-
图像分类
一、实验目的
1
、理解遥感图像分类的基本原理和方法。
2
、掌握在
ERDAS IMAGIN
E
软件中进行非监督分类、监督分类的操作流程以及两种分类方法
的区别。
3
、
了解分类后处理及精度评价原理及过程。
二、
实验设备
1
、
ERDAS
IMAGINE
遥感影像处理软件。
三、
实验过程及要求
1
、
非监督分类
ERDAS
IMAGINE
使用
ISODATA
算法（基于最小光谱距离公式）来进行非监督分类。聚类
过程始于任意聚类平
均值或一个已有分类模板的平均值：
聚类每重复一次，
聚类的平
均值就
更新一次，新聚类的均值再用于下次聚类循环。
ISO
DATA
实用程序不断重复，直到最大的
循环次数已达到设定阈
值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发
生变化。
1.1
分类流程图
影像分析
ISODATA
分类器选择
K MENA
其它
影像分类
类别定义
< br>/
类别合并
分类后处理
结果验证
1.2
分类过程
1
）调出非监督分类对话框
在
菜
单
栏
中
单
击
Raster
→
Unsupervised
Classification
→
选
择
Unsupervised
Classific
ation
项，打开
Unsupervised
Classification
对话框。
2
）进行非监督分类
在
Unsupervised
Classification
对话框中
→
Input
Raster
File
(
确定输入文件
)
：待分类的图像（此处为经过主成分分析后的图像）
。
→
Output
Cluster Layer (
确定输出文件
)
。
→勾选
Output
signature
Set
（
选择生成分类模板文件）
→
Filenam
e
(
确定分类模板文件
)
。
→
Cluster
Options:
选择
Initiate from
Statistics.
→分类方法
:
选择
isodata.
→
Number of
Classes
（确定初始分类数）
:7
→对于
Initializing Options
和
Color Scheme Options
两项均取缺省值。
→
Maximum
Iteratio
ns
（定义最大循环次数）
:24(
一
般在应用中将循环次数都取值
6
以上
)
→
Convergence Threshold
（设置循环收敛阈值）
:0.950(
取系统默认
值
)
→单击
OK
按钮（关闭
Unsupervised
Classification
对话框，执行非监督分类）下图为分类
后的图：
1.3
分类评价
1
）显示原图像与分类图像
在视窗中同时显示
和
prin_,
两个图像的叠加顺序
为：
（原图）在下，
prin_
（分类图）在上。
在
View#1
窗口中依次打开原图和分类图。注意：打开分类图时，
< br>select
layer
to
add
对话框中
Raster
Options
选择项中的“
clear display<
/p>
”不勾选。则可以保证在一个窗口
中同时打开两幅图像。
2
）打开分类图像属性表并调整字段属性
右键
prin_isodata
文件，选择
Display Attribute
Table
项，打开
Attribute
Table
窗口。
在
Attribute
Table
窗口中，
8
个记录分别对应产生的
7
个类及
Unclassified
类，每
个记录都有一系列的
字段。如果想看到所有字段，需要用鼠标拖动浏览条。
3
）给各个类别赋相应的颜色
在
Attribute
Table<
/p>
窗口中，选中某一类
Row
字段，单击此
类别颜色字段的颜色，即可
为该类选择某一颜色，重复操作为所有类选择合适颜色。
4
）不透明度的设置
由于分类图像覆盖在原图像上面，
为了对单个类别的判别精度进行分析，
首先要把其它
所有
类别的不透明度
(
Opacity)
值设为
0
（即改为
透明）
，而要分析的类别的透明度设为
1
（即不透明）
在
Attribute
Table
中，
直接将
Opacity
字段中不需要分析的类的值改为
0
，
需要分析的类的值设为
1.
