监督分类实验报告.docx

监督分类实验报告.docx

《监督分类实验报告.docx》由会员分享，可在线阅读，更多相关《监督分类实验报告.docx（10页珍藏版）》请在冰点文库上搜索。

实验报告

题目：

监督分类

姓名：

学号：

日期：

一、实验目的

理解计算机图像分类的基本原理以及监督分类的过程，运用ERDAS软件达到能熟练地对遥感图像进行监督分类的目的。

二、监督分类原理

监督分类（supervisedclassification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。

即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。

要求训练区域具有典型性和代表性。

判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

1）平行六面体法

在多波段遥感图像分类过程中，对于被分类的每一个类别，在各个波段维上都要选取一个变差范围的识别窗口，形成一个平行六面体，如果有多个类别，则形成多个平行六边形，所有属于各个类别的多维空间点也分别落入各自的多维平行六面体空间。

2）最小距离法

使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类。

3）最大似然法

假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里。

4）马氏距离法

是一个方向灵敏的距离分类器，分类时将使用到统计信息，与最大似然法有些类似，但是她假定了所有类的协方差都相等，所以它是一种较快的分类方法。

三、实验步骤及结果

1、定义分类模板

定义分类模板包括分类模板的生成、管理、评价和编辑等，功能主要由分类模板编辑器（SignatureEditor）完成，具体步骤包括：

1）打开需要分类的影像

本实验所处理的遥感图像打开如下图所示。

图1原始遥感图像

2）打开分类模板编辑器

3）调整属性文字

在分类编辑窗口中的分类属性表中有很多字段，可以对不需要的字段进行调整。

4）选取样本

基于先验知识，需要对遥感图像选取训练样本，包括产生AOI、合并、命名，从而建立样本。

考虑到同类地物颜色的差异，因此在采样过程中对每一地类的采样点（即AOI）不少于10个。

选取样本包括产生AOI和建立分类模板两个步骤。

（1）产生AOI的方法有很多种，本实验采用应用查询光标扩展方法。

（2）建立分类模板

①在分类模板编辑窗口，单击按钮，将多边形AOI区域加载到分类模板属性表中。

在同样颜色的区域多绘制一些AOI，分别加载到分类模板属性表中。

本实验中每一颜色类别选取了10个AOI样本点。

②在分类模板属性表中，依次单击这些AOI（按住shift键），并在单击将所选中的模板合并成一个新的模板。

③在分类模板属性表中，单击Edit/Delete，删除合并前的模板。

并单击SignatureName进入输入状态，输入对应的类别名称，单击color设置颜色。

④重复以上步骤将所有的类型建立分类模板。

5）保存分类模板

本实验中共建立了五种分类模板，保存结果如下图所示。

图2建立5种分类模板

2、评价分类模板

ERDASIMAGINE提供的分类模板评价工具有:

分类报警工具（Alarms）、可能性矩阵（Contingencymatrix）、特征对象（featureobjects）、直方图方法（Histograms）、分类的分离性（Signatureseparability）、分类统计分析（Statistics）等。

研究中利用各工具对遥感影像的监督分类模板进行评价,得到较理想的结果。

1）分类预警评价

分类模板报警工具根据平行六边形决策规则将原属于或估计属于某一类别的像元在图像视窗中加亮显现,以示警报,也可以设置选项使用其它颜色显示。

一个报警可以针对一个类别或多个类别。

根据模板编辑器中指定的颜色,选定类别的像元且显示在原始图像视窗中,并覆盖在原始图像上,形成报警掩膜,利用Flicker功能查看报警掩膜,通过测试,依靠已有模式识别技能,或实地数据,确定准确性。

在分别选择农田、水面、山地类别时,发分类面积过大,经过几次反复选点、合并与删除,再应用分类模板报警工具形成报警掩膜,以检验模板的准确性,直到结果满意为止。

评价完成后删除分类报警掩膜。

2）可能性矩阵

可能性矩阵评价工具是根据分类模板,分析AOI训练区的像元是否完全落在相应的类别中。

可能性矩阵的输出结果是百分比矩阵,说明每个AOI训练区中有多少个像元分别属于相应的类别。

AOI训练区的分类可应用分类原则:

