實習序號及題目實習 監督分類與非監督分類實習人姓名專業班級及編號地信任課教師姓名劉勇老師實習指導教師姓名實習地點榆中校區實驗樓實習日期時間實習目的理解影像監督分類和非監督分類的原理、方法和步驟，初步掌握土地利用/土地覆蓋的計算機自動分類方法實習內容.選取研究區數據(512x512或者1024x1024)，通過目視解譯建立分類系統及其編碼體系.按照監督分類的步驟，在影像上找出對應各個土地利用/覆蓋類型的參考圖斑，利用ROI工具建立訓練區，給出各個類別的特征統計表。.計算各個樣本之間的可分離性。說明哪些地物類型之間較易區分，哪些類型之間難以區分。.監督分類：利用最大似然法完成分類。.分類精度評價，從隨機采集100?200個樣本點，并確保每一類別不少于10個樣本；進行分類精度評價，得到分類混淆矩陣，計算Kappa系數，并對結果進行解釋。.分類后處理(clump—sieve—majority)。運用ISODATA方法進行非監督分類：預先假定地表覆蓋類型為30類，迭代次數選為15,由系統完成非監督分類；然后進行類別定義與合并子類，最后進行結果評價?；驹?、遙感影像分類就是將遙感影像上所有或特定部分的像元劃歸到對應的分類單元當中去，進而滿足制圖需求；分類的原則是：互斥性：指所有類別之間不存在重疊或者模糊性完備性：無一遺漏地包含影像中所有涉及的特征類型層次性：分類等級體系中次一級類型可以合并到更高級別的類型中去。分類結果是生成一個新的專題圖層，可進一步用于 空間分析2土地利用是指人類對地球表面的利用狀況，如工業用地、住宅用地、商業用地、公路、鐵路等。土地利用狀況是人類根據土地本身的自然屬性以及社會需求，經長期改造和利用的結果。依據不同的土地用途和利用方式，土地利用的分類系統有不同的類別和等級。土地覆蓋是指地球表面的自然狀態，如森林、草場、河流、湖泊等，是自然環境與人類活動綜合作用的結果。對于林地，可根據林地生態環境的不同，分為針葉林地、闊葉林地、針闊葉混交林地等，以反映林相結構、林地所處生境、分布特征及其所具有的地帶性分布規律。土地利用和土地覆蓋是從遙感影像中提取地理信息類別的重要依據。、監督分類又稱“訓練分類法”，用被確認類別的樣本象元去識別其它未知類別象元的過程。在分類之前通過目視判斷和野外調查，對圖像上某些樣區中圖像地物的類別屬性有了先驗知識，對每一種類別選取一定數量的訓練樣本，計算機計算每種訓練樣區的統計或其它信息，同時用這些中子類別對判決函數進行訓練，使其符合于對各種子類別分類的要求;隨后用訓練好的判決函數去對其它待分數據進行分類，是每個像元和訓練樣本作比較，按不同的規則將其劃分到與其最相似的樣本類，以此完成對整個圖像的分類；4非監督分類也稱“聚類分析”或“點群分析”。在多光普圖像中搜尋、定義其自然相似光譜集群的過程。它不必對圖像地物獲取先驗知識，僅依靠圖像上不同類地物光譜(或紋理)信息進行特征提取，在統計特征的差別來達到分類的目的，最后對E分出的各個類別的實際屬性進行確認。非監督分類主要過程：()確定初始類別參數，即確定最初類別數和類別中4。()計算每一個像素所對應的特征向量與各點群中心的距離。()選取與中心距離最短的類別作為這一向量的所屬類別。()計算新的類別均值向量。()比較新的類別均值與初始類別均值，如果發生改變，則以新的類別均值作為聚類中心，再從第()步開始進行迭代。()如果點群中心不再變化，計算停止。5最大似然法：最大似然法假設遙感圖像上的每個波段數據都為正態分布。其基本思想是：地物數據在空間中構成特定的點群；每一類的每一維數據都在自己的數軸上為正態分布，該類的多位數據就構成了一個多位正態分布；各類的多為正態分布模型各有其分布特征，例如，所在位置、形狀、密集或分散的程度等。對于具有個特征的正太分布來說，每一類的數據就是一個近似鐘形的立方體。不同類形成的“鐘”在高低、粗細、尖闊等方面都不相同；根據各類已知數據，可以構造出各類的多維正態分布模型(實際為各類中各數據向量的頻率，即概率密度函數或概率分布函數)；在此基礎上，對于任何一個像素，可以反過來求它屬于各類的概率，取最大概率對應的類為分類結果。6聚類統計( )：通過對分類專題影像每個分類圖斑的面積計算、相鄰區域中最大圖斑面積的分類值記錄等操作，產生一個 類組輸出影像，其中每個圖斑都包含類組屬性，用于進一步處理。過濾分析( )v對經 處理后的 類組影像，按照定義的數值大小，剔除 影像中較小的類組圖斑，并給所有小圖斑賦予新的屬性值0類別合并：在非監督分類中由于分類之前不知道有多少類，在策略上總是先分出較多的類再進行合并。其基本思想是將要合并的兩個或兩個以上類的編碼和顏色改為相同的編碼和顏色。7遙感圖像分類精度分析通常把分類圖與標準數據進行比較，然后用正確分類的百分比來表示分類精度。實際工作中，多采用抽樣方式以部分像素或不分類別來代替整幅圖像進行精度評價?；煜仃嚕菏怯行辛薪M成的矩陣，用來表示分類結果的精度。代表類別數?