此时，在视窗中只有
要分析的类别的颜色显示在原图像的上面，
其它类别都是透明的。
如下图：
水体的
Opacity<
/p>
被设为了
0
，
并
按回车键，
水体部分的颜色变得与原图一致
（即
透明）
。可以右键影像→
Swipe
< br>来查看。
5
）确定类别专题意义及其准确程度
右键影像→
Flicker
，
打开
Flicker
工具条，
< br>点击
Start/Stop
开始闪烁，
< br>本步是设置分
类图像在原图像背景上闪烁，
观察它与背景
图像之间的关系从而断定该类别的专题意义，
并
分析其分类准确
与否。
6
）标注类别的名称
在
Attribute
Table
中，单击刚才分析类别的
Class Names
字段，并输入其专题意义
（如水体、耕地、建筑等）
，重复第四到第六步直到对所有类别都进行了分析与处理。
得到如下结果：
1.4
分类后处理
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，
用户对方类地区没有<
/p>
什么了解，
所以在非监督分类过程中，
一般要定义比最终需要多一定数量的分类数；
在完全
按照像元灰度值通过
ISODATA
聚类获得分类方案后，首先是对专题分类图像与原始图像对
<
/p>
照，
判断每个分类的专题属性，
然后对相
近或类似的分类通过分类重编码进行合并，
并定义
分类名称和颜色。
→
Raster
→
Unsupervised
Classification
→
Fuzzy
Recode
→打开
Fuzzy
Recode
对话框。
→
Input Raster File
(
确定输入文件
)
→
Output Cluster Layer
(
确定输出文件
)
→
Neighbor Weighting
Options
：选择
By Distance
→
OK
执行编码
1.5
精度评价
执行了非监督分类之后，需
要对分类效果进行评价，
ERDAS
系统提供了多种分类评价方
法，
包括分类叠加
(classifi
cation
overlay)
、
定
义阈值
(thresholding)
、
分类编码
(recode
classes)
、精度评估
(accuracy
assessment)
等，下面有侧重的进行。
1
分类叠加
(Classification
Overlay)
分类叠加就是将专题分类图像与分类原始图像同时在一个视窗中
打开，
将分类专题层置
于上层，通过改变分类专题的透明度（<
/p>
Opacity
）及颜色等属性，查看分类专题与原始图像
之间的关系。
对于非监视分类结果，
通过分类
叠加方法来确定种别的专题特性、
并评价分类
结果。对监视分类
结果，该方法只是查看分类结果的正确性。
2
分类重码
对分类像元进行了分析之后，
可能需要对原来的分类重新进行组合
（如将林地
1
与林地
2
合并为林地）
，给部分或所有种别以新的分类值从而产生一个新的分类专题层
。
3
分类精度评估
分类精度评估是将专题分类图像中的特定像元与已知分类的参考像元进行比较，
实际
工
作中经常是将分类数据与地面真值、
先前的试验舆图、
航空相片或其它数据进行对比的途径
之一。下面是具体的操纵过程：<
/p>
1
）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。
2
）启动精度评估对话框
ERDAS
菜单条：
→
Raster
→
Super
vised
→
Accuracy
Assessment
→打开
Accuracy
Assessment
对话框
Accuracy Assessment
对话框中显示一个精度评估矩阵（
Accuracy
Assessment
Cellarray
）
。精度评估矩阵中将包含分类图
像若干像元的几个参
数和对应的参考像元的分
类值。
这个矩阵值可以使用户对分类图
像中的特定像元与作为参考的已知分类的像元进行比
较，参考像元的分类值是用户自己输
进的。矩阵数据存在分类图像文件中。
3
）打开分类专题图像
Accuracy Assessment
对话框菜单条：
→
< br>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
（关闭
Cla
ssified Image
对话框）
→返回
Accuracy
Assessment
对话框
4
）将原始图像视窗与精度评估视窗相连
Accuracy
Assessment
对话框：
→工具条：点击
Select Viewer
< br>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视窗中点击一下
→原始图像视窗与精度评估视窗相连接
5
）在精度评价对话框中设置随机点的色彩
Accuracy
Assessment
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
