遥感图像分类方法综述
遥感图像分类方法综述
王一达,沈熙玲,谢炯
(杭州市电力局调度所,浙江杭州310028)
摘要:从遥感图像分类方法的基本原理入手,介绍了传统遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的新方向作了一些介绍,并对发展趋势作了展望。
关键词:遥感图像;图像分类;模式识别。
中图分类号:P237.9 文献标识码:A 文章编号:1000-3177(2006)87-0067-05
收稿日期:2006-03-01
基金项目:国家自然科学基金40271087时态GIS 的基态修正时空数据模型扩展及其应用;浙江省自然科学基金401006GIS 时空数据库中
的基态修正模型扩展及其应用.
作者简介:沈熙玲(1980~)、女、浙江大学硕士研究生、主要从事遥感应用研究、GIS 理论及应用研究.
1 引 言
遥感图像是按一定的比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式。所以遥感技术的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征[2]。在遥感图像技术的研究中,无论是专业信息提取,运动变化预测,还是专题地图制作和遥感数据库的建立等都离不开分类,对照地面地物类型,便可以从图像上地物的识别。随着近年来计算机技术的飞速发展,计算机识别分类成了遥感技术应用的一个重要组成部分。遥感图像数据类别多,合混度大,如何解决多类别分类识别并满足一定的分类精度,是当前遥感图像研究中的一个关键问题,也是人们关注的焦点[1]。
2 遥感图像分类原理
通常我们所指的遥感图像是指卫星探测到的地物亮度特征,它们构成了光谱空间。每种地物有其固有的光谱特征,它们位于光谱空间中的某一点。但由于干扰的存在,环境条件的不同,例如:阴影,地形上的变化,扫描仪视角,干湿条件,不同时间拍摄及测量误差等,使得测得的每类物质的光谱特征不尽相同,同一类物质的各个样本在光谱空间是围绕某一点呈概率分布,而不是集中到一点,但这仍使我们可以划分边界来区分各类。因此,我们就要对图像进行分类。图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数,将特征空间划分为不相重叠的子空间,进而把影像内诸像元划分到各子空间去,从而实现分类。分类方法可以分为统计决策法(判别理论识别法)模式识别和句法模式识别。
统计决策法模式识别指的是:对研究对象进行大量的统计分析,抽出反映模式的本质特点、特征而进行识别。主要
的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。此外还可以将两者结合起来,互相补充以获得较好的效果。句法模式识别则需要了解图像结构信息,
从而对其进行分类。
图1 统计决策法模式识别原理框图
图2句法模式识别原理框图
3 遥感图像分类研究现状
在目前的遥感图像分类应用中,用的较多的是传统的模式识别分类方法:诸如最小距离法,最大似然法等监督分类法。其分类结果由于遥感图像本身的空间分辨率以及/同物异谱0,/同谱异物0现象的存在,而往往出现较多的错分、漏分情况,导致分类精度不高。但目前也提出了一些改进算法,使其分类精度有了大幅的提高。随着遥感技术的发展,近年来出现了一些新的倾向于句法模式的分类方法,如人工神经网络方法,模糊数学方法,决策树方法,专家系统方法等。
3.1 传统的遥感图像分类方法
在遥感图像数据的分类中,人们最常用的是最大似然分类法和最小距离分类法。最大似然分类法一般是基于贝叶斯(Bayes)准则构建起来的,而基于各种判决距离函数的多种分类方法都称为最小距离分类法。
3.1.1 最大似然分类法
67
按贝叶斯准则建立起来的贝叶斯判决准则称为贝叶斯分类器,其构建原理如下:地物影像可以以其光谱特征向量作为量度,在光谱特征空间中找到一个相应的特征点,而来自于同类地物的特征点在特征空间中将形成一个从属于某种概率分布的集群,判别某一特征点类属的合理途径是对其落进不同类别集群中的条件概率进行比较,相应于条件概率大的那个类别将是该特征点的归宿。为此可以把某特征点X 落入某类集群(W i )的条件概率P (W i /X )当成分类判决函数,称为概率(或似然)判决函数。由于概率是建立在统计意义上的,因而当使用概率判决函数进行分类判别时,不可避免的出现错分现象。我们希望以错分概率或风险最小为准则来建立所需要的判决规则,这就用到贝叶斯判决规则,其判决函数d i (X)如下:
d i (X)=ln P(W i )-12ln |
E i |-
12
[(x -
M i )
T
(
E i )-1(x -
M i )]