；煜仃嚨淖笥曳较蛞来闻帕兄鴮嶋H類別的代碼或名稱，上下方向依次排列著分類結果各類別的代碼或名稱。矩陣中的元素師分屬各類的像素數或占總像素數的百分比。顯然矩陣的主對角線上的數字即是分類正確的像素數或其百分比。錯分誤差：又稱運行誤差。是圖像的某一類地物被錯分到其他類的百分比。漏分誤差：又稱結果誤差。是實際的某一類地物被錯分到其他類的百分比。用戶精度：表示從分類結果圖中任取一個隨機樣本，其所具有的類型與地面實際類型相同的概率，表示分類結果中給類別的可信度，即這幅圖的可靠性。生產者精度：又稱制圖精度。表示實際的任意一個隨機樣本與分類圖上同一地點的分類結果相一致的條件概率，用于比較各分類方法的好壞。系數：是一個測定兩幅圖之間吻合程度或精度的指標?？傮w分類精度：等于被正確分類像元的總和除以像元總數。被正確分類的像元數目沿著混淆矩陣的對角線分布?？傁裨獢档扔谒姓鎸崊⒖荚吹南裨倲?。8遙感影像的監督分類是在分類前人們已對遙感影像樣本區中的類別屬性有Y先驗知識，建立了分類體系和分類方案，據此建立影像分類判別規則和分類器（亦即建立判別函數），進而完成整幅影像的類型劃分，將每個像元歸并到所對應的一個類別中去。在監督分類中，綜合運用實地觀測、航片解譯、地圖分析等方面的知識來識別遙感影像中的各種覆蓋類型。其中，訓練樣區是能夠代表E知地表覆蓋類型的均質、有代表性的地塊。遙感影像的非監督分類是基于多變量聚類分析（ ）的思想，在沒有任何先驗知識的情況下，僅依據影像上地物的光譜特征，順其自然地完成分類。在分類后處理過程中對E分出各類地物的順序編碼進行重新編碼和歸并，以滿足分類系統的要求。數據準備實習1選取的研究區LandsatTM/ETM+數據（512x512，1024x1024）操作方法及過程.選取研究區數據（512x512或者1024x1024），通過目視解譯建立分類系統及其編碼體系選擇前面實習中使用過的子區，選取的子區位于民和回族土族自治縣。對子區進行目視解譯，影像中主要的圖例覆蓋類型有水稻田、水澆地、河流、居民地、草地、林地、工業區、裸地。選擇tools/Googleearth，在Googleearth上查看對應的地物類型。.按照監督分類的步驟，在影像上找出對應各個土地利用/覆蓋類型的參考圖斑，利用ROI工具建立訓練區，給出各個類別的特征統計表。打開子區影像，選擇tools/regionofinterest/ROITool，選擇newregion，新建訓練區，為影像上對應的土地利用/覆蓋類型建立相應的訓練區，并設置好顏色，顏色的選取盡量應與實際土地利用類型相對應，根據土地利用/覆蓋類型的大小程度選擇polyline、polygon、point進行訓練區的選取。每一種地物都必須保重包括70個象元以上的內容和，對于小面積的地物我們需要選擇polyline或者point進行選擇，這樣可以保證精度。.計算各個樣本之間的可分離性。說明哪些地物類型之間較易區分，哪些類型之間難以區分。在選取訓練區的窗口中選擇options/computeROIseparability,在選擇輸入圖層中選擇子區LE71310352001195SGS00_sub512,選擇所有訓練區，即可得到可分離性矩陣，統計J-M距離和分散度，并將結果導入到Excel中，對結果進行分析。在options下勾選calculatecovariancewithstats，然后在ROI窗口中點擊selectall，點擊stats，對特征矩陣進行統計并分析。.監督分類：利用最大似然法完成分類。Classification/supervised/maximumlikelihood，選擇子區，點擊OK，選擇selectallitems將所有地物類型選擇，在setprobabilitythreshold中選擇none，在outruleimages選擇no，選擇輸出路徑與文件名，點擊OK，生成最大似然分類。另外設置其中SetProbabilityThreshold設置似然度的閾值，如果選擇singlevalue，則在下方輸入一個0-1的值，似然度小于該閾值的不被分入該類，我們這里設為none，OutputRuleImage設為No,選擇保存路徑。在子區窗口中選擇Overlay/classification，再輸入文件名中選擇剛剛生成的最大似然分類，即可在影像上顯示分類結果。在分類窗口中選擇未定義的圖例，在上右擊顯示分類結果，選擇options/editclasscolors/names，在窗口下修改名稱與顏色，點擊OK，將分類結果顯示在影像中，完成監督分類。.分類精度評價，從隨機采集100?200個樣本點，并確保每一類別不少于10個樣本；進行分類精度評價，得到分類混淆矩陣，計算Kappa系數，并對結果進行解釋。在子區影像上選擇tools/regionofinterest/ROITool，選擇所有roi，刪除所有roi，重新對各類土地利用進行采點。