论文内容-影像分类.docVIP

第四章 遥感影像分类及提取比较实验研究 4.1 非监督分类 非监督分类的前提是假定遥感影像上同类地物在相同条件下具有相同的光谱特征信息。它是在没有先验知识（训练场地）的情况下，仅根据图像奔上的统计特征及自然点群的分布情况来划分地物类别的分类处理，时候再对已分出的各类的地物属性进行确认，也称作“边学习边分类法” 。常用的非监督分类有ISODATA算法，K-均值法，模糊C-均值法，本研究我们采用ERDAS IMAGINE 的ISODATA算法（基于最小光谱距离公式）来进行非监督分类。 4.1.1 ISODATA算法 ISODATA即迭代自组织数据分析技术（Iterative Self-Organizing Data Analysis Technique），这种方法在数理统计上又可以称为动态聚类分析（Dynamic Clustering Analysis） 。简而言之，就是在初始设定的基础上，在分类过程当中依据一定原则不断地重新计算类别总数、类别中心，从而使分类结果逐渐趋于合理，直到满足一定条件后，分类过程完毕。（图） ISODATA算法步骤 ： 1. 确定初始聚类中心的数目 这是迭代开始时假定要分的类的个数，原则上说，可以随机的规定。如对研究对象有较多的了解，也可以令它接近于实际类型的个数。需要注意，在像元较少的情况下，初始类数目不宜舍得过大。 2. 确定初始聚类中心 即各初始类的各波段的初值。初始类数目定下来之后，就要给每个类的各波段假定初始值。分类用m个波段，构成m维向量。分类数目m维向量是像元的初始归类中心。 3. 确定像元与各聚类中心的距离 距离参数有多种形式，如:绝对值距离，欧氏距离，马氏距离等。它们各有其计算 公式。具体选用什么距离，可根据实际情况决定。 4. 进行第一次迭代后像元初次归类 按定义的距离，分别计算各个像元与各初始聚类中心的距离，比较每个像元到各类 的距离值，把它们分别归到距离最近的类里去。全部像元计算归类完毕，就完成了第一 次分类。 5. 第一次分类的修改—第二次迭代 第一次分类结果带有很大的主观性，与实际相差较远，需要对它进行修改、调整。调整的方法有很多种，在此介绍其中一种。计算第一次分类得到的各类的重心—各类的一个波段的均值为分量构成的向量，将它们作为第二次分类的聚类中心，重新计算各像元与这些新聚类中心的距离，并把各像元归到距离最近的类中去。全部像元经过这样重新计算和归类后，就完成了第二次分类。 6. 分类修改的继续—第三次迭代或更多次迭代 将各类均值与其中心数进行比较，若两者差异在给定闭值范围之内，则停止迭代；如两者差异在阐值范围之外，通常是把第n-1次分类得到的重心，作为第n次迭代分类的聚类中心，对各像元重算距离，重新归类。如此逐次分类迭代，直到获得稳定的分类结果为止。 4.1.2 分类过程 首次分类设置初始分类数为16，最大循环数为10，循环收敛值为0.95。得到分类的初始结果图。 4.1.3 分类评价 在获得一个初步的分类结果后，可以应用分类后的图像与原始图像叠加分析来评价分类精度。 ⑴ 给分类图像的各类别赋予相应的颜色 ⑵ 由于分类结果覆盖在原图像之上，不便于进行单个类别的类型和精度的确定，因此要把不参与比较的类别设为透明（Opacity值为0），参与比较的类别设为不透明（Opacity值为1）。 ⑶ 判断类别后在属性表标注相应的类别名称，从而得到类别专题图，如果得到满意的分类记过，非监督分类即可结束。 4.1.4 分类后处理 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 IMAGINE 中的分类后处理方法有：聚类统计、过滤分析、去除分析和分类重编码。 本研究先通过聚类统计（Clump）产生一个中间图像文件，然后通过去除分析（Eliminate）处理将小图斑的属性值自动回复为Clump处理前的原始分类编码，最后通过分类重编码将要合并的两个或两个以上的类的不同编码和不同颜色都改为相同的编码和颜色，最终得到非监督分类专题图像。见图。 4.2监督分类 监督分类又称为训练场地法或先学习后分类法。它是基于先验知识，跟军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地差异，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，在影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，训练一昂本要足够得多，以反映其变化范围。