实习指导2 遥感影像分类.doc

遥感技术及应用综合实验 指导书2 遥感影像分类一、 目的图像是通过亮度值的差异(反映光谱信息)及空间变化(反映空间信息)来表示不同物体的差异的。图像分类就是利用计算机通过对图像中各类物体的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。通过对本次实习的学习，我们应：1、 加深对遥感影像分类的原理、方法的认识；2、 熟练掌握TitanImage_V50中执行监督分类和非监督分类的技术方法。二、 实验准备1 软件准备：TitanImage_V502 资料准备：TitanImage_V50示范数据：三、 实验内容图像分类的关键问题之一是选择适当的分类规则(或叫分类器)，通过分类器把图像数据划分为尽可能符合实际情况的不同类别。最简单的分类器就是密度分割或灰度分层，即按照灰度值或亮度值的大小划分为几个层次，每个层次算一类地物。 将图像分类大体上可以分为两种：监督分类与非监督分类。其最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。 （1） 编辑训练样区在TITAN Image5.0，用以监督分类的训练区存储于*.cls.tms文件中。训练区文件包括用以监督分类的所有类别。每个训练区文件就是一个面状的图层，类似于TITAN的面状实体专题，训练区编辑时所使用的编辑工具也是TITAN矢量图层的编辑工具，但不同于矢量实体专题的是它有自已独特的属性结构。训练样区的编辑包括： 创建训练区文件选取训练样区修改训练样区修改训练区属性A. 创建训练区文件1. 在数据与地图树窗口中点击右键，在右键菜单中选择创建训练区文件，弹出对话框如下：2. 点击专题名后的选择按钮，弹出保存文件对话框如下： 3. 设定训练样区文件的存储路径和文件名后，单击保存按钮。 4. 在地图/数据窗口选择此训练样区文件，使训练样区文件层为当前操作图层。 5. 在菜单栏选择编辑开始编辑或点击工具栏的开始编辑按钮。6. 选择工具栏上的图形工具按钮，包括以下几种类型：7. 在视图窗口绘制训练样区。8. 绘制完成后，点击停止编辑按钮，弹出是否保存编辑内容对话框，如下：9. 点击是，将编辑内容保存。创建训练样区文件结束。注意：如果地图窗口中没有打开的图像，创建训练区文件时，文件的一些参数如比例尺，单位及范围等默认为上图所示，用户需要知道要分类图像的相应参数，以便在创建训练区文件时修改这些参数。如果用户在创建训练区之前先打开要分类的图像文件，那么创建训练区文件时，这些参数都会自动设置成与图像的参数一致。B. 选取训练样区1. 打开要进行监督分类的图像文件，可调整彩色合成波段以利于训练区的选取2. 创建新的训练区文件或加载已存在的训练区文件3. 在菜单栏选择菜单显示工具栏编辑工具栏，打开训练样区的编辑工具4. 在视图窗口放大影像，点击编辑工具栏上的开始编辑按扭，选取面状编辑工具在影像中画出训练区注意：训练样区的选取一般是一类一类的选取，先选取了某一类的所有训练区再选取第二类的，每个训练区一般十几到几十个像元。C. 修改训练样区训练样区的修改包括训练样区的移动、删除、合并及打散等。如果要修改训练样区，首先训练样区要处于编辑状态。利用各种选取工具选取一个或多个训练样区。1. 移动训练样区：选取编辑工具栏中的修改图素按钮来移动2. 删除训练样区：选中要删除的训练样区，按Delete3. 合并：在进行分类之前，要把属于同一类的训练样区进行合并，选中某一类的训练区。在菜单栏中选取编辑多边形操作合并，即合并了所选中的训练样区。4. 打散：合并了某类训练区后，如果要移动或删除其中的某个训练样区，这时应先打散该类训练区。在菜单栏中选取编辑图素打散D. 修改训练区属性1. 点击编辑工具栏上的停止编辑按钮，并保存训练区文件2. 在地图树窗口中选中训练区文件，点击右键，选择打开属性表3. 修改记录各字段的值，当选中一记录时，相应的地图要素或要素组合会在图中高亮显示。颜色属性是指分类后该类在图中的显示颜色，用户可以通过修改颜色字段来定义显示颜色。用类似的方法选取与修改每一类的训练区，当所有类的所有训练区选取修改并合并到各自的类别后，保存训练样区文件。（2） 执行监督分类1监督分类监督分类是指在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式(判别规则)，进而把图像中的各个像元点划归到各个给定类的分类过程。监督分类过程中，首先选择可以识别或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。TITNA Image 5.0所提供的监督分类规则有：A. 贝叶斯估计法：即最大似然分类法。最大似然判别利用了遥感数据的统计特征，假定各类的分布函数为正态，按正态分布规律用最大似然判别准则进行判决，得到较高正确率的分类结果。B. 最小距离分类法：利用训练样本数据计算出每一类别均值向量及标准差(均方差)向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离。到哪一类中心的距离最小，则该像元就归入到哪一类。在图像分类处理中，常用的距离函数有：欧几里德距离和绝对距离（混和距离）C. 马氏距离法距离分类是个对方向敏感的分类器，它对每个类别采用统计方法。它与最大似然分类法相类似，但它假设所有类别的协方差是相等的，因此它是一种更快的算法。如果不给定一个阈值，所有的像元被归类到最近的ROI类中。菜单：分类监督分类对话框参数说明：v v 输入：选择要进行监督分类的文件v v 输出：选择输出路径及给定要保存的文件名v v 分类训练样区文件：选择相应的训练样区文件。v 注意：分类训练样区文件格式为tms格式。用户在建立分类样区文件时，应保证每一个样区内的类别单一。v v 波段选择：波段列表列出输入文件中所有的波段，点击选择要进行处理的波段选择波段数显示要进行监督分类的波段数全选选择输入文件中所有的波段清空清空所选择的波段，重新选择要处理的波段v v 分类规则：选择一种分类规则进行监督分类最小距离、马氏距离或贝叶斯估计v v 确定：执行监督分类处理v v 取消：取消操作2非监督分类非监督分类是在没有先验类别知识(训练场地)的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，也叫做“边学习边分类法”或聚类（Clustering）。非监督分类的主要方法是集群分析。集群分析是按照亮度值向量在特征空间聚集的情况划分点群或类别。由几何角度看，一个点群或类别是在N(波段数)维的特征空间里在某个众数的周围数据点(像元)相对密集的区域，亮度值向量之间具有更大的相似性。集群分析就是通过确定这种相似性来划分类别。常用的相似性度量有：欧氏距离和马氏距离等。聚类分析有两种途径：迭代和非迭代法。迭代方法首先给定某个初始分类，然后采用迭代算法找出使准则函数取极值的最好聚类结果，因此聚类分析的过程是动态的。模糊k均值分类对话框参数说明：v 输入：选择要进行模糊k均值分类的文件v 输出：选择输出路径及给定要保存的文件名v 模糊K均值分类参数： 类中心个数：输出分类图的分类数 采样间隔：设定采样间隔 最大迭代次数：指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标准而导