監(jiān)督分類實驗報告

1、實驗報告題目：監(jiān)督分類姓名：學(xué)號：日期：1、 實驗?zāi)康睦斫庥嬎銠C圖像分類的基本原理以及監(jiān)督分類的過程，運用ERDAS軟件達(dá)到能熟練地對遙感圖像進(jìn)行監(jiān)督分類的目的。2、 監(jiān)督分類原理監(jiān)督分類 （supervised classification）又稱訓(xùn)練場地法，是以建立統(tǒng)計識別函數(shù)為理論基礎(chǔ)，依據(jù)典型樣本訓(xùn)練方法進(jìn)行分類的技術(shù)。即根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類影像進(jìn)行的圖像分類，是模式識別的一種方法。要求訓(xùn)練區(qū)域具有典型性和代表性。判別準(zhǔn)則若滿足分類精度要求，則此準(zhǔn)則成立；反之，需重新建立分類的決策規(guī)則，直至滿足分類精度要求為止。1

2、） 平行六面體法在多波段遙感圖像分類過程中，對于被分類的每一個類別，在各個波段維上都要選取一個變差范圍的識別窗口，形成一個平行六面體，如果有多個類別，則形成多個平行六邊形，所有屬于各個類別的多維空間點也分別落入各自的多維平行六面體空間。2） 最小距離法使用了每個感興趣區(qū)的均值矢量來計算每個未知象元到每一類均值矢量的歐氏距離，除非用戶指定了標(biāo)準(zhǔn)差和距離的閾值，否則所有象元都將分類到感興趣區(qū)中最接近的那一類。3） 最大似然法假定每個波段中的每類的統(tǒng)計都呈現(xiàn)正態(tài)分布，并將計算出給定象元都被歸到概率最大的哪一類里。4） 馬氏距離法是一個方向靈敏的距離分類器，分類時將使用到統(tǒng)計信息，與最大似然法有些類似

3、，但是她假定了所有類的協(xié)方差都相等，所以它是一種較快的分類方法。3、 實驗步驟及結(jié)果1、定義分類模板定義分類模板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） 打開需要分類的影像本實驗所處理的遙感圖像打開如下圖所示。圖1 原始遙感圖像2）打開分類模板編輯器3）調(diào)整屬性文字在分類編輯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(jìn)行調(diào)整。4） 選取樣本基于先驗知識，需要對遙感圖像選取訓(xùn)練樣本，包括產(chǎn)生AOI、合并、命名，從而建立樣本?？紤]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（即AOI）不少于10

4、個。選取樣本包括產(chǎn)生AOI和建立分類模板兩個步驟。（1）產(chǎn)生AOI的方法有很多種，本實驗采用應(yīng)用查詢光標(biāo)擴展方法。（2）建立分類模板在分類模板編輯窗口，單擊按鈕，將多邊形AOI區(qū)域加載到分類模板屬性表中。在同樣顏色的區(qū)域多繪制一些AOI，分別加載到分類模板屬性表中。本實驗中每一顏色類別選取了10個AOI樣本點。在分類模板屬性表中，依次單擊這些AOI（按住shift鍵），并在單擊將所選中的模板合并成一個新的模板。在分類模板屬性表中，單擊Edit/Delete，刪除合并前的模板。并單擊Signature Name進(jìn)入輸入狀態(tài)，輸入對應(yīng)的類別名稱，單擊color設(shè)置顏色。重復(fù)以上步驟將所有的類型建立

5、分類模板。5） 保存分類模板本實驗中共建立了五種分類模板，保存結(jié)果如下圖所示。圖2 建立5種分類模板2、 評價分類模板ERDAS IMAGINE 提供的分類模板評價工具有: 分類報警工具(A larm s)、可能性矩陣(Con tingency matrix)、特征對象(featu re object s)、直方圖方法(Histograms )、分類的分離性( Signatu re separability)、分類統(tǒng)計分析(Statistics) 等。研究中利用各工具對遙感影像的監(jiān)督分類模板進(jìn)行評價, 得到較理想的結(jié)果。1） 分類預(yù)警評價分類模板報警工具根據(jù)平行六邊形決策規(guī)則將原屬于或估計屬于

6、某一類別的像元在圖像視窗中加亮顯現(xiàn), 以示警報, 也可以設(shè)置選項使用其它顏色顯示。一個報警可以針對一個類別或多個類別。根據(jù)模板編輯器中指定的顏色, 選定類別的像元且顯示在原始圖像視窗中, 并覆蓋在原始圖像上, 形成報警掩膜, 利用F licker 功能查看報警掩膜, 通過測試, 依靠已有模式識別技能, 或?qū)嵉財?shù)據(jù), 確定準(zhǔn)確性。在分別選擇農(nóng)田、水面、山地類別時, 發(fā)分類面積過大, 經(jīng)過幾次反復(fù)選點、合并與刪除, 再應(yīng)用分類模板報警工具形成報警掩膜, 以檢驗?zāi)０宓臏?zhǔn)確性, 直到結(jié)果滿意為止。評價完成后刪除分類報警掩膜。2） 可能性矩陣可能性矩陣評價工具是根據(jù)分類模板, 分析AOI 訓(xùn)練區(qū)的像元是