選擇classification/confusionmatrix/usinggroundtruthROIs，選擇最大似然分類生成結果，如果訓練區樣本與重新選取的roi命名一致，則會自動導入，否則要在selectgroundtruthROI與selectclassificationimage的兩個窗口中進行匹配，點擊addcombination，點擊OK，下面生成的對話框保持默認設置，點擊OK，即可得到混淆矩陣與Kappa系數，進行分析。.分類后處理(clump—sieve—majority)o首先是聚類處理ClassificationfPostClassificationfClumpClasses選擇分類之后生成的數據，加載進來之后，在選擇類型的時候選擇全部，selectallitems行列大小選擇3*3的柵格大小，選擇位置進行保存。之后是類別篩選，選擇ClassificationfPostClassificationfSieveclasses，4SelectInputFile中選擇剛才生成影像，GroupMinThreshold設為2，且分別將NumberofNeighbors設為8，保存路徑。將最鄰近4像元和8像元所得影像進行比較。進行主要次要分析。選擇Classificationfpostclassification，分別選擇主要分析Majority/MinorityAnalysis，在第七步的基礎上進行操作，在SelectInputFile對話框中選擇上一步生成的數據，SelectAllItems，AnalysisMethod設定為Majority，kernelsize選擇3*3,權重設置為1,最后選擇保存路徑。主要分析和次要分析步驟類似，最后將所得影像進行比較分析。.運用ISODATA方法進行非監督分類：預先假定地表覆蓋類型為30類，迭代次數選為15,由系統完成非監督分類；然后進行類別定義與合并子類，最后進行結果評價。

選擇 ，選擇子區為輸入文件，，點擊，設置參數如下圖所示。對照原影像將 種類型進行編號并改名字，改變顏色；進行相同類別的合并：選擇中的分類后處理 ，選擇合并同類別s選擇之前的非監督分類影像，在輸入的文件中依次選擇要合并的類，在輸出的文件中選擇相同的類別，點擊 ，所有的類別合并完后點擊確定即可。結果與分析1各個樣本之間的可分離性。說明哪些地物類型之間較易區分，哪些類型之間難以區分。Jeffries-Matusita（J—M距離）水稻田水澆地河流居民地草地林地工業區裸地水稻田1.99982.00002.00002.00001.95252.00002.0000水澆地1.99982.00002.00001.94941.98902.00002.0000河流2.00002.00002.00002.00002.00002.00002.0000居民地2.00002.00002.00002.00002.00002.00002.0000草地2.00001.94942.00002.00001.86202.00002.0000林地1.95251.98902.00002.00001.86202.00001.9956工業區2.00002.00002.00002.00002.00002.0000裸地2.00002.00002.00002.00002.00001.99562.0000TransformedDivergence（分散度）:水稻田水澆地河流居民地草地林地工業區裸地水稻田2.00002.00002.00002.00001.99962.00002.0000水澆地2.00002.00002.00002.00001.99692.00002.0000河流2.00002.00002.00002.00002.00002.00002.0000居民地2.00002.00002.00002.00002.00002.00002.0000

草地2.00002.00002.00002.00001.99952.00002.0000林地1.99961.99692.00002.00001.99952.00002.0000工業區2.00002.00002.00002.00002.00002.00002.0000裸地2.00002.00002.00002.00002.00002.00002.0000可分離性統計中最小值大于.大部分值都達到了 以上，說明各個第五之間抑郁區分，訓練區選擇較為合理。若可分離性統計中J—M距離的值介于1.5到1.7之間，則需要重采樣來重新計算其值，而如果小于1就可將兩種地物合并為同一種地物，而大于1.7就具有了很好的可分性。在導出結果中，只有草原與林地的區分性最低，為1.86,整體來說訓練區選取較好。