使用感兴趣区（ROI）工具来选择训练样区 1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。出现ROI Tool对话框， 2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。

由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。 1.3选择分类方法进行分类 1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。 以最小距离法（Minimum Distance）为例进行说明。选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。 2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择 点击 2. 1 2 3. 。 1 选择Mode :polygon delete from class将错误点剔除。 2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。图为采用八联通域将像素小于5的点删除。 3.3混淆矩阵精度验证 1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。 2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。

遥感监督分类

实验遥感图像监督分类 实验目的： 通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。 实验内容： 监督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。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象元建立模板，然后基于该模板使计算机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，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。 实验步骤： 第一步：定义分类模板 ERDAS IMAGINE 的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来负责的。 在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。因此，显示这两种图像的窗口也是进行监督分类的重要组件 1、显示需要分类的图像 在窗口中显示图像germtm.img。 具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。

图5－1 设置图像显示参数 点击OK，打开图像（图5－2）。 图5－2 打开图像 2、打开分类模板编辑器 两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。

遥感影像的监督分类和非监督分类

实验4：遥感影像的监督分类和非监督分类实验学时：4 实验类型：综合 实验要求：必修 一、实验目的 1、对非监督分类：先对分类过程不施加任何先验知识，凭像元的光谱特征，运用迭代自组织分析（ISODA TA）算法，把一组像素按照相似性归为若干类别。 2、对监督分类：在对遥感图像上地物类别属性已经有了先验知识的基础上，即要从图像中选取所区分的各类地物的样本，建立模板再进行自动识别。 二、实验内容 通过对遥感图像的处理和分析，掌握遥感图像处理中目标检测方法。 三、实验要求 通过练习，熟练掌握遥感图像两类分类方法、评价方法的原理及实现过程，体会在具体应用中的适应性。 四、实验条件 遥感影像（qb.img，quickbird 数据，蓝绿红3个波段）、Erdas软件 五、实验步骤 遥感图像理解中主要有两种基于统计方法的分类：监督分类和非监督分类。 我们使用Erdas软件中的进行分类实验，以下我们分别对这两种进行实验。 1）非监督分类 ①点击Unpervised Classification，弹出如下图的对话框：

图5 在对话框中输入要分类的图像和输出的文件名，在Number of Classes 中输入要分类的种类数（至少为目标分类数的两倍，我们要把原图像分为4类，所以该处的参数要大于8）。 点击OK按钮就完成了非监督分类的基本操作。 ②打开分类后的遥感图像，此时还没有对各个类进行颜色设定，如图六 所示：

图6 ③点击Viewer上的工具，弹出Raster Attribute Editor对话框，在该对话框中可以对各个类的显示颜色进行设定，并且修改各个类的类名。 对照原遥感图像，我们将分类后的影像图显示为四种颜色，如图八所示：

遥感图像的非监督分类

实验五遥感图像的非监督分类 一、实验目的 1．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）； 2．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。 二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→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；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。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。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →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 2）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（即把第8类和第10类合并）→点Add combination →OK →Memory →OK；在原界面中选择保存结果→New Display →Load Band；在Load 后的Display中点击Tools →Link →Geographic link，则Display（当前）和Display #2（前一个）变为on，表示2者合并→OK，可查看变化结果。

envi遥感图像处理之分类

ENVI遥感图像处理之计算机分类 一、非监督分类 1、K—均值分类算法 步骤：1）打开待分类的遥感影像数据 2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框 3）选择待分类的数据文件 4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置

5）建立光谱类和地物类之间的联系：在新窗口中显示分类结果图： 然后，打开显示窗口菜单栏Tools菜单—>Color Mapping—>Class Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称，显示的颜色等，建立了光谱类和地物类之间的联系。 设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立6）类的合并问题：如果分出的类中，有一些需要进行合并，可按以下步骤进行：选择ENVI主菜单Classfaction—>Post Classfiction—>Combine Classes，进入待合并分类结果数据的选择对话框

点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。 至此，K—均值分类的方法结束。 2、ISODATA算法 基本操作与K—均值分类相似。 1）进行分类数据文件的选择（依次打开：ENVI主菜单栏—>Classification—>Unsupervised —>IsoData即进入ISODA TA算法分类数据文件选择对话框，选择待分类的数据文件）2）进行分类的相关参数的设置（点击OK键以后，进入参数设置对话框，可以进行分类的 最大最小类数、迭代次数等 参数的设置）