相应的判决规则有:若对于所有可能的j =1,2,...,m,j X i 有d i (X )>d j (X),则X 属于W j 类。
近年来,出现了一种新的数据处理技术数据融合。数据融合是多源信息综合处理的一项技术,它将来自各数据源的信息通过某种方式处理,产生比单一数据更精确,更可靠,更安全,更有效的信息。数据融合的基本要点是:(1)采用何种方式融合,这是数据融合的基本方法问题。(2)融合后信息的有效性,这是数据融合的最优性问题。
有人将此与Bayes 方法结合起来,提出了顾及各数据源成像模型,上下文关系模型和可靠性的基于Bayes 融合分类方法
[3]
。并采用该方法对Landsat TM 和航空SAR 图像进
行分类试验,结果表明:同单独图像分类结果相比,融合分类方法将分类精度提高了20%。
3.1.2 最小距离分类法
最小距离分类法的判决函数是建立在地物光谱特征在特征空间中是按集群方式分布为前提的。它的基本思路是设法计算某随机特征点X 到有关类别(W i ,i =1,2...,m )集群之间的距离,哪类距离它最近,它就归属于那类。距离判别函数不像贝叶斯判决函数那样偏重于集群分布的统计特性,而是偏重于几何位置,其通用判决形式如下:
若对于所有可能的j =1,2,...,m,j X i 有d i (X)>d j
(X ),则X 属于W j 类。
在实践中三种距离判别函数:(1)马氏(Mahalanobis)距离:d Mi (X)=(X -M i )T (E i )-1
(X -M i )
(2)欧氏(Euchidena)距离:
d Ei (X )=(X -M i )T (X -M i )=+(X -M i )+2
(3)计程(T axi)距离:d Ti (X )=E m
j =1|X -M i |
为了提高遥感图像的分类精度,综合利用多波段卫星图像,图像融合无疑是切实可行的方案。但由于所考察的地物在遥感图像上图斑零散,灰度值范围宽,因此目标之间,目标和背景之间往往属于线性不可分或非线性分类问题,这也是影响分类精度的一个重要原因[4]。为此出现了一种称为自
适应最小距离的算法以及在它基础上的用核空间理论改进的自适应最小距离算法
[4]
。
自适应最小距离算法的基本原理:首先,通过样本集合的分解,得到样本分布估计;然后,根据分解结果求出实际分类中待分类点到每一类的距离,并作为分类依据。
用核空间理论改进的自适应最小距离算法则是通过引入核空间理论,将在输入空间中不能线性分类问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好的解决了非线性分类问题。其原理:首先,要将自适应最小距离分类算法公式中的输入空间变量改写为输入空间变量内积形式;然后,使用核函数替代该内积,即计算特征空间中变量的内积,完成特征空间中的分类。
3.2 遥感图像分类算法研究新方向
传统的遥感图像分类方法是根据遥感图像数据的统计特征与训练样本数据之间的统计关系来进行分类的,其分类精度往往不甚理想。同时因为地物类型分布方式的本身的复杂性,也造成了传统分类方法不理想的原因。为此人们不断的研究和尝试新的方法,以图改善。近年来在采用神经网络,模糊数学,决策树和人工智能的方法进行研究的过程中,取得了很大的进展。
3.2.1 人工神经元网络方法
人工神经元网络,简称神经网络,是以模拟人脑神经网络系统的结构和功能为基础而建立的一种数据分析处理系统。一个神经元有多路输入,接收来自其它神经元的信息,并将反馈信息经由一条路线传递给另一神经元。一个神经元与多个神经元以突触相连,进入突触的信号作为输入(激励),通过突触而被/加权0,所有输入的加权之和即为所有权重输入的总效果。若该值等于或大于阈值,则该神经元被激活(给出输入),否则即不被激活。人工神经网络可以视为简化了的人脑神经系统的数学模型[6]。
90年代以来,人工神经网络大量的应用于遥感图像的分类。现在应用较为广泛的是多层反前馈网络的反向传播网络和自组织网络,反向传播网络需大量的学习时间,容易陷入局部极小、振荡而导致难以收敛以及网络结构难以确定等缺陷。自组织网络结构简单,学习速度快,隐层结点的权向量所表示的意义明确,可以用来获取输入数据的统计特征,
但存在隐层结点的数目较难确定和泛化能力差等问题。
图3 重复传播网络结构
随着各种技术的发展,人们对神经网络的结构进行改
68
进,提出了一个三层前向网络组成的重复传播网络来提高图像的分类精度
[13]
,网络结构如图3所示。
各层之间的神经元全部互连。隐含层称为Kohonen 层,即竞争层,采用竞争学习算法,最高层称为Grossberg 层或输出层,采用Widrow-Hoff 或Grossber g 规则学习。
