遙感圖像解譯實驗報告.doc

實驗一 非監(jiān)督分類一、基本原理非監(jiān)督分類的前提是假定遙感影像上同類地物在相同的條件下具有相同的光譜特征信息。非監(jiān)督分類不需要先驗類別知識的情況下，僅依靠影像本身的特征進行特征提取，根據(jù)統(tǒng)計特征及點群的分布情況來劃分地物。ERDAS 的非監(jiān)督分類是基于迭代自組織數(shù)據(jù)分析（ISODATA）算法實現(xiàn)的，算法的流程圖如圖1。結果輸出確定類別中心像素聚類設定初始聚類中心開始圖1 ISODATA算法流程圖ISODATA算法實現(xiàn)步驟：（1）按照某個原則確定一些初始聚類中心。在實際操作時，要把初始聚類設定得大些，同時引入各種參數(shù)控制迭代的次數(shù)。（2）像素聚類與分析。計算像素與初始類別中心的距離，把像素分配到最近的類別中，從而獲得每個初始類別的集群成員。（3）確定類別中心。在全部像素按照各類中心分類后，重新計算每一類新的均值，并作為下一次分類的中心，并執(zhí)行上一步，循環(huán)迭代，直到達到迭代的次數(shù)。二、分類過程運用非監(jiān)督分類對遙感圖像進行分類的過程，主要分為以下兩個步驟：1、動非監(jiān)督分類模塊，選擇輸入、輸出影像（1）在ERDAS面板工具中選擇Classifier-Classification-Unsupervised Classification，打開非監(jiān)督分類對話框。（2）選擇圖像處理文件（Input Raster File）和輸出文件（Output Cluster Layer Filename）設置被分類的圖像和分類結果，并選擇生成分類模板文件（Output Signature Set）產生一個模板文件。2、初始參數(shù)，執(zhí)行非監(jiān)督分類在非監(jiān)督分類對話框中分別設置聚類選項（Clustering Options）和處理選項（Processing Options）：（1）選擇Classifier-Unsupervised Classification命令，打開非監(jiān)督分類對話框，設定輸入輸出數(shù)據(jù)，設置聚類選項（Clustering Options），確定初始聚類方法和分類數(shù)。（2）設置處理選項（Processing Options），確定循環(huán)次數(shù)和閾值。三、實驗結果本次實驗使用Initial from Statistics方法，分類數(shù)為6，其它參數(shù)取默認值。遙感圖像原圖如圖2。圖2 遙感圖像原圖非監(jiān)督分類結果如圖3生成的模板文件如圖4圖3 非監(jiān)督分類結果圖4 非監(jiān)督分類模板文件對分類圖像顏色進行調整后的分類結果如圖5對應模板文件如圖6圖5 調整后的非監(jiān)督分類結果圖6 調整后的模板文件三、實驗結果分析1、從圖2、圖3的對比，可以看出，經過非監(jiān)督分類處理，水域、河流、道路、建筑區(qū)域、綠地這五大類別被分類出來的結果是很好的，但圖像的亮度有些偏低。2、從圖3、圖4的對比，可以得出結論，經過顏色調整后的分類結果更清晰，細節(jié)更突出，顏色的表示更符合人們的習慣。3、非監(jiān)督分類在沒有經驗的條件下進行，客觀、實際、具體，但也面臨著一些比較特殊的區(qū)域被分錯誤的問題。實驗二 監(jiān)督分類一、基本原理不同于非監(jiān)督分類，監(jiān)督分類基于先驗知識，根據(jù)訓練場提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對待分類點進行分類。訓練場地的選擇是監(jiān)督分類的關鍵，在監(jiān)督分類中由于訓練樣本的不同，分類結果會出現(xiàn)極大的差異，因此應選取有代表性的樣本，用于監(jiān)督分類的訓練樣本應該是光譜特征比較均一的地區(qū)，在圖像中根據(jù)均一的色調估計只有一類地物，且一類地物的訓練樣本可以選取一塊以上。此外，用做樣本的數(shù)目至少能滿足建立分類用判別函數(shù)的要求，對于光譜特征變化比較大的地物，訓練樣本要足夠得多，以反映其變化范圍。一般情況下，要得到可靠的結果，每類至少選擇10100個訓練樣本。