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。 图3-1 Unsupervised Classification对话框 第2步：进行非监督分类 （1）确定输入文件：germtm.img（被分类的图像）。 （2）确定输出文件：germtm_isodata.img（产生的分类图像）。 （3）选择生成分类模板文件：Output Signature Set（产生一个模板文件）。 （4）确定分类模板文件：germtm_isodata.sig。 （5）确定聚类参数：Initialize from Statistics。 （6）确定初始分类数：10（实际工作中一般将初始分类数取为最终分类数的2倍以上）。 （7）单击Initializing Options按钮，打开File Statistics Options对话框。设置ISODATA的一些统计参数：选中Diagonal Axis选项，选中Std Deviations选项并设为1。关闭File Statistics Options对话框。 （8）确定处理参数，需要确定循环次数与循环阈值：定义最大循环次数为24，设置循环收敛阈值为0.95。 （9）单击OK按钮（关闭Unsupervised Classification对话框，执行非监督分类）。 第3步：显示原图像与分类图像 （1）在ERDAS图标面板中单击Viewer图标 一次，打开一个视窗（Viewer#1），在视窗工具条中单击【打开文件】图标 ，加载原图像germtm.img，在Rater Option选项卡中调整显示方式为Red（4）、Green（5）、Blue（3）。 图3-2 加载图像对话框 （2）继续在该窗口中加载分类后图像germtmisodata.img，注意一定要在Rater Option选项卡中取消选中Clear Display复选框，以保证两幅图像叠加显示。 图3-3 取消选中Clear Display复选框 第4步：调整属性字段显示顺序 （1）在窗口工具条中单击 图标，打开Raster工具面板。单击Raster工具面板的 图标，打开Raster Attribute Editor窗口。 图3-4 Raster Attribute Editor窗口 （2）在Raster Attribute Editor对话框菜单条中单击Edit|Column Properties命令，打开Column Properties对话框。 （3）在Column Properties对话框中，通过Up、Down、Top、Bottom等几个按钮调整字段顺序为Histogram、Opacity、Color、Class_Names，单击OK按钮，关闭Column Properties对话框，返回Raster Attribute Editor窗口。 图3-5 Column Properties对话框 第5步：定义类别颜色 （1）单击一个类别的Row字段从而选择该类。 （2）单击该类的Color字段。 （3）在As Is色标菜单选择一种合适颜色。 （4）重复以上操作，直到给所有类别赋予合适的颜色。 图3-6 定义类别颜色 第6步：设置不透明度 （1）先单击Opacity字段名，再右击Opacity字段名。 （2）单击Column Options|Formula命令。 （3）在Formula文本框中输入0。 （4）单击Apply按钮。 图3-7 Formula命令 （5）单击Close按钮，返回Raster Attribute Editor窗口，则所有类别都设置成透明状态。 （6）单击需要分析的某类的Row字段从而选择该类。 （7）单击该类的Opacity字段进入输入状态。 （8）在该类的Opacity字段中输入1，并按Enter键。此时，在窗口中只有要分析类别的颜色显示在原始图像的上面，其他类别都是透明的。 图3-8 显示需要分析类别的图像 图3-9 显示需要分析类别的图像 第7步：确定类别意义及精度 （1）在菜单条中单击Utility|Flicker命令，打开Viewer Flicker对话框，进行如下设置。 图3-10 Flicker命令 （2）设置闪烁速度为500。 （3）设置自动闪烁状态，选择Auto Mode选项（观察各类与原图像之间的对应关系）。 图3-11 Viewer Flicker对话框 （4）单击Cancel按钮（关闭Viewer Flicker对话框）。 第8步：标注类别名称和颜色 （1）根据第7步做出的分类专题意义的判别，在属性表中赋予分类名称（英文或拼音）。 （2）单击第7步所确定类别的Row字段选择该类。 （3）单击该类别的Class Names字段进入输入状态。 （4）在Class Names字段中输入该类别的专题名称（如water）并按Enter键。 （5）单击该类别的Color字段，选择一种合适的颜色。 （6）重复（3）~（5），直到对所有类别都进行了分析与处理。 图3-12 确定类别 图3-13 非监督分类成果图 第9步：分类重编码 （1）在ERDAS图标面板工具条中单击Interpreter图标 ，GIS Analysis|Recode命令，打开Recode对话框，在Recode对话框中，做如下设置。 （2）确定输入文件：germtm_isodata.img。 （3）定义输出文件：germtm_recode.img。 图3-14 Recode对话框 （4）单击Setup Recode按钮，打开Thematic Recode表格。 （5）根据需要改变New Value字段的取值（直接输入）。在本例中将原来的10类合并为4类（water agriculture building forest）。 图3-15 输入新字段 （6）单击OK按钮（关闭Thematic Recode表格，完成新编码输入）。 （7）确定输出数据类型：Unsigned 8 bit。 （8）单击OK按钮（关闭Recode对话框，执行图像重编码，输出图像将按照New Value数值变换专题分类图像属性，产生新的专题分类图像）。 图3-16 重编码后成果图 3.5 上机实验思考题 Q1：非监督分类有哪些优缺点？ 参考答案：优点：（1）非监督分类不需要预先对所要分类的区域有广泛的了解和熟悉，但是在非监督分类中分析者仍需要一定的知识来解释非监督分类得到的集群组。（2）人为误差的机会减少。即使分析者对分类图像有很强的看法偏差，也不会对分类结果有很大影响。（3）独特的、覆盖量小的类别均能够被识别。缺点：（1）非监督分类产生的光谱集群组并不一定对应于分析者想要的类别，因此分析者面临着如何将它们和想要的类别想匹配的问题，实际上几乎很少有一对一的对应关系。（2）分析者较难对产生的类别进行控制。因此其产生的类别也许并不能让分析者满意。（3）图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使其不同图像之间的对比变得困难。 3.6 相关知识补充说明 ISODATA算法的基本步骤： （1） 选择一组初始值作为聚类中心，将待分类像元按照指标分配到各个聚类中心。 （2） 计算各个聚类中心所包含像元（集群组）的距离函数等指标。 （3） 按照给定的要求，将前一次获得的集群组进行分裂和合并处理，以获得新的聚类中心。 （4） 进行迭代运算，重新计算各项指标，判别聚类结果是否符合要求。经过多次迭代运算后，如果结果收敛，运算结束。