任务5.2 遥感影像非监督分类

1项目五林业遥感影像信息提取任务2遥感影像非监督分类遥感影像非监督分类非监督分类的基础知识目录

CONTENT任务实施非监督分类的基础知识/01

非监督分类的基础知识--非监督分类概念、特点

非监督分类是根据地物的光谱统计特性进行分类，直接利用象元灰度值的统计特征进行类别划分，常常用于对分类区没有什么了解的情况。其分类前提是假设同类物体在相同的条件下具有相同的光谱特征，其不必对影像地物获取先验知识，仅是利用影像不同类地物光谱信息或者纹理信息进行特征提取，而后统计特征的差别来进行分类，最后再对已分出的各个类别的实际属性进行归属确认。

监督分类方法的优点是，方法简单，对光谱特征差异大的地物类型分类效果好。但是当两个地物类型对应的光谱特征类差异很小时，效果不好。其常用的方法有分级集群法、动态聚类法等。ERDAS遥感图像非监督分类可分为初始分类、分类评价与方案调整、分类后处理三个步骤。遥感影像非监督分类/02

非监督分类--初始分类

一、调出非监督分类对话框（1）方法一单击【Classifier】图标→【classification】菜单→【UnsupervisedClassification】命令→【UnsupervisedClassification】对话框（2）方法二单击【DataPrep】图标→【DataPreparation】菜单→【UnsupervisedClassification】命令→【UnsupervisedClassification】对话框二、进行非监督分类（1）确定输入文件（InputRasterFile）为2000TM.img（被分类的图像），。（2）确定输出文件（OutputClusterLayerFilename）为Unsupervised.img（产生的分类图像）。（3）选择是否生成分类模板文件（OutputSignatureSetFilename）。如果生成模板文件，则选中【OutputSignatureSetFilename】，并定义模板文件名称及保存位置；若不生成模板文件，则不选中【OutputSignatureSetFilename】。

非监督分类--初始分类（4）确定聚类参数（ClusteringOptions），初始聚类方法选择【Initializefromstatistics】，分类数（NumberofClasses）为12。（5）确定处理参数（ProcessingOptions）定义最大循环次数（MaximumIterations）为12，设置循环收敛阈值（ConvergenceThreshold）为0.95。（6）单击【OK】按钮，执行非监督分类。【unsupervisedclassification】对话框

非监督分类--分类评价与方案调整一、显示原图像与分类图像单击【Viewer】图标，打开两个【Viewer】窗口，分别显示分类图像unsupervised.img与原图像2000TM.img。二、调整分类图像属性字段显示顺序（1）在分类图像unsupervised.img显示窗口菜单栏，单击【Raster】→【Attributes】命令，打开【RasterAttributeEditor】窗口，即初始分类图像unsupervised.img的属性表。（2）在【RasterAttributeEditor】窗口菜单栏，单击【Edit】→【ColumnProperties】命令，打开【ColumnProperties】对话框。（3）应用【Up】、【Down】等按钮，按照依次ClassNams、Color、Opacity、Histogram字段的显示顺序排在前面，并通过【DisplayWidth】设置每列字段的显示宽度，利于编辑。（4）设置完成后，单击【OK】按钮，关闭【ColumnProperties】对话框，获取设置后的unsupervised.img属性表。

非监督分类--分类评价与方案调整三、类别赋色（1）鼠标单击一个类别的【Color】字段，表示选中该类别。（2）在【AsIs】色表单中选择一种适合的颜色。（3）重复以上操作，直到所有类别都赋予相应的颜色。（4）在赋色过程中，可以根据需要进行类别的不透明度设置，1为不透明，0为透明。

非监督分类--分类评价与方案调整四、确定类别意义及精度，标注类别名称（1）对照原先影像2000TM.img，确定各类别专题意义，并分析其精度。（2）在【RasterAttributeEditor】窗口,单击该类别的【ClassNames】字段，进入输入状态。（3）输入类别名称，按Enter键即可。重复以上三、四两步直到对所有类别都进行了分析与处理，同时也获取上色后的非监督分类初图。类别赋色后的分类图

非监督分类--分类后处理

非监督分类或者监督分类，其分类原理是基于图像的光谱特征进行聚类分析，所以，不可避免带有一定的盲目性。要想获得比较理想的分类结果，还需要对分类后的结果图像进行一些后处理工作，这些处理操作就通称为分类后处理。基于ERDAS系统提供的分类后处理方法，主要有聚类统计(Clump)、过滤分析（Sieve）、去除分析（Eliminate）、分类重编码（Recode）等。在应用时，要根据具体情况，选择合适的分类后处理方法，可以单独使用一种分类后处理方法，也可以联合使用。

分类后处理--分类重编码（Recode）

分类重编码，主要是针对非监督分类而言的，由于非监督分类之前，用户对分类地区没有什么了解，一般要定义比最终需要多一定数量的分类数，所以为了获取最终需要，则在非监督分类之后，需要对初始分类图像进行分类重编码处理，即对相近或类似的分类通过图像重编码进行合并，并重新定义分类名称和颜色。当然，分类重编码还可以用在很多其它方面，作用也有所不同。

分类后处理--分类重编码(Recode)（1）打开【Recode】对话框。（2）填写【Recode】对话框。（3）获取重编码图像。（4）编辑重编码图像。

分类后处理--聚类统计(Clump)

聚类统计(Clump)，是通过计算分类专题图像中每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性。该图像是一个中间文件，用于进行下一步处理。

分类后处理--聚类统计(Clump)（1）打开【Clump】对话框。（2）填写【Clump】对话框。①确定输入文件（InputFile）：recode.img。②定义输出文件（OutputFile）：clump.img。③文件坐标类型（CoordinateType）选择【Map】。④根据需要确定处理范围（SubsetDefinition）⑤确定聚类统计邻域大小（ConnectNeighbors）为8。⑥单击【OK】按钮，关闭【Clump】对话框，执行聚类统计分析，获得聚类分析图。Clump分析图

分类后处理--过滤分析（Sieve）

Sieve功能，是对经Clump处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。对于无须考虑小图斑归属的应用问题，Sieve与Clump命令配合使用，有很好的作用。对于要考虑小图斑的归属问题时，可以与原分类图对比确定其新属性，也可以通过空间建模方法、调用Delerows或Zonel工具进行处理。

分类后处理--过滤分析（Sieve）（1）打开Sieve对话框。（2）填写Sieve对话框。①确定输入文件（InputFile）：Clump.img。②定义输出文件（OutputFile）：Sieve.img。③文件坐标类型（CoordinateType）选择【Map】。④根据需要确定处理范围（SubsetDefinition）⑤确定最小图斑大小（MinimumSize）：16pixels。⑥单击【OK】按钮，关闭【Sieve】对话框，执行过滤分析，获取过滤分析图。过滤分析图

分类后处理--去除分析（Eliminate）

去除分析，是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组，与Sieve命令不同，其将删除的小图斑合并到相邻的最大的分类当中，而且，如果输入图像是Clump聚类图像的话，经过Eliminate处理后，将小类图斑的属性值自动恢复为Clump处理前的原始分类编码。所以，也可以说Eliminate处理后的输出图像是简化了的分类图像。

分类后处理--去除分析（Eliminate）（1）打开【Eliminate】对话框（2）填写【Eliminate】对话框，如图5-21所示。①确定输入文件（InputFile）：clump.img。②定义输出文件（OutputFile）：eliminate.img。③文件坐标类型（CoordinateType）选择Map。④根据需要确定处理范围（SubsetDefinition）。⑤确定最小图斑大小（MinimumSize）：16pixe