遥感图像解译实验报告.docx
- 文档编号:2805534
- 上传时间:2022-11-15
- 格式:DOCX
- 页数:13
- 大小:2.16MB
遥感图像解译实验报告.docx
《遥感图像解译实验报告.docx》由会员分享,可在线阅读,更多相关《遥感图像解译实验报告.docx(13页珍藏版)》请在冰豆网上搜索。
遥感图像解译实验报告
实验一非监督分类
一、基本原理
非监督分类的前提是假定遥感影像上同类地物在相同的条件下具有相同的光谱特征信息。
非监督分类不需要先验类别知识的情况下,仅依靠影像本身的特征进行特征提取,根据统计特征及点群的分布情况来划分地物。
ERDAS的非监督分类是基于迭代自组织数据分析(ISODATA)算法实现的,算法的流程图如图1。
结果输出
确定类别中心
像素聚类
设定初始聚类中心
开始
图1ISODATA算法流程图
ISODATA算法实现步骤:
(1)按照某个原则确定一些初始聚类中心。
在实际操作时,要把初始聚类设定得大些,同时引入各种参数控制迭代的次数。
(2)像素聚类与分析。
计算像素与初始类别中心的距离,把像素分配到最近的类别中,从而获得每个初始类别的集群成员。
(3)确定类别中心。
在全部像素按照各类中心分类后,重新计算每一类新的均值,并作为下一次分类的中心,并执行上一步,循环迭代,直到达到迭代的次数。
二、分类过程
运用非监督分类对遥感图像进行分类的过程,主要分为以下两个步骤:
1、动非监督分类模块,选择输入、输出影像
(1)在ERDAS面板工具中选择Classifier->Classification->UnsupervisedClassification,打开非监督分类对话框。
(2)选择图像处理文件(InputRasterFile)和输出文件(OutputClusterLayerFilename)设置被分类的图像和分类结果,并选择生成分类模板文件(OutputSignatureSet)产生一个模板文件。
2、初始参数,执行非监督分类
在非监督分类对话框中分别设置聚类选项(ClusteringOptions)和处理选项(ProcessingOptions):
(1)选择Classifier->UnsupervisedClassification命令,打开非监督分类对话框,设定输入输出数据,设置聚类选项(ClusteringOptions),确定初始聚类方法和分类数。
(2)设置处理选项(ProcessingOptions),确定循环次数和阈值。
三、实验结果
本次实验使用InitialfromStatistics方法,分类数为6,其它参数取默认值。
遥感图像原图如图2。
图2遥感图像原图
非监督分类结果如图3
生成的模板文件如图4
图3非监督分类结果
图4非监督分类模板文件
对分类图像颜色进行调整后的分类结果如图5
对应模板文件如图6
图5调整后的非监督分类结果
图6调整后的模板文件
三、实验结果分析
1、从图2、图3的对比,可以看出,经过非监督分类处理,水域、河流、道路、建筑区域、绿地这五大类别被分类出来的结果是很好的,但图像的亮度有些偏低。
2、从图3、图4的对比,可以得出结论,经过颜色调整后的分类结果更清晰,细节更突出,颜色的表示更符合人们的习惯。
3、非监督分类在没有经验的条件下进行,客观、实际、具体,但也面临着一些比较特殊的区域被分错误的问题。
实验二监督分类
一、基本原理
不同于非监督分类,监督分类基于先验知识,根据训练场提供的样本选择特征参数,建立判别函数,对待分类点进行分类。
训练场地的选择是监督分类的关键,在监督分类中由于训练样本的不同,分类结果会出现极大的差异,因此应选取有代表性的样本,用于监督分类的训练样本应该是光谱特征比较均一的地区,在图像中根据均一的色调估计只有一类地物,且一类地物的训练样本可以选取一块以上。
此外,用做样本的数目至少能满足建立分类用判别函数的要求,对于光谱特征变化比较大的地物,训练样本要足够得多,以反映其变化范围。
一般情况下,要得到可靠的结果,每类至少选择10—100个训练样本。
监督分类的判别规则可以分为无变量和有变量两种。
其中,无变量包括特征空间、平等六面体,有变量包括最大似然、最小距离和马氏距离。
当然,非参数规则与参数规则可以同时使用,但要注意应用范围。
另外,如果使用非参数型模板,还要确定叠加规则和未分类规则。
二、实验过程
1、定义分类模板
定义分类模板操作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)需要分类的影像
点击ERDAS->Viewer面板,打开需要进行分类的图像。
(2)分类模板编辑器
选择Classifier图标->Classification->SignatureEditor命令,打开分类模板编辑器(SignatureEditor)对话框。
(3)属性字段
在分类编辑器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。
选择分类编辑窗口的View->Column,打开ViewSignatureColumn对话框,选中需要显示的字段,单击Apply按钮,显示发生变化,单击Close按钮完成。
(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不少于10个。
(5)保存分类模板
选择SignatureEdit面板->File->Save命令,打开保存对话框,确定是保存所有模板或是只保存被选中的模板,并确定保存分类模板文件的目录和文件名,单击OK按钮即可。