也有人将小波和神经网络结合起来,构造一种用于分类的自适应小波基函数神经网络[7]。其结构如图4
所示。
图4 小波基神经网络系统结构图
小波分析的基本思想是用一族函数去表示或接近一信号或函数,这一族函数称为小波函数系,它是通过基本小波函数的不同尺寸的平移或伸缩构成的。小波变换具有线性叠加性、平移共变性、尺度共变性、能量守恒性、局域正则性等优点。这种小波函数网络结构简单,容易训练,收敛速度快,一旦网络训练好后,其分类适应性强。
3.2.2 模糊数学方法
由于遥感图像有时所具有信息的不确定性,针对不确定的数学方法自然成遥感影像分析人员所注意的目标。模糊数学方法就是一种针对不确定性事物的分析方法。它以模糊集合论作为基础,有别与普通集合论中事物归属的绝对化。在分析事物的隶属关系时,即分类时,一般需以某数学模型计算它对于所有集合的隶属度,然后根据隶属度的大小,确定归属。
人们常常将模糊技术和神经网络相融合,来克服神经网络和模糊逻辑在知识处理方面的缺点。采用神经网络来进行模糊信息的处理,就可以利用神经网络的学习能力达到调整模糊隶属函数和模糊规则的目的,从而使模糊系统具有了自适应的特性,提出了一种基于模糊高斯基函数的神经网络
[8]
。
网络共分为四层:第?层为输入层,将特征向量{x 1,
x 2,...,x n }引入网络;第ò层为模糊层,完成特征向量的模糊化,将输入向量的特征向量分为三个等级(小、中、大),采用的隶属度为高斯函数exp (-(x -a b
)2
);第ó层为模糊推理层,目的是对模糊化后的特征向量进行综合处理,P 表示AND 操作;第?层为输出层,对应于去模糊化操作。其结构如图5所示。
这种分类方法,通过神经网络来实现模糊推理,并利用神经网络的自学习功能来达到调整模糊隶属度函数和模糊
规则的目的,从而提高了分类精度。
图5 基于模糊高斯基函数的神经网络结构
此外将模糊理论引入小脑模型神经网络,提出了一种能反映大脑认知的模糊性和连续性的模糊小脑模型神经网络[9],它在模糊神经网络的基础上增加了一个联想单元,来模仿人类小脑的学习结构。其结构如图6所示。
图6 小脑神经网络结构
在该结构中,每个输入状态变量被量化并且问题空间被划分成离散状态,量化的输入构成的向量指定了一个离散状态并且被用于产生地址来激活联想单元中存储的联想强度,从而恢复这个状态信息。
此外还有采用B 样条函数作为模糊隶属函数[10]等等各种类型的模糊神经网络,作为分类器对遥感图像进行分类,提高分类精度。
3.2.3 决策树分类法
决策树分类法原理是:决策树由一个根结点,一系列内部结点(分支)及终结点(叶)组成,每一结点只有一个父结点和二个或多个子结点。如果。由原级(根结点)出发,不断往下细分,直到所要求的终级(叶结点)类别分出为止。于是在/原级0与/终级0之间就形成了一个分类树结构,在树结构每一分叉结点处,可以选择不同的物质用于进一步的有效细分
69
类。而在其算法描述中确是由/终极0到/原级0的逆过程。即在已知/终极0类别样本数据的情况下,根据各类别的相似程度逐级往上聚类。每一级聚类形成一个树结点,在该结点处选择往下细分的有效特征,依次往上到/原级0,完成对各级各类组的特征选择。再此基础上,再根据已选出的特征,从原级到终极对整个图像实行全面的逐级往下分类。对于每级处的特征选择,依据散布矩阵准则来进行
。
图7 决策树结构
决策树分类算法具有灵活,直观,清晰,健壮,运算效率高等特点,在遥感分类问题上表现出巨大的优势[14]。随着人工智能技术和理论的发展,当前遥感图像分类技术也向更高层次发展,地学知识和地理信息的辅助决策可以大大提高遥感图像分类和信息提取的精度,其中专家系统是解决这一问题的有效途径。因此,将决策树算法与基于知识的专家系统相结合将引起关注。
3.2.4 专家系统方法
近年来,以专家知识和经验为基础的光谱信息和其他辅助信息的综合的影像理解技术)))基于知识的专家系统,已成为遥感应用领域的一个研究重点,借助专家知识分析遥感数据往往事半功倍。
专家系统是人工智能的一个分支,采用人工智能语言将某一领域的专家分析方法或经验,对对象的多种属性进行分析,判断,确定事物的归属。其核心内容是知识库和推理机,知识库中存储着与图像有关的知识和经验,专家的知识和经验以某种形式,如产生规则IF <条件>THEN<假设>
有更强大的功能。
4 结束语
基于知识的专家系统的应用,是遥感图像分类的发展趋势。在专家系统中,证据推理,概率似然推理和模糊推理理论的发展使基于知识的专家系统逐步实用化,但在知识的获取和量化及综合不确定性知识等方面是专家系统较难处理的问题,也是进一步研究的热点。
参考文献
1 李爽,丁圣彦,许叔明.遥感影像分类方法研究[J].河南大学学报(自然科学版),2002,32(2):70~73.
