监督分类与非监督分类遥感实习

实习报告三 实习人姓名 任课教师姓名 实习地点 监督分类与非监督分类 专业班级及编号 实习指导教师姓名 实习日期时间 陈华王佳伶 2016-12-09 陈华 八教二楼机房 实习目的与要求 1.目的：理解影像监督分类和非监督分类的原理、方法和步骤，初步掌握土地利用/土地覆盖的计算机自动分类方法 2.要求：将主要操作步骤截图替换教程中的图像，并按要求分析结果，下周四前交。 3.注意：此次实习内容的操作环境为ENVI Classic经典版，上机课上将演示新版本操作。同时此次实习内容为大作业中视频教程中省略的部分。 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： 确定分类方案 特征选取 训练样区选取与特征 类别可分性分析 分类算法选择 算法实现 分类后处理 确定分类方案：要求满足互斥性、完备性和层次性要求 特征选取：选择用于影像分类的最佳波段组合，减少处理数据集的维数（波段数）和分

类处理开销 训练样区选取与特征统计：选择能够代表各种土地覆盖类型的训练样区，并利用训练样区中的像元矢量数据计算各个土地覆盖类型的多元统计参数，如均值、标准差、协方差矩阵、相关系数矩阵等。 类别可分性分析：根据类型统计参数判别在光谱空间中各个类别之间的距离及其可分性 分类算法选择：最小距离法、最大似然法、平行多面体法，?? 算法实现：执行分类算法 分类后处理：去除微小图斑，分类精度评价 2、可分性度量： 在任何两个类别之间的分散度（例如c和d）： 11 ?1?1?1?1TDiver?tr(???)(???)?tr(?c??d)(Mc?Md)(Mc?Md)cdcdcd22 这里，tr(A)为矩阵的迹（或迹数），为线性代数中的一个概念，就是矩阵主对角线（从左上方至右下方的对角线）上各个元素的总和。 在存在多个类的情况下，需要在类之间进行两两组合计算分散度，最后计算平均分散度 m?1m Divercd Diverave?c?1d?c?1C ENVI使用该度量参数进行判别，其参数值的范围在0～2.0之间。公式为： ??Divercd??TDivercd?2?1?exp???? 8????J—M距离和变换分散度，都是一种特征空间距离度量方法，是指影像特征矢量与各个类中心的距离，变换分散度是TDivercd=[1-exp(-Divercd/8)],J—M距离J=2*(1-e-B)； 3、最大似然分类法是基于概率论中每个像元存在属于所有类别的概率，假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布，根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率，比较各个类别的概率值，并将像元划归到概率最大的那个类别当中去。 4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。 5、Kappa系数： N?xkk??xk?x?kkk ??2N??xk?x?k k判断不同的模型或者分析方法在预测结果上是否具有一致性、模型的结果与实际结果是否具有一致性等 6、非监督分类基于多变量聚类分析（clustering analysis）的思想，在没有任何先验知识的情况下，仅依据影像上地物的光谱特征，顺其自然地完成分类。在分类后处理过程中对已分出各类地物的顺序编码进行重新编码和归并，以满足分类系统的要求。 分类监督的步骤： ? 确定分类数 ? 根据分类数确定各个类别的初始类中心，亦即分类别的均值矢量 ??????

? 依次计算影像上各个像元特征矢量与各集群（cluster）中心之间的距离；进行距离比较，确定与中心距离最近的类别作为这个像元矢量的所属类别，然后影像像元全部归并到对应类别中去； ? 根据各个类别中实际拥有的像元矢量集合的规模和平衡问题，进行大类别分裂和小类别合并，并计算新的类别均值矢量； ? 比较新的类别均值与原类别均值的差异，若位置明显发生改变，则以新的类别均值作为聚类中心，回到第3步，进行迭代操作； ? 否则如果聚类中心不再变化，或者迭代操作到达预定的次数时，计算结束。 7、ENVI分类后处理: 聚类处理（clump）：将邻近的类似分类单元进行聚类合并。 过滤处理（Sieve）：用于解决分类影像中出现的孤岛问题。过滤处理使用斑点分组方法来消除这些被隔离的分类像元。通过分析周围的4或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类别中删除，删除的像元归为未分类的像元。 Majority分析采用卷积滤波的方法将较大类别中的虚假像元归到这类中，定义一个变换核尺寸，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。 数据准备 使用实习一、二中的图像，或使用大作业中下载的图像。 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 道路 水浇地 裸地 滩地 草地 Town Road irrigated land barren land shoaly land grassland 砾石 水稻田 水库 工业区 林地 河流 gravel desert paddy land reservoir industrial area forest 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）：

ROI 选择河流、农田样本 3.计算各样本之间的可分离性。说明哪些地物类型之间易区分，哪些类型之间难以区分。 ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择影像点击确定，选择所有训练区，统计J—M距离和分散度（将结果截图如下）。 根据Jeffries-Matusita，Transformed Divergence，并分析各个样本之间的可分离性。根据J—M距离的定义，其值大于1.9则两种地物具有很好的可分性，若介于1.5到1.8之间，则需要重采样来重新计算其值，而如果小于1就可将两种地物合并为同一种地物。由导出的结果说明哪些地物类型之间较易区分，哪些类型之间难以区分。

【结果与分析1】：具有很好的可分性， 而可分性则较低。 4. 监督分类：利用最大似然法完成分类。 ①具体步骤：Classification|Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO， Output Rule Image设为No，选择保存路径。