envi7-监督与非监督分类

实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。

3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。

⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。

Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。

⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。

对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类,在输出的文件中选择相同的类别，点击Add Combination,所有的类别合并完后点击确定即可。

结果与分析1、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。

Jeffries-Matusita（J—M距离）：水稻田水浇地河流居民地草地林地工业区裸地水稻田1。

99982。

00002.00002。

00001.95252.00002。

0000水浇1。

99982.00002。

00001.94941。

98902。

00002.0000Band0。

85 0。

90 0。

88 0.93 1.00 0.97 5Band0.90 0.93 0。

92 0。

92 0。

97 1。

00 63、最大似然法进行监督分类结果：原影像最大似然法进行监督分类结果监督分类的最大似然法分类结果中,主要的地物都可以被区分出来,地物分工业区94.7494.7418/1918/19裸地100.00100。

0042/4242/425、Clump Classes和Sieve classes结果：Clump Classes3＊3处理结果：Clump Classes5*5处理结果：在聚类统计的结果上很容易看出原本监督分类的生成结果中严重的椒盐现象消失了,地物类型都相对完整,但有些细节已经被消除看不清楚，3*3窗口与5＊5窗口生成的结果区别就在于3＊3窗口的细节较5*5窗口的更加清楚具体, 5＊5窗口将周边的面积较小的地物完全合并在一起.Sieve classes结果（Number of Neighbors设为8）：Sieve classes结果（Number of Neighbors设为4）：对影像的过滤分析生成的结果显得椒盐现象更加严重，结果影像上出现了很多小黑点，Number of Neighbors的值设置的越小,小黑点越密集，但是经过过滤分析的影像”孤岛”现象都已经消失。

Envi监督分类简介Envi（ENvironment for Visualizing Images）是一种用于大规模遥感图像分析的软件环境。

它提供了一系列功能强大的工具和算法，用于监督分类、特征提取、变化监测等遥感数据处理任务。

Envi监督分类是其主要功能之一，可以帮助用户实现高精度的地物分类和识别。

监督分类的基本原理监督分类是指利用一组已标记的样本数据来训练分类器，并将该分类器应用于未标记的数据集。

Envi监督分类涉及多种分类算法，如支持向量机（SVM）、随机森林（Random Forest）、神经网络（Neural Network）等。

这些算法可以根据样本数据的特征和类别信息建立数学模型，从而对未知数据进行分类。

Envi监督分类的步骤Envi监督分类主要包括数据准备、样本选择、分类器训练和分类结果评估等步骤。

下面将逐一介绍这些步骤的具体操作。

数据准备首先，用户需要准备用于分类的遥感图像数据。

Envi支持多种格式的遥感图像文件，如TIFF、JPEG等。

用户可以直接将图像文件导入到Envi中，也可以通过Envi的图像处理功能对图像进行预处理，如选择感兴趣区域、裁剪、去噪等。

样本选择样本是监督分类的基础，它是已标记的数据点，每个数据点都包括一组特征和其对应的类别。

在Envi中，用户可以使用绘制工具手动选择样本，也可以通过导入外部样本数据文件来自动选择样本。

在选择样本时，用户应尽量保证样本的代表性和多样性，以提高分类器的泛化能力。

分类器训练样本选择完成后，用户可以利用Envi提供的分类算法对样本数据进行训练，生成分类器模型。

用户可以选择不同的算法和参数来训练分类器，以达到最佳的分类效果。

在训练过程中，Envi会将样本数据划分为训练集和验证集，并根据验证集的分类精度调整模型参数，避免过拟合或欠拟合。

分类结果评估分类器训练完成后，用户可以将其应用于未标记的数据集，获得分类结果。

Envi提供了多种评估方法和指标，包括混淆矩阵、精确度、召回率等，用于评估分类结果的准确性和稳定性。

非监督分类1、在ERDAS中裁剪出一部分的区域进行分类，利用AOI工具进行裁剪，另存裁剪的区域。

2、在ENVI中打开裁剪的区域dsb.img在Basic Tool菜单下Region of Interest工具打开ROI Tool新建类别名，由于裁剪的区域没有森林，所以共分五类：水体、耕地、城市、裸地、草地。