Assessment
对话框
6
）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
Assessment
对话框：
→
Edit
→
Create/Add Random Points
→打开
Add Random
Points
对话框
→在
search
Count
中输进
1024
→在
Number of
Points
中输进
20
→在
Distribution Parameters
选择
Random
单选框
→
OK
（按照参数设置产主随机
点）
→返回
Accuracy
Assessment
对话框
可以看到在
Accuracy Assessment
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，
search 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。
strat
ified
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
Use
Minimum Points
）
,
以
保证小种
别也有足够的分析点。
7
）显随机点及其种别
Accuracy
Assessment
对话框：
→
View
→
Show All(
所有随机点均以
第五步年设置的颜色显示在视窗中
)
。
→
Edi
t
→
Show Class Values
（各点的种别名出现在数据表的
class
字段中）
。
8
）输进参考点的实际种别值
Accuracy
Assessment
对话框：
→
在数据表的
Reference
字段输进各个随机点的实际种别
值
（只不要输进参考点的实际分类
值，它在视窗中的色彩就变为
第
5
）步设置的
Point With
Reference
颜色）
9<
/p>
）设置分类评价报告输出环境及输出分类评价报告
Accuracy
Assessment
对话框：
→
Report
→
Options
→通过点击确定分类评价报告的参数
→
Report
→
Accurac
y Report
（产生分类精度报告）
→
Report
→
Cell Report
（报告有关产生随机点的设置及
窗口环境）
。
→所有报告将显示在
ERDAS
文本编辑器窗口，可以保存
为本文件
→
File
→
Save
Table
（保存分类精度评价数据表）
→
File
→
close
（关闭
Accuracy
Assessment
对话框）
通过
对分类的评价，
假如对分类精度满足，保存结果。假如不满足，可以进一步做有关
的修改，如修改分类模板等，或应用其它
功能进行调整。
2
、监督分类
在监督分类的过程中，
首先选择可以识别或者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。
对分类结果进行评价后
再对模板
进行修改，
多次反复后建立一个比较准确的模板，
并在此基础上
最终进行分类。
监
督分类比非监督分类更多地要用户来控制，<
/p>
常用于对研究区域比较了解的情况。
监督分类
一般有以下几个步骤
:
定义分
类模板、评价分类模板、执行监督分类、分类结果评价。
2.1
分类流程图
类别定义
/
特征判别
样本选择
最大似然
最小距离
神经网络
支持向量机
其它
分类器选择
影像分类
分类后处理
结果验证
2.2
定义分类模板
1
）打开需要进行分类的图像
2
）打开模板编辑器并调整显示字段
打开
Raster
菜单项
→打开
Supervised
→选择
Signature
Editor
，打开
Signature
Editor
窗口。
Signature
Editor
窗口菜单条：
View
→
Columns
→打开
View Signature Columns
对
话框
点击最上一个字段的
Column
字段向下拖拉直到最后一个字段，
此时，
所有字段都被选
择上，并用灰色（缺省色）标识出来。对于那些对分类意义不大的字段（如本例中的
Red
、
Green
、<
/p>
Blue
字段）
，可以通过以下方法
将它们从选择集中除去：按住
Shift
键的同时分
别点击除
Red
、
Green
、
Blue
字段以外的其他字段，
单击
Apply
，单击
Close
，从
View
Signature Columns
对话框可以看到
Red
、
Green
、
Blue
字段将不再显示。
3
）获取分类模板信息
定义模板原则：
①必须在分类之前就知道研究区域的森林类型、
覆盖范围以及图像的叠
和现象，以保证输出分类的连续性。
②当创建训练区时，
对于每一个类别都有一些子类，每
个子类选择的
AOI
区域应该不少于
5
个，
并且每个
AOI
区域内象素的颜色类型一致，
跳跃不
-
-
-
-
-
-
-
-
-
上一篇：八年级下册英语知识点复习提纲
下一篇：发动机结构及原理图