2 曾如珠.遥感图像分类识别的探讨[J].泉州师范学院学报(自然科学版)2000,18(4):36~39.
3 贾永红,李德仁.基于Bayes 融合的多源遥感影像技术[J].武汉测绘科技大学学报,1997,22(13):248~251.
4 刘伟强,胡静,夏德深.基于核空间的多光谱遥感图像分类方法[J].国土资源遥感,2002(3):44~47.
5 毛建旭,王耀南.基于神经网络的遥感图像分类[J].测控技术,2001(20):31~33.
6 张宝光.人工神经网络在遥感数字图像分类处理中的应用[J].国土资源遥感,1998(1):31~33.
7 王耀南.小波神经网络的遥感图像分类[J].中国图形图像学报,1999,41(5):368~371
8 毛建旭,王耀南.基于模糊高斯基函数神经网络的遥感图像分类[J].遥感技术与应用,2001,16(1):62~65.9 毛建旭,王耀南,孙炜.基于模糊小脑模型神经网络的遥感图像分类算法[J].测绘学报,2002,31(4):327~332.10 毛建旭,王耀南,孙炜.模糊B 样条基函数神经网络的遥感图像分类器[J].电子测量与仪器学报,2002,16(4):16~20.11 李朝峰,王桂梁.模糊控制BP 网络的遥感图像分类方法研究[J].中国矿业大学学报(自然科学版),2001,30(3):311~314.12 李德强,王宜主,刘改凯.一种适用于多类别遥感图像分类的新方法)))复合神经网络分类法[J].遥感学报,1997,1(14):257~261.13 孙丹峰,李红.重复传播网络的改进及其在遥感分类中的应用研究[J].遥感技术与应用,2000,15(4):220~222.14 李爽,张二勋.基于决策树的遥感影像分类方法研究[J ].地域研究与开发,2003,22(1):17~21.
15 孙丹峰,汲长远,林培.自组织网络在遥感土地覆盖分类中的应用研究[J].遥感学报,1999,3(2):139~142.
16 王朝晖,周佩玲.贪心聚类算法及其在遥感图像分类和压缩中的应用[J].中国科学技术大学学报,2003,33(1):52~59.17 梁继,王建,王建华.基于光谱角分类器遥感影像的自动分类和精度分析[J].遥感技术与应用,2002,17(6):299~303.18 陈杉,秦其明.基于小波变换的高分辨率影像纹理结构分类方法[J].地理与地理信息科学,2003,19(3):6~9.19 李霆,陈学诠,邹晓涛.基于遗传聚类算法和小波变换特征的自动分类[J].计算机工程,2003,29(2):153~155.20 谭衢霖,邵芸.雷达遥感图像分类新技术发展研究[J ].国土资源遥感,2001,3(49):1~7.21 张宝光.数学形态学在遥感数字图像分类处理中的应用[J].测绘信息工程,2002(2):1~5.22 刘晓龙,李英成.地物频谱在遥感图像分类中的应用研究[J].遥感信息,1999(1):24~26.
23 骆剑承,梁怡,周成虎.基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[J].测绘学报,1999,28(4):319~324.24 基于粗糙理论的RBF 网络及其遥感影像分类应用[J].测绘学报,2003,32(1):53~57.
70
25FasART模糊神经网络用于遥感图象监督分类的研究[J].中国图象图形学报,2002,7(12):1263~1268.
26陈华,陈书海,张平,严卫东.K2means算法在遥感分类中的应用[J].红外与激光工程,2000,29(2):26~30.