分别给予不同颜色。

3、在Zoom 窗口中进行采样即采集训练区。

采样前先判读熟悉影像，在采集样本时注意：采取训练区内颜色越纯越好。

4、采集完训练区后在Classification 菜单下选择Supervised ，利用Maximun Likelihood （最大似然法）进行非监督分类。

5、在分类中遇到的问题①进行第一次分类的结果是城市中的道路被归为了水体， 改进办法：更改城市的训练区样本，对城市的采样除了取建筑物的样本还应在城市的街道处采取几个样点，然后再进行第二次分类。

②第二次分类的结果是部分休耕（收割后）的耕地归为了城新建类别名市区域。

因为该影像是2000年9月14日的影像，故部分耕地已收割休耕，在原图上表现为规则的深紫色，我将其归为耕地。

改进方法：增加耕地的训练区的样本，在颜色为深紫色的的区域采取几个样本点作为耕地的训练区。

③第三次分类的结果是发现河流两岸的落地被归为了城市改进方法：增加裸地的训练区样本。

在河流两岸处选取几个样本做为裸地训练区。

第一次分类的结果：其中：水体耕地城市草地裸地第二次分类结果：其中：水体耕地城市草地裸地第三次分类结果：其中：水体耕地城市草地裸地。

影像的分类可分为监督与非监督分类。

监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。

本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。

有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。

在多光谱图像中搜寻、定义其自然相似光谱集群的过程。

它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。

目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。

遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。

一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。

本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。

确定在非监督分类中的类别数为15。

2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。

ENVI包括了ISODATA和K-Mean方法。

ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。

K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。

3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。

ENVI分类流程ENVI是一种强大的遥感图像处理和分析软件，用于从航空或卫星遥感数据中提取地物信息和进行环境分析。

ENVI涵盖了广泛的功能，包括遥感图像预处理、分类和监督分类等。

本文将详细介绍ENVI分类流程。

1.数据预处理：在进行分类之前，应该对遥感图像数据进行预处理，以减少数据中的噪声和对比度差异。

ENVI提供了各种图像预处理工具，如辐射校正、大气校正、几何校正和平均滤波等。

这些预处理步骤有助于改善图像质量，并为后续的分类准备工作奠定基础。

2.区域定义：3.光谱统计：在进行分类之前，需要对图像数据中的不同光谱进行统计分析。

ENVI 提供了光谱统计工具，可以从图像中选择感兴趣的区域，并计算选定区域的光谱统计数据，如平均值、方差和标准差等。

这些统计数据对于分类算法的选择和参数设置起着重要的作用。

4.特征选择：根据前一步骤中计算得到的光谱统计数据，可以选择合适的特征用于分类。

ENVI提供了一系列的特征选择工具，可以根据不同的统计指标和算法选择特征。

特征选择的目的是减少特征的维度，提高分类的准确性和效率。

5.分类算法选择：ENVI提供了多种分类算法，如最大似然法、支持向量机、随机森林和人工神经网络等。

在选择分类算法时，需要考虑图像数据的特征和分类的目标。

不同的算法有不同的特点和适用范围。

一些算法适用于特定类型的图像数据，而其他算法则适用于各种类型的数据。

根据需要选择合适的分类算法。

6.分类参数设置：在使用分类算法之前，需要设置一些参数，如类别数、邻域大小和迭代次数等。

这些参数的设置取决于分类的目标和图像数据的特征。

ENVI提供了参数设置界面，可以通过调整参数值来优化分类结果。

7.监督分类：ENVI提供了监督分类工具，可以使用已知的样本数据来训练分类器。

监督分类需要已经标记好的样本数据，其中包含了不同类别的像素。

根据样本数据，分类器可以学习不同类别的特征，并将未知像素分类为相应的类别。

ENVI提供了几种监督分类算法，如最大似然法和支持向量机等。

envi遥感图像监督分类监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。

它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影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他信息，同时用这些种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他待分数据进行分类。

使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。

这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。

以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。

1）在Region of Interest (ROI) Tool面板上，设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本。

