遥感影像处理实习08.docxVIP

实习序号及题目实习8. 监督分类与非监督分类实习人姓名专业班级及编号地基任课教师姓名刘勇实习指导教师姓名李婕铭梁志华梁小峰刘天凤实习地点榆中校区实验楼A209实习日期时间201X年12月19日实习目的理解影像监督分类和非监督分类的原理、方法和步骤，初步掌握土地利用/土地覆盖的计算机自动分类方法。实习内容选取研究区数据（512×512或者1024×1024），通过目视解译建立分类系统及其编码体系。按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。计算各个样本之间的可分离性。说明哪些地物类型之间较易区分，哪些类型之间难以区分。监督分类：利用最大似然法完成分类。分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。分类后处理（clump—sieve—majority）。运用ISODATA方法进行非监督分类：预先假定地表覆盖类型为30类，迭代次数选为15，由系统完成非监督分类；然后进行类别定义与合并子类，最后进行结果评价。基本原理1、目视解译是遥感图像解译的一种，又称目视判读，或目视判译，是遥感成像的逆过程。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。2、监督分类：又称“训练分类法”，用被确认类别的样本象元去识别其它未知类别象元的过程。在分类之前通过目视判断和野外调查，对图像上某些样区中图像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其它信息，同时用这些中子类别对判决函数进行训练，使其符合于对各种子类别分类的要求；随后用训练好的判决函数去对其它待分数据进行分类，是每个像元和训练样本作比较，按不同的规则将其划分到与其最相似的样本类，以此完成对整个图像的分类。?3、最大似然法（Maximum Likelihood，ML）是一种具有理论性的点估计法，此方法的基本思想是：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟合样本数据的参数估计量。最大似然法假设遥感图像上的每个波段数据都为正态分布。其基本思想是：地物数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上为正态分布，该类的多位数据就构成了一个多位正态分布；各类的多为正态分布模型各有其分布特征，例如，所在位置、形状、密集或分散的程度等。对于具有3个特征的正太分布来说，每一类的数据就是一个近似钟形的立方体。不同类形成的“钟”在高低、粗细、尖阔等方面都不相同；根据各类已知数据，可以构造出各类的多维正态分布模型（实际为各类中各数据向量的频率，即概率密度函数或概率分布函数）；在此基础上，对于任何一个像素，可以反过来求它属于各类的概率，取最大概率对应的类为分类结果。4、Kappa系数：是一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。两幅栅格图的kappa计算公式为 k = (Po-Pc)/(1-Pc)，设栅格总象元数为n，真实栅格为1的象元数为a1，为0的象元数为a0，模拟栅格为1的象元数为b1，为0的象元数为b0，两个栅格对应象元值相等的象元数为s，则Po = s/n， Pc = (a1*b1+a0*b0)/(n*n)在arcmap里，a1、a0、b1、b0从属性表可读出，s用raster calculator配合con()函数不难求出。kappa计算结果为-1~1，但通常kappa是落在 0~1 间，可分为五组来表示不同级别的一致性：0.0~0.20极低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial)和0.81~1几乎完全一致(almost perfect)。5、过滤分析（sieve）：对经clump处理后的clump类组影像，按照定义的数值大小，剔除clump影像中较小的类组图斑，并给所有小图斑赋予新的属性值0。?类别合并：在非监督分类中由于分类之前不知道有多少类，在策略上总是先分出较多的类再进行合并。其基本思想是将要合并的两个或两个以上类的编码和颜色改为相同的编码和颜色。；6、非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标