课程名称：遥感概论 | 年级：13 | 实验日期： |
姓名： | 学号：13 | 班级： |
实验名称：遥感图像计算机解译-非监督分类 | 实验序号：9 | 成员人数： |
实验目的： 进一步理解计算机图像分类的基本原理以及非监督分类的过程，初步掌握遥感图像计算机解译的基本方法，加深对非监督分类的理解。 实验内容： ERDAS 遥感图像非监督分类 实验方法和步骤： 非监督分类运用ISODATA算法，完全按照像元的光谱特性进行分类，常常用于对分类区没什么了解的情况，使用该方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类像元数等比例。由于人为的干预较少，非监督的分类结果更加精确。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。 实验的过程和结果： （一） 分类过程（ Classification Procedure ） 第一步：调出非监督分类对话框： 在ERDAS图标面板上点击DataPrep图标, →Data Preparation 菜单 →Unsupervid Classification菜单项→Unsupervid Classification 对话框,如图1-1所示： 图1-1 第二步：进行非监督分类 →确定初始分类数（Number of class）： 12分出12个类别 实际工作中一般将分类数取为最终分类数的2倍以上。 .点击Initializing options按钮可以调出Fi1e Statistics Options对话框以设置ISODATA的一些统计参数， .点击Co1or Scheme Options按钮可以调出output color Scheme Options对话框以决定输出的分类图像是彩色的还是黑白的。这两个设置项使用缺省值。 最大循环次数（Maximum Iterations）是指ISODATA重新聚类的最多次数，这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。一般在应用中将循环次数都取6次以上。 →设置循环收敛阈值（Convergence Threshold）：0.95 收敛阈值（Convergence Threshold）是指两次分类结果相比保持不变的像元所占最大百分之此值的设立可以避免ISODATA无限循环下去。 →点击OK按钮（关闭Unsupervid Classification对话框，执行非监督分类，获得一个初步的分类结果） 生成如图1-2所示： 图1-2 2 、分类评价 （ Evaluate Classification ） 第一步：显示原图像与分类图像 在同一个窗口中，同时打开两个图像。 第二步：打开分类图像属性表并调整字段显示顺序 海龙鱼图片→打开Raster工具面板→点击Raster工具面板的属性图标(Raster Attributes) →打开Raster Attribute Editor对话框(germtm_isodata的属性表)， Rarster Attribute Editor对话框菜单条： Edit→Column Properties →吃羊血的禁忌Column Properties 对话框 在Columns中选择要调整显示顺序的字段，通过UP、DOWN、TOP 、BOTTOM等几个按钮调整其合适的位置，通过选择DISPLAY WIDTH调整其显示宽度，通过Alignment 调整其对齐方式。如果选择Editable复选框，则可以在Title 中修改各个字段的名字及其它内容。 在Column Properties 对话框中，调整字段顺序：依次选择Histogram、 Opacity、 Color、Class_Names字段，并利用UP按钮移动，使Histogram、 Opacity、 Color、Class_Names四个字段的显示顺序依次排地前面。→OK（关闭Column Properties对话框）如图1-3： 图1-3 得到的属性表如图1-4： 图1-4 第三步：给各个类别赋相应的颜色 由于初始分类的图像是灰度图像，各类别的显示灰度是系统自动赋予的，为了提高分类图像的直观表达效果，需要重新定义类别颜色。 Raster Attribute Editor对话框（germtm_isodata.img的属性表） →点击一个类别的ROW字段从而选择该类别 →右键点击该类别的COLOR字段（颜色显示区） →ASLS色表菜单选择一种合适颜色 →重复以上操作，直到给所有类别赋予合适颜色，如图1-5： 图1-5 第四步：不透明度设置 由于分类图像覆盖有原图像上面，为了以单个类别的专题含义与分类精度进行分析，先要把其它所有类别的不透明程序值设为0（即必为透明），而要分析的透明度设为1（即不透明），具体操作如下： Rarster Attribute Editor对话框（germtm_isodata的属性表）： →右键点击Opacity字段名→打开Column Options菜单→ 选择Formula菜单项 →打开Formula 对话框。如图1-6： 如图1-6 →在Formula输入框中输入0（可以用鼠标点击右上数字区） →点击Aplly按钮（应用设置） →点击Clo 按钮（关闭Formula对话框） →返回Rarster Attribute Editor对话框（germtm_isodata的属性表） 所有类别都设置成透明状态 下面需要反所分析类别的不透明度设置为1，亦即设置为不透明状态。 大学团支书Rarster Attribute Editor对话框（germtm_isodata的属性表） →点击一个类别的ROW字段从而选择该类别 →点击该类别的Opacity字段从而进入输入状态 →在该类别的字段中输入1，并回车 此时，在视窗中只有要分析类别的颜色显示在原图像的上面，其它类别都是透明的。 