、特征矩陣:（）水稻田BasicStatsMinMaxMeanStdevNumEigenvalueBand176.0083.0079.781.581.0032.28Band266.0072.0069.131.822.006.26Band359.0072.0066.753.193.002.61Band464.0075.0069.462.264.001.46Band570.0083.0076.883.105.001.11Band642.0059.0050.513.746.001.01CovarianceBand1Band2Band3Band4Band5Band6Band12.501.473.43-0.841.903.26Band21.473.324.180.143.844.65Band33.434.1810.19-1.586.979.85Band4-0.840.14-1.585.110.85-0.89Band51.903.846.970.859.609.79Band63.264.659.85-0.899.7914.02CorrelationBand1Band2Band3Band4Band5Band6Band11.000.510.68-0.230.390.55Band20.511.000.720.040.680.68Band30.680.721.00-0.220.700.82Band4-0.230.04-0.221.000.12-0.10Band50.390.680.700.121.000.84Band60.550.680.82-0.100.841.00（）水澆地BasicStatsMinMaxMeanStdevNumEigenvalueBand175.00102.0083.745.081.00336.12Band264.0094.0072.825.952.0041.56Band353.00102.0070.3210.733.009.74Band476.00111.0097.016.474.002.63Band580.00129.0097.528.295.001.57

Band645.0093.0059.7410.276.000.99CovarianceBand1Band2Band3Band4Band5Band6Band125.8428.7351.83-21.3530.1245.34Band228.7335.4362.11-21.4040.3855.95Band351.8362.11115.23-43.9572.07102.26Band4-21.35-21.40-43.9541.92-11.63-34.84Band530.1240.3872.07-11.6368.6977.85Band645.3455.95102.26-34.8477.85105.52CorrelationBand1Band2Band3Band4Band5Band6Band11.000.950.95-0.650.710.87Band20.951.000.97-0.560.820.92Band30.950.971.00-0.630.810.93Band4-0.65-0.56-0.631.00-0.22-0.52Band50.710.820.81-0.221.000.91Band60.870.920.93-0.520.911.00()河流BasicStatsMinMaxMeanStdevNumEigenvalueBand190.00106.00100.443.611.00148.26Band287.00101.0095.923.822.0025.16Band3105.00128.00118.686.313.002.76Band444.0062.0055.525.754.001.08Band527.0053.0037.926.195.000.83Band620.0047.0031.886.316.000.49CovarianceBand1Band2Band3Band4Band5Band6Band113.0112.9120.7718.1016.0016.14Band212.9114.5822.8519.9216.9116.87Band320.7722.8539.8133.3424.0624.42Band418.1019.9233.3433.0127.8428.07Band516.0016.9124.0627.8438.3338.41Band616.1416.8724.4228.0738.4139.86CorrelationBand1Band2Band3Band4Band5Band6Band11.000.940.910.870.720.71Band20.941.000.950.910.720.70Band30.910.951.000.920.620.61Band40.870.910.921.000.780.77Band50.720.720.620.781.000.98Band60.710.700.610.770.981.00