平行六面体（PanallelePiped）、特征空（FeatureSpace）、最大似然（MaximumLikelihood）、马氏距离（Mahalanobisistance）。

研究中选择的是最大似然。

随后,分类误差矩阵将显示在IMAGINE文本编辑器（TextEditor）中,供查看统计。

如果误差矩阵值小于85%,则模板需要重新建立。

其中统计数据如下图所示。

图3分类误差矩阵

3）模板对象图示

模板的特征对象工具可以显示各类别模板的统计图,以便比较不同类别。

评价时,用模板件中的平均值与标准差计算集中度椭圆,也可生成平行六面体矩形、平均值以及注记。

统计图以椭圆形式显示在特征空间图像中,每个椭圆都是基于类别的平均值及其标准差。

可以同时产生一个类别或多个类别的图形显示。

由于在特征空间图像中绘画椭圆,所以特征空间图像必须处于打开状态。

椭圆的重叠程度,反映了类别的相似性。

如果两个椭圆不重叠,说明代表相互独立的类别,是分类所需要的。

然而,重叠是肯定有的,因为几乎没有完全不同的类别。

如果两个椭圆重叠较多,则这两类别是相似的,分类不理想。

对所有波段通过椭圆图分析,可以确定究竟使用哪些模板与波段可以得到准确的分类结果。

4）直方图绘制

直方图绘制工具通过分析类别的直方图对模板进行评价和比较,可以同时对一个或多个类别制作直方图,如果处理对象是单个类别,就是当前活动类别,如果是多个类别的直方图,就是处于选择集中的类别。

通过选择不同类别、不同波段绘制直方图,可以分析其特征。

在HistogramsPlotControlPanel中作调整,并且点击Plot按钮以实现直方图反映内容的变化。

直方图方法是经常使用的模板评价方法,具有简便、直观的特点,对于类型的合并极其有用。

5）类别的分离性

分类的分离性工具用于计算任意类别的统计距离，可确定两个类别间的差异

性程度，也可确定分类中效果最好的数据层。

类别间的统计距离是基于欧氏光谱距离、Jeffries-Matusta距离、分类的分离度、转换分离度方法计算的。

采用类别分离性工具可以同时对多个类别操作，如果没有选择任何类别，则对所有的类别操作。

在文本编辑器窗口，可以对报告结果分析，将结果保存在文本文件中。

本实验对所有类别操作得到的报告结果如下图所示。

图4类别分离性报告

6）分类统计分析

分类统计分析功能可以对类别专题层统计,作评价和比较。

统计分析每次只能对一个类别进行,即处于活动状态的类别就是当前统计的类别。

在模板编辑器中选择:

View→Statistics→打开Statistics对话框。

Statistics对话框的主体是分类统计结果列表,表中包括有该模板基本统计信息（Min,Max,Mean,Std1Dev1）及协方差（Convariance）。

建立的模板city类统计结果见下图。

图5模板中city的分类统计结果

3、监督分类

建立满意的分类模板后，就需要在一定的分类决策规则条件下，对像元进行

聚类判断。

在选择判断函数及相应的准则后，便可执行监督分类，具体步骤如下：

打开SupervisedClassification对话框，参数设置如下：

（1）选择处理图像文件（InputRasterFile）。

（2）确定输入分类模板（InputSignature）。

（3）定义输出分类文件（ClassifiedFile）。

（4）设置输出分类距离文件为DistanceFile。

（5）选择非参数规则（Non-ParametricRule），一般选择FeatureSpace,即选择特征空间。

（6）选择叠加规则（OverlapRule），一般为ParametricRule,参数规则，具体设置以下详述。

（7）选择未分类规则（UnclassifiedRule）为ParametricRule。

（8）选择参数规则（ParametricRule），一般选择MaximumLikelihood，即最大似然。

输出分类文件如下图所示。

图6输出分类文件

四、总结

模板评价是监督分类中很重要的一步,只有高质量的模板评价,才能得到理想的模板,保证监督分类结果的精度。

ERDASIMAGINE软件提供了诸多的模板评价工具,可方便、直观、快捷地评价操作,在对一模板评价时应尽量多采用几种工具,并反复多次,根据可靠的实地信息对模板合并、删除等修改操作,使之不断完善,最终形成较理想的模板。