如图1-6: 图1-6 第五步：确定类别的专题意义及其准确程度 虽然已经得到了一个分类图像，但是对于各个分类的专题意义目前还没有确定，这一步就是通过设置分类图像在原图像背景上（Flicker）闪烁，来观察其与背景图像之间的关系，从而判断该类别的专题意义，并分析其分类准确程度。 视窗菜单条：utility →Flicker →Viewer Flicker对话框（略） →设置闪烁速度（speed）：500，→设置自动闪烁状态：auto mode（观察类别与原图像之间的对应关系）→canel（关闭Viewer Flicker对话框） 第六步：标注类别的名称和相应的颜色。 重复以上 4 、 5 、 6 三步直到对所有类别都进行了分析与处理。注意，在进行分类叠加分析时，一次可以选择一个类别，也可以选择多个类别同时进行。 如图：1-7. 如图1-8。 住新房图1-7 图1-8 第七步：分类后处理：重编码 对于同类地物进行类别合并， 分类重编码主要是针对之前非监督分类结果不理想的一种修正，可以将同种用地类型但属于不同类别的类合并在一起，如class1——class2、class3——class4等。 具体操作如下： 点击ERDAS图标面板工具条下的interpreter图标 ，选择 GIS Analysis /下的Recode命令，打开Recode对话框：如图1-9: 图1-9 点击tup recode，弹出如下对话框：如图1-10： 图1-10 点击Ok,完成重编码，最终便可以得到重编码后的结果图，如图1-11，图1-12。 图1-11 需求工程师图1-12 （二）分类精度评价 第一步：在视窗中打开原始图像 在Viewer中打开分类前的原始图像，以便进行精度评估。 图2-1 第二步：启动精度评估对话框 ERDAS 图标面板菜单条：Main→Image Classification →Classification 或ERDAS 图标面板工具条：点击Classifier 图标→Classification菜单 →选择Accuracy Asssment菜单项→打开Accuracy Asssment对话框 图2-2 第三步：打开分类专题图像 Accuracy Asssment 对话框菜单条：File→Open →打开Classified Image对话框 →在Classified Image对话框中确定与视窗中对应的分类专题图像 →OK（封闭Classified Image对话框） →返回Accuracy Asssment对话框。 第四步：将原始图像视窗与精度评估视窗相连接 Accuracy Asssment对话框： →工具条：点击Select Viewer 图标（或菜单条：选择View 菜单的Select Viewer） →将光标在显示有原始图像的中点击一下 →原始图像视窗与精度评估视窗相连接 。 第五步：在精度评价对话框中设置随机点的色彩 Accuracy Asssment对话框： →菜单条View →Change Colors菜单项 →打开Change color面板→在Points with no Reference确定没有真实参考值的点的颜色 →在Points with Reference确定有真实参考值的点的颜色 →OK（执行参数设置） →返回Accuracy Asssment对话框 。 图2-3 第六步：产生随机点 本步操纵将在分类图像中产生一些随机的点，随机点产生之后，需要用户给出随机点的实际种别。然后，随机点的实际种别与在 分类图像的种别将进行比较。 Accuracy Asssment对话框： →Edit →Create/Add Random Points →打开Add Random Points对话框。→在arch Count中输进1024 →在Number of Points中输进20 →Distribution Parameters选择Random单选框 →OK（按照参数设置产主随机点） →返回Accuracy Asssment对话框 可以看到在Accuracy Asssment对话框的数据表中出现了10个比较点，每个点都有点号、X＼Y坐标值、 Class、 Reference 等字段，其中点号、 X／Y坐标值字段是有属性值的。 说明：在Add Random Point对话框中， arch Count是指确定随机点过程中使用的最多分析像元数，当然这个数目一般都比 Number of Point大很多，Number of Points设为20说明是产生20个随机点，假如是做一个正式的分类评价，必须产生20个以上的随机点。选择Random意味着将产主尽对随机的点位，而不使用任何强制性规则。Equalized Random是指每个类将具有同等数目的比较点。stratified Random是指点数与种别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择U Minimum Points）,以保证小种别也有足够的分析点。如图2-4： | ||
图2-4 精度评价的结果如图2-5： 图2-5 经非监督分类后的图像如图：2-6 图2-6 | ||
与实验8的结果进行对比：实验8的精度评价如图2-7： 图2-7 实验8监督分类后的结果图像：如图2-8所示： 图2-8 总结： 通过实验8与实验9的比较，监督分类的优点：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）。 而非监督分类的主要优点是：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，但缺点是：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。 | ||
本文发布于:2023-07-29 15:39:40，感谢您对本站的认可！
本文链接：https://www.wtabcd.cn/fanwen/fan/89/1100981.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