()居民地BasicStatsMinMaxMeanStdevNumEigenvalueBand1107.00121.00112.673.231.00108.18Band294.00112.00102.333.822.0011.15Band3107.00127.00116.225.093.004.45Band456.0065.0059.972.434.001.61Band590.00110.0099.225.375.000.91Band682.00104.0091.086.406.000.44CovarianceBand1Band2Band3Band4Band5Band6Band110.4611.1714.734.3311.3016.43Band211.1714.5717.906.7515.1219.11Band314.7317.9025.959.0320.6626.70Band44.336.759.035.919.219.40Band511.3015.1220.669.2128.8632.27Band616.4319.1126.709.4032.2740.99CorrelationBand1Band2Band3Band4Band5Band6Band11.000.910.890.550.650.79Band20.911.000.920.730.740.78Band30.890.921.000.730.760.82Band40.550.730.731.000.700.60Band50.650.740.760.701.000.94Band60.790.780.820.600.941.00()草地BasicStatsMinMaxMeanStdevNumEigenvalueBand188.00103.0094.674.501.00339.50Band278.00100.0088.426.362.0032.04Band383.00114.0099.178.793.0010.32Band476.00100.0085.757.904.002.95Band5111.00140.00125.009.145.000.94Band681.00113.0097.6710.136.000.63CovarianceBand1Band2Band3Band4Band5Band6Band120.2425.2435.6122.5535.0037.79Band225.2440.4554.2944.3953.7354.15Band335.6154.2977.2456.1472.8276.79Band422.5544.3956.1462.3956.9148.82Band535.0053.7372.8256.9183.4587.91Band637.7954.1576.7948.8287.91102.61CorrelationBand1Band2Band3Band4Band5Band6

Band11.000.880.900.630.850.83Band20.881.000.970.880.920.84Band30.900.971.000.810.910.86Band40.630.880.811.000.790.61Band50.850.920.910.791.000.95Band60.830.840.860.610.951.00()林地BasicStatsMinMaxMeanStdevNumEigenvalueBand163.0099.0075.4010.341.001240.89Band251.0095.0063.2311.812.0055.42Band342.00108.0059.8518.913.007.41Band459.0085.0071.757.414.002.11Band562.00132.0083.3216.175.001.28Band634.00111.0053.2819.706.001.23CovarianceBand1Band2Band3Band4Band5Band6Band1106.87120.74193.92-41.54156.61198.47Band2120.74139.58222.00-44.75181.34228.41Band3193.92222.00357.67-72.79290.86366.34Band4-41.54-44.75-72.7954.90-36.05-65.98Band5156.61181.34290.86-36.05261.35311.78Band6198.47228.41366.34-65.98311.78387.96CorrelationBand1Band2Band3Band4Band5Band6Band11.000.990.99-0.540.940.97Band20.991.000.99-0.510.950.98Band30.990.991.00-0.520.950.98Band4-0.54-0.51-0.521.00-0.30-0.45Band50.940.950.95-0.301