27Noriaki Ozawa,Toshinori Aoki,Nei Kato,and Yoshiak i Nemoto.An automatic cloud region cl assification of s atellite image by usi ng clusteri ng i n local area[J].Electronic and C ommunication in Japan,Part2.2003,86(6).
28Kan Araki,Masanori Sinriki,and Shinkichi Nishimoto.Observation of fractal scattering from ground surfaces using millimeter wave radar al time2 ter[J].Electronic and Communication i n Japan;Part1.2000,83(6).
29Anton J.J Van Rompaey,Gert Verstraeten,Kristof Van Oost,Gerard Govers,Jean Poesen.Modelling mean annual sediment yield using a di s2 tributed approach[A].Earth Surf.Process[C].Landforms2001,261221~1236.
30Edwin P.Maurer.Joshua D.Rhoads.Ralph O.Dubayah and Dennis P.Lettenmaier.Evaluation of the snow2covered area data product from MODIS[A].Hydrol.Process[C].2003,17,59~71.
A Review of Remote Sensing Image Classification Method
WANG Yi2da SHEN Xi2ling XI E Jong
(Dis pa tch I nstitute o f Ha ngzhou Electr ic Power Bur eau,Zhejiang Hangzho u,310019)
Abstr act:Start ing with basic pr inciples of remote sensing image classification met hods,this paper introduces several met hods of origi2 nal remote sensing image classification and their r ecent developments.I n addition,new directions for remote sensing image classifica2 tion researches and their developmental trends are discussed.
Key words:r emote sensing image,image classificat ion,pattern r ecognition.
(上接第66页)
11韩震,金亚秋.星载红外与微波多源遥感数据提取长江口淤泥质潮滩水边线信息[J].自然科学进展,2005,15(8):1000~1006.
12韩震,恽才兴.伶仃洋大铲湾潮滩冲淤遥感反演研究[J].海洋学报,2003,25(5):58~64.
13韩震,恽才兴,蒋雪中,杨锋杰.温州地区淤泥质潮滩冲淤遥感研究.地理与地理信息科学,2003,19(6):31~34.
14韩震,恽才兴,蒋雪中.悬浮泥沙反射光谱特性实验研究[J].水利学报,2003,327(12):118~122.
15Z.Han,Y.Q.Jin,Di stribution of suspended sediment con centrations in the Yangtze river estuary retrieved from the CMODIS image data of Ch i2 na.s SZ23spacecraft[J],International Journal of Remote Sensing,2006,27(8):1~8.
16韩震,金亚秋,恽才兴.神舟三号CMODIS数据获取长江口悬浮泥沙含量的时空分布[J].遥感学报,2006,10(3):381~386.
Remote Sensing Application to Monitoring Resources and Environment in China.s Coastal Zone and Near2by Ocean
HAN Zhen1,o,JIN Ya2Qiu1,YUN Cai2xing1,?
(1Key Labo r a tory o f Wave Scatter ing a nd Remote
Sensing I nf or mation(Ministry o f Education),F uda n Univer sity,Sha nghai200433;
oOcea n Co llege,S ha nghai Fisher ies University,Shangha i200090;
?State Key Lab or atory of Estuar ine and Coastal Resear ch,East China Nor mal Univer sity,Shanghai200062)
Abstr act:The coastal zone and its near2by ocean have been of importance for economic development due to their r ich natural r esources and specific geographic location.How to qualitatively and quantitatively retrieve t he environment information in these ar eas from mul2 ti2sensor,multi2channel,multi2temporal and both active and passive satellite2borne remote sensing becomes a key issue for remote sensing application.Based on the advancement of cur rent development of r emote sensing technology,t his paper briefly presents the progr ess of our research on information r etr ieval for China.s costal zone and its near2by ocean,and applications in some state engineer2 ing projects,such as classification of typical canopies and surface objects of the co stal zone,spatial distributions of the tidal flat water2 side lines,the deposition and er o sion in silt tidal flat,and the suspended sediments and internal waves.