遥感图像分类 ---监督分类

遥感图像分类——监督分类 地质系09资源勘查 0910105025 殷祥 2012-5-19

遥感图像分类——监督分类 一、实验目的 掌握在ERDAS中进行监督分类的操作方法；掌握对分类进行精度评估的方法。 二、实验内容 1.定义分类模板 （1）显示需要进行分类的图像。在ERDAS中打开一个文件名为or_196560080.tif，在选择时，需要将进行操作，即将其勾上。 （2）打开模板编辑器并调整显示字段。在ERDAS中，点击C1assifier/Signature Editor菜单项，出现Signature Editor对话框。在其对话框下单击view中的column，在弹出的对话框中先将其全部选中，然后按住shift，拉住3,4,5行，如图所示，选好后点击apple，之后关闭，于是signature editor中的属性栏就少了之前的三个选项。 （3）获取分类模板信息利用AOI工具选择训练样区，将AOI 区域加载到Signature分类模板中。并定义该训练样区所代表的 分类类别的名称（Signature Name）和该类别在分类后图像中的 颜色（Color）。重复上述操作过程以多选择几个区域AOI，并将 其作为新的模板加入到Signature Editor当中，同时确定各类的 名字及颜色。如果对同一个专题类型（如水体）采集了多个AOI 并分别生成了模板，可以将这些模板合并，以便该分类模板具多 区域的综合特性。具体是将AOI中的tools打开，用进行选 择区，选中后，点击Signature Editor中的，多选择几处相 同的物象，都进行相同的操作，接着将添加的相同物象进行合并， 将前添加的选择，使用，接着，将之前的添加删除，即将 他们选中，右击，在弹出的快捷菜单中选择delete selection，然后对合并项进行必要的编辑。编辑完成之后的表如下图

envi-监督分类的提纯

《遥感应用分析原理与方法》课程 ENVI实习指南 1. 界面系统介绍 (2) 2. 文件的存取与显示 (2) 3. 图像预处理 (3) 4. 影像分析 (5) 影像统计分析 (5) 图像增强(Image:Enhance) (5) 专题信息提取 (6) 5. 定义感兴趣区(ROI)及分类 (6) 监督分类（Supervised Classification） (6) 非监督分类（Unsupervised Classification） (9) 6. 分类后处理（Post Classification） (9) 7.制图输出 (10) 图形的整饰 (10) 图形输出 (11) 8.图像存取的举例说明 (11)

ENVI实习指南 ENVI（The Environment for Visualizing Images）Version 4.1 ,由美国系统研究公司（Research System INC.）开发。 1. 界面系统介绍 1.主菜单：菜单项，File、Basic Tool、Classification、Tranform、Spectral实习所涉及的 （粗略介绍） 2.Help 工具的使用 3.主菜单设置（preferences）：内存设置 2. 文件的存取与显示 1．图像显示 由一组三个不同的图像 窗口组成：主图像窗口、滚 动窗口、缩放窗口。 1）主图像Image窗口： （400*400）100％显示（全 分辨率显示）scroll的方框， 可交互式分析、查询信息。 主图像窗口内的功能菜单： 在主图像窗口内点击鼠标右 键，切换隐藏子菜单的开启 和关闭。该"Functions" 菜 单控制所有的ENVI交互显 示功能，这包括：图像链接 和动态覆盖；空间和波谱剖面图；对比度拉伸；彩色制图；诸如ROI的限定、光标位置和值、散点图和表面图等交互特征；诸如注记、网格、图像等值线和矢量层等的覆盖（叠置）；动画以及显示特征。 2）滚动Scroll窗口：全局，重采样(降低分辨率)显示一幅图像。只有要显示的图像比主图像窗口能显示的图象大时，才会出现滚动窗口。滚动窗口位置和大小最初在envi.cfg 文件中被设置并且可以被修改。

监督分类与非监督分类0603

图像分类 一、实验目的 1、理解遥感图像分类的基本原理和方法。 2、掌握在ERDAS IMAGINE软件中进行非监督分类、监督分类的操作流程以及两种分类方法的区别。 3、了解分类后处理及精度评价原理及过程。 二、实验设备 1、ERDAS IMAGINE遥感影像处理软件。 三、实验过程及要求 1、非监督分类 ERDAS IMAGINE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已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。 1.1分类流程图 1.2 分类过程 1）调出非监督分类对话框 在菜单栏中单击Raster→Unsupervised Classification→选择Unsupervised Classification项，打开Unsupervised Classification 对话框。