.000.98Band60.970.980.98-0.450.981.00()工業區BasicStatsMinMaxMeanStdevNumEigenvalueBand184.00103.0093.435.151.00166.37Band262.0086.0074.675.912.0010.89Band360.0093.0076.437.973.003.73Band431.0047.0038.934.344.001.24Band546.0068.0056.505.305.000.71Band644.0061.0052.133.396.000.38CovarianceBand1Band2Band3Band4Band5Band6Band126.5328.9439.9418.6522.2612.91

Band228.9434.9246.4322.6725.8614.25Band339.9446.4363.5029.7534.8419.91Band418.6522.6729.7518.8220.7210.84Band522.2625.8634.8420.7228.0516.31Band612.9114.2519.9110.8416.3111.50CorrelationBand1Band2Band3Band4Band5Band6Band11.000.950.970.830.820.74Band20.951.000.990.880.830.71Band30.970.991.000.860.830.74Band40.830.880.861.000.900.74Band50.820.830.830.901.000.91Band60.740.710.740.740.911.00()裸地BasicStatsMinMaxMeanStdevNumEigenvalueBand1105.00125.00115.334.731.00292.85Band2102.00124.00113.376.072.0012.32Band3122.00154.00136.948.803.002.57Band476.0092.0083.244.304.002.09Band5134.00177.00159.318.865.000.88Band6112.00155.00138.718.836.000.74CovarianceBand1Band2Band3Band4Band5Band6Band122.3526.9939.0218.1435.7837.45Band226.9936.8152.2824.6548.2550.09Band339.0252.2877.3635.4668.3271.77Band418.1424.6535.4618.5235.5635.12Band535.7848.2568.3235.5678.4275.78Band637.4550.0971.7735.1275.7877.98CorrelationBand1Band2Band3Band4Band5Band6Band11.000.940.940.890.850.90Band20.941.000.980.940.900.93Band30.940.981.000.940.880.92Band40.890.940.941.000.930.92Band50.850.900.880.931.000.97Band60.900.930.920.920.971.003最大似然法進行監督分類結果:

最大似然法進行監督分類結果監督分類的最大似然法分類結果中，主要的地物都可以被區分出來，地物分布也很清楚的展現出來，只是生成的結果又很嚴重的椒鹽現象，分析可能是選取訓練區時認為造成了誤差。缺點就是沒有將結果中的顏色按照真實地物的顏色進行修改，下次實習應該注意。、計算系數，生成混淆矩陣：Class居民

河流居民草地Unclassified林地0裸地TotalClass居民

河流居民草地Unclassified林地0裸地Total水稻田11000000011水澆地46200020068河流007000007居民地00019001020草地4200800014林地00004270031工業區00010018019裸地00000004242Total196472012291942212Class水稻田水澆地河流居民地草地林地工業區裸地TotalUnclassified000000000水稻田57.8900000005.19水澆地21.0596.880006.90032.08河流00100000003.3居民地00095005.2609.43草地21.053.130066.70006.6林地000033.393.10014.62工業區00050094.7408.96裸地000000010019.81Total100100100100100100100100100Class(Percent)Pr