Key words:coastal zone;resources and environment monitoring;remote sensing
71
遥感图像几种分类方法的比较
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification 12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ. Steps: 1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water. 2、Implementing above-mentioned non-parametric algorithms to classify your image. 3、Validating your classification. 4、Refining your classification by implementing the majority filtering and modeling process if possible. 实验步骤： 1、将数据加载到envi中
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
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，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）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：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。主要缺点：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。
遥感图像地学分类实验指导
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)
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
遥感图像分类后处理
遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；
三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
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：
遥感图像分类方法综述
遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised
envi遥感图像监督分类
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。
遥感影像分类实验报告
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
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。
遥感影像分类方法实验报告
实验报告
目录 1 实验目的 (4) 2 实验数据 (4) 3 实验内容 (4) 4 实验步骤 (5) 4.1 对人口矢量数据（shapefile）进行投影转换 (5) 4.1.1 Census.shp文件投影坐标的检查 (5) 4.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N (6) 4.2 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准） (6) 4.2.1 Census.shp在ENVI软件的加载 (6) 4.2.2 对遥感影像进行几何精校正（以矢量数据为基准） (7) 4.2.3 用矢量图层对遥感影像进行裁剪 (10) 4.3 将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 (11) 4.3.1 两种融合方法的原理 (11) 4.3.2 进行 Gram-Schmidt Spectral Sharpening融合 (11) 4.3.4 融合效果进行定性评价 (14) 4.3.5 融合效果进行定量评价(软件提供的计算方法) (15) 4.3.6 融合效果进行定量评价(Matlab编程计算) (16) 4.3.7 遥感影像融合定量分析代码 (20) 4.4 生成住房密度栅格影像 (23) 4.4.1 两表的连接 (23) 4.4.2 计算房屋密度 (24) 4.4.3 直接栅格化 (25) 4.4.4 IDW插值 (25) 4.4.5 对房屋密度图进行重分类 (26) 4.5 将住房密度栅格影像作为额外的通道与ETM+多光谱波段进行叠加 (26) 4.6 监督分类（融合方法为HSV，波段为5，4，3） (27) 4.6.1 打开Google Earth影像作为监督分类的参照 (27) 4.6.2 建立兴趣区 (29) 4.6.3 训练样区的选择 (30) 4.6.4 训练样区的评价 (31) 4.6.5 执行监督分类 (33) 4.6.6 分类后处理 (35) 4.6.7 评价结果分析 (37) 4.6.8 分类结果面积统计 (38) 4.6.9 分类结果 (41) 4.7 分类结果评价与分析 (41) 4.7.1 未加入房屋密度图层的分类结果评价与分析 (41) 4.7.2 加入IDW插值房屋密度图层的分类结果评价与分析 (42) 4.7.3 加入直接栅格化房屋密度图层的分类结果评价与分析 (43) 4.7.4 加入重分类后IDW插值房屋密度图层的分类结果评价与分析 (44) 4.7.5 从总精度与Kappa系数对分类结果进行评价 (45)
遥感图像的分类实验报告
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、实验原理 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。 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和链状方法等。 四、数据来源 本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM 第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度： 38.90407 中心经度：113.11840。
鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。 五、实验过程 1.监督分类 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，
遥感图像处理实验报告
《遥感数字图像处理》 实习报告 学院： 班级： 学号： 姓名： 2014年5月11日
目录 1、实验目的 (2) 2、实验内容 (15) 3、实验步骤 (26) 4、实验体会 (38)
《某地区森林资源遥感动态监测》 一、实验目的 熟练掌握ENVI4.7软件中对遥感数字图像进行图像预处理、图像分类、分类后处理以及对分类后的图像进行必要的综合分析得到我们想要的信息。 二、实验内容 对00年森林资源遥感图像july_00_quac.img进行图像增强处理得到图像00I_K-L.img，然后选择合适的图像分类方法，对增强后的图像进行分类，得到分类后图像00ML1,接着对分类后图像进行分类后处理的最终的分类结果图00MMN。用同样的遥感图像处理方法得到06年森林资源遥感图像july_06_quac.img的分类结果图06MMN。最后对分类后处理的图像进行分类精度的评估，当精度符合标准时便可对分类结果图00MMN和06MMN进行波段运算B1-B2，便可以得到00年到06年该地区森林资源的一个动态变化情况图B1-B2。 三、实验步骤 （一）、对00年森林资源遥感图像july_00_quac.img进行图像增强处理。已知我们所学过的遥感图像增强处理的方式有：图像彩色增强、图像拉伸、图像变换以及图像滤波。 1、首先打开00年森林资源遥感图像july_00_quac.img，然后的遥感图像进行彩色增强。采用真彩色合成的方式来的彩色图像，这里我使用的波段合成方式有：321（真彩色）、432（标准假彩色）、以及其他假彩色合成的方式，54 2、542、741、742、572和453等，得到如下的彩色图像：