監(jiān)督分類的判別規(guī)則可以分為無變量和有變量兩種。其中，無變量包括特征空間、平等六面體，有變量包括最大似然、最小距離和馬氏距離。當然，非參數(shù)規(guī)則與參數(shù)規(guī)則可以同時使用，但要注意應用范圍。另外，如果使用非參數(shù)型模板，還要確定疊加規(guī)則和未分類規(guī)則。二、實驗過程1、定義分類模板定義分類模板操作包括分類模板的生成、管理、評價和編輯等，功能主要由分類模板編輯器（Signature Editor）完成，具體步驟包括：（1）需要分類的影像點擊ERDAS-Viewer面板，打開需要進行分類的圖像。（2）分類模板編輯器選擇Classifier圖標-Classification-Signature Editor命令，打開分類模板編輯器（Signature Editor）對話框。（3）屬性字段在分類編輯器窗口中的分類屬性表中有很多字段，可以對不需要的字段進行調整。選擇分類編輯窗口的View-Column，打開View Signature Column對話框，選中需要顯示的字段，單擊Apply按鈕，顯示發(fā)生變化，單擊Close按鈕完成。（4）選取樣本基于先驗知識，需要對遙感圖像選取訓練樣本，包括產生AOI、合并、命名，從而建立樣本。考慮到同類地物顏色的差異，因此在采樣過程中對每一地類的采樣點不少于10個。（5）保存分類模板選擇Signature Edit面板-File-Save命令，打開保存對話框，確定是保存所有模板或是只保存被選中的模板，并確定保存分類模板文件的目錄和文件名，單擊OK按鈕即可。2、監(jiān)督分類建立滿意的分類模板后，就需要在一定的分類決策規(guī)則條件下，對像元進行聚類判斷。在選擇判別函數(shù)及相應的準則后，便可執(zhí)行監(jiān)督分類，具體步驟如下：選擇Classifier圖標-Supervised Classification命令，打開Supervised Classification對話框，參數(shù)設置如下：（1） 選擇處理圖像文件（Input Raster File）。（2） 確定輸入分類模板（Input Signature）。（3） 定義輸出分類文件（Classified File）。（4） 設置輸出分類距離文件為Distance File。（5） 選擇非參數(shù)規(guī)則（Non-Parametric Rule），一般選擇Feature Space，即選擇特征空間。（6） 選擇疊加規(guī)則（Overlap Rule），一般為Parametric Rule。（7） 選擇未分類規(guī)則（Unclassified Rule）為Parametric Rule。（8） 選擇參數(shù)規(guī)則（Parametric Rule），一般選擇Maximum Likelihood，即最大似然。（9） 還可以定義分類圖的屬性表項目，即單擊Attribute Options按鈕，進行選擇。（10） 最后單擊OK按鈕，執(zhí)行監(jiān)督分類。三、實驗結果根據(jù)上述實驗過程，可得分類后結果如圖8，其中分類模板如圖9。圖7 遙感影像原圖圖8 監(jiān)督分類結果圖9 監(jiān)督分類模板四、實驗結果分析1、由圖8可以看出，河流、水域、綠色植物、道路、建筑物被分類出來，但在水域中出現(xiàn)了河流的錯誤分類，這是不完美的。2、道路一地物被分的很亂，這可能與鄰近道路的像素與道路像素相近的原因引起的，這種問題可以通過增加分類各類的辦法，將鄰近道路的像素分成另一類的方法來解決。3、監(jiān)督分類效果在一定程度上結合了人們所掌握的經驗知識，但還是不能完美的將人們所掌握的知識與計算機機械的分類相結合，這是未來智能解譯很面臨的主要問題之一。實驗三 分類后處理一、基本原理由于分類嚴格按照數(shù)學規(guī)則進行，分類后往往會產生一些只有幾個像元甚至一兩個像元的小圖斑。這對分類圖的分析、解譯和制圖，都是不利的，可通過幾種分類后處理來解決。ERDAS中的分類后處理方法有：聚類統(tǒng)計、過濾分析、去除分析。1、 聚類統(tǒng)計聚類統(tǒng)計（Clump）是通過計算分類專題圖像每個分類圖斑的面積、記錄相鄰區(qū)域中最大圖斑面積的分類值等操作，產生一個Clump類組輸出圖像，其中每個圖斑都包含Clump類組屬性。