2）进行非监督分类 在 Unsupervised Classification 对话框中 →Input Raster File (确定输入文件)：待分类的图像（此处为经过主成分分析后的图像）。 →Output Cluster Layer (确定输出文件)。 →勾选Output signature Set （选择生成分类模板文件）→Filename (确定分类模板文件) 。→Cluster Options:选择 Initiate from Statistics. →分类方法:选择isodata. →Number of Classes（确定初始分类数）:7 →对于 Initializing Options 和 Color Scheme Options 两项均取缺省值。 →Maximum Iterations（定义最大循环次数）:24(一般在应用中将循环次数都取值 6 以上) →Convergence Threshold （设置循环收敛阈值）:0.950(取系统默认值) →单击OK 按钮（关闭Unsupervised Classification 对话框，执行非监督分类）下图为分类 后的图：

遥感图像监督分类

1.实验目的 （1）学习和掌握使用遥感图像分类的基本原理、方法，明确分类的实际意义。 （2）掌握用ENVI软件对遥感图像进行有监督分类的方法，包括参数类算法和非参数类算法，并进行定性和定量的对比分析。 （3）理解和巩固基础知识，熟练动手操作的过程，提高综合分析问题的能力。 2.实验原理 遥感图像分类处理主要是利用遥感图像像元间的相关性或在特征空间的不同聚集位置，找一种对图像像元的归并或在特征空间的划分方法，实现对图像像元的类别划分。分类的目的就是从遥感图像中识别实际的地物类型，进而提取地物信息。 图像分类的依据通常是像元之间的相似性，相似性通常采用“距离”来度量，距离越小则相似度越大。其中包括欧氏距离、马氏距离和余弦距离等。 根据是否需要事先提供已知类别及其训练样本，可将遥感图像分类方法划分为监督分类和非监督分类。本次实验使用的监督分类则是事先已知地物类别的部分信息(类别的先验知识)，对未知类别的样本进行分类的方法。其中监督分类的思想包括： （1）确定每个类别的样区 （2）学习或训练 （3）确定判别函数和相应的判别准则 （4）计算未知类别的样本观测值函数值 （5）按规则进行像元的所属判别 主要的监督分类方法包括：参数类以及非参数类。参数类包括距离判别函数和距离判别规则、最小距离分类法、平行六面体分类法、概率判别函数和贝叶斯判别规则、最大似然分类法。非参数类包括神经网络、支持向量机（SVM）。

3.实验步骤 （1）使用ENVI软件打开本次实验使用的多光谱图像，选择好RGB对应的波段后打开彩色图像。 （2）对彩色图像不同的区域进行ROI的选取，并保存ROI文件。 （3）选取好ROI之后进行分类，首先使用的分类方法是最大似然分类法，可以得到分类之后的图像。 （4）删除掉之前选取的ROI，重新导入真实地面的ROI。 （5）通过使用真实地面的ROI和第二步得到的分类结果图计算混淆矩阵，可以定量的求出总精度OA和Kappa系数。 （6）重复实验，并且使用另一种非参数的分类方法：支持向量机。进行分类时使用的仍然是第一步中保存好的ROI文件。 （7）对比两次实验的结果，进行数据分析。 4.实验结果与分析 4.1 实验结果 实验原图像的RGB显示如图4.1所示。 图4.1 原图像 使用最大似然分类法得到的分类结果以及使用真实地面ROI计算得到的混淆矩阵以及总精度OA和Kappa系数如图4.2以及图4.3所示。

遥感图象分类II( 非监督分类)

实验三遥感图象分类II（非监督分类） 3.1 概述 遥感图像分类是指根据遥感图像中地物的光谱特征、空间特征、时相特征等，对地物目标进行识别的过程。图像分类总的目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或算法划分为不同的类别。最简单的分类是只利用不同波段的光谱亮度值进行单像元自动归类。另一种则不仅考虑像元的光谱亮度值，还利用像元和其周围像元之间的空间关系，如图像纹理、特征大小、形状、方向性、复杂性和结构，对像元进行分类。通过图像分类，可以得到地物类型及其空间分布信息。无论是地物信息提取，动态变换监测，还是专题地图制作和遥感图像库的建立等都离不开分类。图像分类结果是将图像空间划分为若干个子区域，每个区域代表一类地物。根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。本次实验主要进行非监督分类。 3.2 实验目的 1通过本次上机实验，掌握遥感图像非监督分类的基本方法和步骤。 2加深对遥感图像分类的理解。 3熟悉ERDAS图像分类模块。 3.3 实验原理 非监督分类（unsupervised），也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入，计算机按一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。长期以来，已经发展了近百种不同的自然集群算法，如ISODATA、链状方法等。ERDAS的非监督分类是基于ISODATA算法实现的。 3.4 实验过程 第1步：启动非监督分类 在ERDAS图标面板工具条中单击Classifier图标，打开Classification菜 单，单击Unsupervised Classification按钮，打开Unsupervised Classification对话框，在Unsupervised Classification对话框中进行如下设置。