1、一、 實驗名稱遙感圖像的監督分類與非監督分類二、 實驗目的理解遙感圖像監督分類及非監督分類的原理；掌握用ENVI對影像進行監督分類和非監督分類的方法，初步掌握圖像分類后的相關操作；了解整個實驗的過程以及實驗過程中要注意的事項。三、 實驗原理監督分類：又稱訓練分類法，用被確認類別的樣本像元去識別其他未知類別像元的過程。它是在分類之前通過目視判讀和野外調查，對遙感圖像上某些樣區中影像地物的類別屬性有了先驗知識，對每一種類別選取一定數量的訓練樣本，計算機計算每種訓練樣區的統計或其他信息，同時用這些種子類別對判決函數進行訓練，使其符合于對各種子類別分類的要求， 隨后用訓練好的判決函數去對其他待分數據進

2、行分類。非監督分類：也稱為聚類分析或點群分類。在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。它不必對影像地物獲取先驗知識，僅依靠影像上不同類地物光譜(或紋理) 信息進行特征提取，再統計特征的差別來達到分類的目的，最后對已分出的各個類別的實際屬性進行確認。目前比較常見也較為成熟的是ISODATA、K-Mean和鏈狀方法等。四、 數據來源本次實驗所用數據來自于國際數據服務平臺；landsat4-5波段30米分辨率TM第三波段影像，投影為WGS-84，影像主要為山西省大同市恒山地區，中心緯度：38.90407 中心經度：113.11840。鑒于實驗內容及圖像大小等問題，故從一景TM影像中裁取一個

3、含有較豐富地物信息區域作為待分類影像。五、 實驗過程1.監督分類1.1打開并顯示影像文件，選擇合適的波段組合加載影像打開并顯示TM影像文件，從 ENVI 主菜單中，選擇File Open Image File選擇影像，為了更好地區分不同地物以及方便訓練樣本的選取，選擇5、4、3波段進行相關操作，點擊Load Band 在主窗口加載影像。1.2使用感興趣區（ROI）工具來選擇訓練樣區1）主影像窗口菜單欄中，選擇 Overlay >Region of Interest。出現ROI Tool對話框， 2）根據不同的地物光譜特征，在圖像上畫出包含該類地物的若干多邊形區域，建立相應的感興趣區域，輸

4、入對應的地物名稱，更改感興趣區對應的顯示色彩。由于該地區為山西省北部，地物相對單一，故分為以下幾類：裸地、草地、灌木林、農田、水體、人類活動區、云層，陰影。1.3選擇分類方法進行分類 1）主菜單中，選擇Classification>Supervised，在對應的選項菜單中選擇分類方法，對影像進行分類。以最小距離法（Minimum Distance）為例進行說明。選擇Minimum Distance選項，出現Classification Input File對話框，在該對話框中選擇待分類圖像。2）在出現的Minimum Distance Parameters對話框中，select Ttem

5、s選擇訓練樣本，定義相關參數，選擇輸出路徑。點擊ok完成分類，結果如圖：2.非監督分類非監督分類方法有K-均值分類法及ISOData( 重復自組織數據分析技術)，本次實驗報告以K-均值分類方法為例進行說明。1）主菜單中 , 選擇 Classincation>Unsupervised>K-Means。在Classification Input File對話框中選擇待分類影像文件。2）在K-Means Parameters對話框中定義相關參數，其中，可定義參數有：分類類別數，像元變化閾值，用于分類的最多迭代次數以及可選的距離閾值。選擇結果輸出位置，點擊OK完成分類。3.分類后處理我們需

6、要對分類后的影像進行后處理，評價其分類的精度，這里以監督分類結果為例進行說明。3.1更改類別名稱及顏色主圖像窗口，Overlay->classification,出現Select Input file對話框，選擇分類結果，點擊OK。在Interactive Class TOOL對話框的option下拉菜單中選擇Edit colors/names選項，在彈出的對話框中選擇類別更改其名稱顏色。3.2分類結果微調包括刪除或者合并小斑點。1）將要修改的類別置于激活狀態，點擊Edit下拉菜單，選擇Mode :polygon Add to class 將分類錯誤的點與周圍區域點合并。選擇Mode :

7、polygon delete from class將錯誤點剔除。2）主菜單classification->Post classification->sieve classes打開sieve parameters對話框，選擇訓練樣本，及最小剔除像素，選擇輸出位置，完成操作。圖為采用八聯通域將像素小于5的點刪除。3.3混淆矩陣精度驗證1）選取驗證樣本，與監督分類操作類似，選擇不同的感興趣區域，保存ROI,作為選擇訓練樣本。2）進行精度驗證，主菜單classification->Post classification->Using Ground Truth ROI，選擇分類圖

8、像。對應分類結果和驗證樣本點擊ok得到精度驗證結果。3.4分類統計主菜單classification->Post classification->class statistics，在彈出的對話框中輸入分類結果,點ok下一個對話框輸入原圖像ok。在彈出的select classes對話框中選擇訓練樣本。選擇輸出顯示類型，點擊ok得到統計結果。3.5分類結果轉換為矢量主菜單classification->Post classification-> classification to vector,彈出對話框中選擇分類結果影像。選擇訓練樣本及矢量文件輸出位置，點擊ok完成矢量化。矢量化結果如下：六、 實驗結果與分析1、監督分類結果分析將分類結果與原圖像進行對比可發現分類結果基本符合要求，農田與建筑的分布具有較強的統一性，符合相關常識。2、非監督分類結果分析3、圖為經過主次要分析的分類結果與原圖對比，可發現去除了一些噪聲點，分類結果相對較好。4、分類結果精度評價分析由于監督分類，訓練樣本及驗證樣本的選擇失誤，圖像的分類精度為83%基本符合要求，但不是太高，從精度報表中可看出，誤差來源主要為灌木林與草地之間的差異，其他地物的分類結果基本上比較精確。七、實驗心得與體會本次實為遙感影像的監督分