該圖像是一個中間文件，用于進行下一步處理。2、 過濾分析Sieve功能是對經Clump處理后的Clump類組圖像進行處理，按照定義的數(shù)值大小，刪除Clump圖像中較小的類組圖斑，并給所有小圖斑賦予新的屬性值。顯然，這里引出了一個新的問題，就是小圖斑的歸屬問題。可以與原分類圖對比確定其新屬性，也可以通過空間建模方法、調用Delerows或Zonel工具進行處理。Sieve經常與Clump命令配合使用，對于無須考慮小圖斑歸屬的應用問題，有很好的作用。3、 去除分析去除分析是用于刪除原始分類圖像中的小圖斑或Clump聚類圖像中的小Clump類組，與Sieve命令不同，將刪除的小圖斑合并到相鄰的最大的分類當中。而且，如果輸入圖像是Clump聚類圖像的話，經過Eliminate處理后，將小類圖斑的屬性值自動恢復為Clump處理前的原始分類編碼。顯然，Eliminate處理后的輸出圖像是對分類結果圖像進行了制圖綜合。二、實驗過程1、 聚類分析在ERDAS圖標面板菜單條中，選擇Main-Image Interpreter-GIS Analysis-Clump命令，打開Clump對話框，如圖10，并設置下列參數(shù)。圖10 Clump對話框（1） 選擇處理圖像文件（Input File）。（2） 定義輸出文件（Output File）。（3） 選擇文件坐標類型（Coordinate Type）為Map/File。（4） 處理范圍確定（Subset Definition）：UL X/Y，LR X/Y。（5） 確定聚類統(tǒng)計鄰域大?。–onnected Neighbors）：統(tǒng)計分析將對每個像元四周的N個相鄰像元進行。可以選擇4個方向或者8個相鄰的像元。（6） 點擊OK按鈕，關閉Clump對話框，執(zhí)行聚類統(tǒng)計分析。2、 過濾分析在ERDAS圖標面板菜單條中，選擇Main-Image Interpreter-GIS Analysis-Sieve命令，打開Sieve對話框，如圖11，確定下列參數(shù)：（1） 選擇處理圖像文件（Input File）。（2） 定義輸出文件（Output File）。（3） 定義輸出文件坐標類型（Coordinate Type）：Map/File。（4） 定義輸出文件處理范圍（Subset Definition）：UL X/Y，LR X/Y。（5） 選擇處理的圖層（Select Layer）。（6） 忽略輸出統(tǒng)計零像元值Ignore Zero in Output Statistics。（7） 確定最小圖斑大?。∕inimum Size）。（8） 點擊OK按鈕，關閉Sieve對話框，執(zhí)行過濾分析。圖11 Sieve對話框3、 去除分析在ERDAS圖標面板菜單條中，選擇Main-Image Interpreter-GIS Analysis-Eliminate命令，打開Eliminate對話框，如圖12，確定下列參數(shù)：（1） 選擇處理圖像文件（Input File）。（2） 定義輸出文件（Output File）。（3） 定義輸出文件坐標類型（Coordinate Type）：Map/File。（4） 定義輸出文件處理范圍（Subset Definition）：UL X/Y，LR X/Y。（5） 選擇去除分析的圖層（Select Layer）。（6） 忽略輸出統(tǒng)計零像元值Ignore Zero in Output Statistics。（7） 確定最小圖斑大?。∕inimum Size）。（8） 點擊OK按鈕，關閉Elininate對話框，執(zhí)行去除分析。圖12 Eliminate對話框三、實驗結果1、聚類統(tǒng)計處理結果如圖13所示。圖13 聚類統(tǒng)計處理結果2、過濾分析處理結果如圖14所示。圖14 過濾分析處理結果4、 去除分析處理結果如圖15、圖16所示。圖15 去除分析處理結果圖16 顏色調整后的去除分析處理結果四、實驗結果分析1、經過聚類統(tǒng)計處理后，過濾分析過程完成較小的類組圖斑的刪除、歸屬過程，從監(jiān)督分類后的結果圖與過濾分析結果圖對比可以看出，原來圖像中較小的圖斑消失，被劃歸到相鄰大的圖斑中去了，這