7、否完全落在相應(yīng)的類別中?？赡苄跃仃嚨妮敵鼋Y(jié)果是百分比矩陣, 說明每個AOI 訓(xùn)練區(qū)中有多少個像元分別屬于相應(yīng)的類別。AO I 訓(xùn)練區(qū)的分類可應(yīng)用分類原則: 平行六面體( Panallele Piped )、特征空( Feature Space)、最大似然(Maximum Likelihood)、馬氏距離(Mahalanob is istance)。研究中選擇的是最大似然。隨后, 分類誤差矩陣將顯示在IMAGIN E 文本編輯器(Tex t Editor) 中, 供查看統(tǒng)計。如果誤差矩陣值小于85% , 則模板需要重新建立。其中統(tǒng)計數(shù)據(jù)如下圖所示。圖3 分類誤差矩陣3）模板對象圖示模板的特征對象

8、工具可以顯示各類別模板的統(tǒng)計圖, 以便比較不同類別。評價時, 用模板件中的平均值與標(biāo)準(zhǔn)差計算集中度橢圓, 也可生成平行六面體矩形、平均值以及注記。統(tǒng)計圖以橢圓形式顯示在特征空間圖像中, 每個橢圓都是基于類別的平均值及其標(biāo)準(zhǔn)差?？梢酝瑫r產(chǎn)生一個類別或多個類別的圖形顯示。由于在特征空間圖像中繪畫橢圓, 所以特征空間圖像必須處于打開狀態(tài)。橢圓的重疊程度, 反映了類別的相似性。如果兩個橢圓不重疊, 說明代表相互獨立的類別, 是分類所需要的。然而, 重疊是肯定有的, 因為幾乎沒有完全不同的類別。如果兩個橢圓重疊較多,則這兩類別是相似的, 分類不理想。對所有波段通過橢圓圖分析,可以確定究竟使用哪些模板與波

9、段可以得到準(zhǔn)確的分類結(jié)果。4） 直方圖繪制直方圖繪制工具通過分析類別的直方圖對模板進(jìn)行評價和比較, 可以同時對一個或多個類別制作直方圖, 如果處理對象是單個類別, 就是當(dāng)前活動類別, 如果是多個類別的直方圖,就是處于選擇集中的類別。通過選擇不同類別、不同波段繪制直方圖, 可以分析其特征。在H istograms Plot Control Panel中作調(diào)整, 并且點擊Plot 按鈕以實現(xiàn)直方圖反映內(nèi)容的變化。直方圖方法是經(jīng)常使用的模板評價方法, 具有簡便、直觀的特點, 對于類型的合并極其有用。5） 類別的分離性分類的分離性工具用于計算任意類別的統(tǒng)計距離，可確定兩個類別間的差異性程度，也可確定分

10、類中效果最好的數(shù)據(jù)層。類別間的統(tǒng)計距離是基于歐氏光譜距離、Jeffries-Matusta距離、分類的分離度、轉(zhuǎn)換分離度方法計算的。采用類別分離性工具可以同時對多個類別操作，如果沒有選擇任何類別，則對所有的類別操作。在文本編輯器窗口，可以對報告結(jié)果分析，將結(jié)果保存在文本文件中。本實驗對所有類別操作得到的報告結(jié)果如下圖所示。圖4 類別分離性報告6）分類統(tǒng)計分析分類統(tǒng)計分析功能可以對類別專題層統(tǒng)計,作評價和比較。統(tǒng)計分析每次只能對一個類別進(jìn)行,即處于活動狀態(tài)的類別就是當(dāng)前統(tǒng)計的類別。在模板編輯器中選擇: ViewStatistics打開Statistics對話框。Statistics對話框的主體是

11、分類統(tǒng)計結(jié)果列表,表中包括有該模板基本統(tǒng)計信息(Min,Max,Mean,Std1Dev1) 及協(xié)方差(Convariance)。建立的模板city類統(tǒng)計結(jié)果見下圖。圖5 模板中city的分類統(tǒng)計結(jié)果3、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(jìn)行聚類判斷。在選擇判斷函數(shù)及相應(yīng)的準(zhǔn)則后，便可執(zhí)行監(jiān)督分類，具體步驟如下：打開Supervised Classification對話框，參數(shù)設(shè)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(shè)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,參數(shù)規(guī)則，具體設(shè)置以下詳述。（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。輸出分類文件如下