实验三遥感图像的监督分类与非监督分类[实验目的]1.理解遥感图像的监督分的含义；2.会使用ENVI软件对遥感图像进行监督分类。

[实验原理]在遥感图像分类中，按照是否有已知训练样本的分类依据，分类方法又分为两大类：监督分类与非监督分类。

遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个给定类的分类。

遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身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，事后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”。

两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。

[实验步骤]一监督分类（数据采用njtmcorrected）监督分类技术需要在执行以前事先定义训练分类器（training classes）, 训练分类器也可以用ENVI 感兴趣区（ROI）函数限定。

ENVI的监督分类技术包括平行六面体(平行管道)、最小距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法1. “开始”->“程序”->RSI ENVI4.0->ENVI，打开ENVI4.0界面；2. 选择File > Open Image File.3. 当出现Enter Data Filename 对话框，选择要打开的文件名，再点击“OK”，在Available Bands List框里点击Load Band ，图像显示在图像显示窗口。

4. 选择“基本工具”－>感兴趣区－>ROI工具，弹出ROI Tool对话框。

5. 在ROI_Type菜单里选择建立感兴趣区的类型，可以选择Polygon、Polyline、point、Rectangle、Ellipse等类型。

6. 在Window栏里选择要建立感兴趣区的窗口，可以选择Image、Scroll、Zoom窗口。

ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。

文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。

标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。

ENVI非监督分类：ENVI图文教程ENVI非监督分类的流程(1) 根据具体项目需求先整体上分析一下分类的影像，确定好需要分类出几类。

(2) 选择适合的分类算法。

(3) 对分类出来的类别进行定义、合并、删除。

(4) 分类后处理。

(5) 结果验证。

ENVI非监督分类的算法非监督分类仅仅用统计方法对数据集中的像元进行分类，它不需要用户定义任何训练分类器。

Unsupervised Classificatio n 菜单为你提供了：（1）Iso Data(迭代自组织数据分析技术)（2）K-Means(K-MEANS算法)两种非监督分类技术。

单个菜单具体内容如下所述。

IsodataIsodata 非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。

每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。

重复分类是分割、融合和删除是基于输入的阈值参数的。

除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。

这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。

详情参见：Tou, J. T. and R. C. Gonzalez, 1974. Pattern Recognition Principles, Addison-Wesley Publishing Company, Reading, Massachusetts.执行Isodata（独立数据）非监督分类：（1）打开影像数据（打开影像数据的方法参考上节内容），在这我们使用的是练习数据位置参考下图。

（2）读取波段值（R:4,G:3,B:2）,结果如下图。

（3）选择Classification > Unsupervised > Isodata.（4）出现Classification Input File 对话框，进行标准文件选择或输入文件的子集和掩模。

envi遥感图像监督分类监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程.它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影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他信息，同时用这些种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他待分数据进行分类。

使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类,以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理.这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。

启动ENVI5。

1，打开待分类数据：can_tmr。

img。

以R：TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步:样本选择（1）在图层管理器Layer Manager中,can_tmr.img图层上右键，选择"New Region Of Interest",打开Region of Interest （ROI) Tool面板，下面学习利用选择样本。

1）在Region of Interest （ROI) Tool面板上,设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键,选择Complete and Accept Polygon,完成一个多边形样本的选择；3）同样方法,在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本.注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。

ENVI 的非监督分类非监督分类：也称为聚类分析或点群分类。

在多光谱图像中搜寻、定义其自然相似光谱集群的过程。

它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。

遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。

一般监督分类设置分类数目比最终分类数量要多2‐3倍为宜，这样有助于提高分类精度。

本案例的数据源为ENVI 自带的Landsat tm5数据Can_tmr.img ，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。

确定在非监督分类中的类别数为15。

‐Mean2、分类器选择目前非监督分类器比较常用的是ISODATA、K‐Mean和链状方法。

ENVI包括了ISODATA和K‐Mean方法。

ISODATA（Iterative Self‐Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。

K‐Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。

3、影像分类打开ENVI，选择主菜单‐>Classification‐>Unsupervised‐>IsoData或者K‐Means。

这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。

这里选择软件自带的Can_tmr.img，按默认设置，之后跳出参数设置，如图2。

这里主要设置类别数目（Number of Classes）为5‐15、迭代次数（Maximum Iteration）为10。