2、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。
在选择判别函数及相应的准则后,便可执行监督分类,具体步骤如下:
选择Classifier图标->SupervisedClassification命令,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。
(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。
(9)还可以定义分类图的属性表项目,即单击AttributeOptions按钮,进行选择。
(10)最后单击OK按钮,执行监督分类。
三、实验结果
根据上述实验过程,可得分类后结果如图8,其中分类模板如图9。
图7遥感影像原图
图8监督分类结果
图9监督分类模板
四、实验结果分析
1、由图8可以看出,河流、水域、绿色植物、道路、建筑物被分类出来,但在水域中出现了河流的错误分类,这是不完美的。
2、道路一地物被分的很乱,这可能与邻近道路的像素与道路像素相近的原因引起的,这种问题可以通过增加分类各类的办法,将邻近道路的像素分成另一类的方法来解决。
3、监督分类效果在一定程度上结合了人们所掌握的经验知识,但还是不能完美的将人们所掌握的知识与计算机机械的分类相结合,这是未来智能解译很面临的主要问题之一。
实验三分类后处理
一、基本原理
由于分类严格按照数学规则进行,分类后往往会产生一些只有几个像元甚至一两个像元的小图斑。
这对分类图的分析、解译和制图,都是不利的,可通过几种分类后处理来解决。
ERDAS中的分类后处理方法有:
聚类统计、过滤分析、去除分析。
1、聚类统计
聚类统计(Clump)是通过计算分类专题图像每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作,产生一个Clump类组输出图像,其中每个图斑都包含Clump类组属性。
该图像是一个中间文件,用于进行下一步处理。
2、过滤分析
Sieve功能是对经Clump处理后的Clump类组图像进行处理,按照定义的数值大小,删除Clump图像中较小的类组图斑,并给所有小图斑赋予新的属性值。
显然,这里引出了一个新的问题,就是小图斑的归属问题。
可以与原分类图对比确定其新属性,也可以通过空间建模方法、调用Delerows或Zonel工具进行处理。
Sieve经常与Clump命令配合使用,对于无须考虑小图斑归属的应用问题,有很好的作用。
3、去除分析
去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组,与Sieve命令不同,将删除的小图斑合并到相邻的最大的分类当中。
而且,如果输入图像是Clump聚类图像的话,经过Eliminate处理后,将小类图斑的属性值自动恢复为Clump处理前的原始分类编码。
显然,Eliminate处理后的输出图像是对分类结果图像进行了制图综合。
二、实验过程
1、聚类分析
在ERDAS图标面板菜单条中,选择Main->ImageInterpreter->GISAnalysis->Clump命令,打开Clump对话框,如图10,并设置下列参数。
图10Clump对话框
(1)选择处理图像文件(InputFile)。
(2)定义输出文件(OutputFile)。
(3)选择文件坐标类型(CoordinateType)为Map/File。
(4)处理范围确定(SubsetDefinition):
ULX/Y,LRX/Y。
(5)确定聚类统计邻域大小(ConnectedNeighbors):
统计分析将对每个像元四周的N个相邻像元进行。
可以选择4个方向或者8个相邻的像元。
(6)点击OK按钮,关闭Clump对话框,执行聚类统计分析。
2、过滤分析
在ERDAS图标面板菜单条中,选择Main->ImageInterpreter->GISAnalysis->Sieve命令,打开Sieve对话框,如图11,确定下列参数:
(1)选择处理图像文件(InputFile)。
(2)定义输出文件(OutputFile)。
(3)定义输出文件坐标类型(CoordinateType):
Map/File。
(4)定义输出文件处理范围(SubsetDefinition):
ULX/Y,LRX/Y。
(5)选择处理的图层(SelectLayer)。
(6)忽略输出统计零像元值IgnoreZeroinOutputStatistics。
(7)确定最小图斑大小(MinimumSize)。
(8)点击OK按钮,关闭Sieve对话框,执行过滤分析。
图11Sieve对话框
3、去除分析
在ERDAS图标面板菜单条中,选择Main->ImageInterpreter->GISAnalysis->Eliminate命令,打开Eliminate对话框,如图12,确定下列参数:
(1)选择处理图像文件(InputFile)。
(2)定义输出文件(OutputFile)。
(3)定义输出文件坐标类型(CoordinateType):
Map/File。
(4)定义输出文件处理范围(SubsetDefinition):
ULX/Y,LRX/Y。
(5)选择去除分析的图层(SelectLayer)。
(6)忽略输出统计零像元值IgnoreZeroinOutputStatistics。
(7)确定最小图斑大小(MinimumSize)。
(8)点击OK按钮,关闭Elinina
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遥感 图像 解译 实验 报告