遥感计算机的分类原理，实验⼋遥感图像的计算机分类
《实验⼋遥感图像的计算机分类》由会员分享，可在线阅读，更多相关《实验⼋遥感图像的计算机分类(5页珍藏版)》请在⼈⼈⽂库⽹上搜索。
1、实验⼋ 遥感图像的计算机分类⼀、⽬的和要求：理解遥感图像计算机分类的基本原理，掌握⾮监督分类和监督分类的过程， 并弄清两者的区别。⼆、实验内容1. 遥感图像ISODATA⾮监督分类2. 遥感图像最⼤似然法监督分类。三、原理与⽅法传统的遥感图像计算机分类的⽅法⼤体有两种：⾮监督分类和监督分类。⾮监督分类(Unsupervised Classification)指不必对影像地物获取先验知识，仅依靠影像上不同类地物的光谱线性进⾏特征提取，以提取出统计特征的差别来达到分类⽬的的⽅法。主要采⽤聚类分析⽅法，常⽤的⽅法有
properties在哪打开ISODATA(iterative self-organizing data anal。
2、ysis techniques algorithm)，称为迭代⾃组织分析技术，和K-Mean算法，称为K均值算法。K-Mean算法的基本思想是通过迭代，移动各个基准类别的中⼼，直⾄得到最好的聚类结果为⽌。ISODATA是在初始状态给出图像粗糙分类，然后基于⼀定原则在类别间重新组合其样本，直到分类⽐较合理为⽌。该⽅法的主要环节是聚类、集的分裂和集的合并等处理。监督分类则需要在分类前⼈们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先要从图像中选取各类地物样本训练分类器。常⽤的分类⽅
法有平⾏多⾯体分类、最⼩距离分类和最⼤似然法分类等。最⼤似然法通过求出每个像元对于各类别归属概率(。
3、似然度)，把该像元分到归属概率最⼤的类别中去的⽅法。其前提是假定训练区地物的光谱特征近似服从正态分布。四、实验步骤 ⾮监督分类1. 打开⾮监督分类对话框(图8-1)⽅法⼀：Data PrepUnsupervised Classification⽅法⼆：ERDAS⼯具⾯板中ClassifierUnsupervised Classification然后，定义分类参数分类数⽬：实际⼯作中常将分类数⽬取为最终分类数⽬的两倍最⼤循环次数：收敛域值：是指两次分类结果相⽐保持不变的像元所占最⼤百分⽐。图8-1 Unsupervised Classification对话框2. 分类评价(Evaluate C。
4、lassification) 在同⼀个窗⼝中，同时打开原图像与分类图像 RasterAttributes打开分类图像属性表对话框(图8-3) 在属性表对话框菜单栏中EditColumn Properties打开列属性对话框(图8-4)调整字段显⽰顺序 标注各类别的名称和相应的颜⾊图8-2 图像属性编辑器图8-3 Column Properties对话框 监督分类1. 定义分类模板 显⽰要进⾏分类的图像 打开模板编辑器Signature Editor(图8-4)并调整显⽰字段 利⽤⼯具在影像上选择训练样区创建分类模板 保存分类模板图8-4分类模板编辑器2. 评价分类模板⽅法⼀：在模板编辑器对话框菜单中ViewImage Alarm报警评价法⽅法⼆：在模板编辑器对话框菜单中ViewHistograms直⽅图评价⽅法⽅法三：在模板编辑器对话框菜单中EvaluateContigency可能性矩阵评价法(重点掌握)3. 执⾏监督分类⽅法⼀：在模板定义对话框菜单栏中ClassifySupervised⽅法⼆：ERDAS⼯具⾯板中Class
ifierSupervised Classification打开监督分类对话框图5-2 监督分类对话框五、结果分析和讨论1. 对两种⽅法的分类结果进⾏分析和⽐较，并说明两者的优缺点2. 谈谈监督分类中，训练样本选取时的注意事项。

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QQ:729038198，我们将在24小时内删除。