遥感图像的非监督分类

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。

ISODATA
一，在百度上的含义： ISODATA 是一种遥感图像非监督分类法。

全称‘迭代自组织数据分析技术’（Iterative Self-Organizing Data Analysis Technique ）。

ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心或已知信号集中心The ISODATA 的实质是用某种算法生成初始类别作为“种子”依据某个判别规则进行自动迭代聚类的过程。

在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。

二，迭代自组织数据分析算法：迭代自组织数据分析算法与K均值算法有相似之处，即聚类中心的位置同样是通过样本均值的迭代运算决定。

不同的是，这种算法在运算的过程中聚类中心数目不是固定不变的，而是反复进行修改，以得到较合理的类别数K，这种修改通过模式类的合并和分裂来实现，合并和分裂在一组预先选定的参数指导下进行。

ISODATA的特点是计算简单，适用于识别致密聚类。

合并主要发生在某一类声样本数较少的情况下，或者两类声样本聚类中心之间距离太小的情况。

为此，需要指定每一类中最少样本数和两类聚类中心之间的最小距离参数。

类分裂主要发生在某一类的某分量出现类内方差过大的现象时，适合将其分裂成两类，使类内方差比较合理。

为此，需要指定类内某个分量方差的参数，用以决定是否需要将某一类分裂成两类。

K均值算法实现遥感图像的非监督分类
包健;厉小润
【期刊名称】《机电工程》
【年(卷),期】2008(025)003
【摘要】K均值算法在高光谱遥感影像的非监督分类中具有较强的实用性,表现出了良好的优点.首先采用了最大最小选心法确定初始类别中心,然后使用了K均值算法实现遥感影像的分类.在分类过程中采用了VC++2005作为开发平台,极大地提高了遥感影像的分类速度,同时还给出了实现K均值分类主要步骤的代码.最后在深入分析不同迭代次数下得到的不同分类图的基础上,研究了迭代次数值对最后分类结果的影响.
【总页数】4页(P77-80)
【作者】包健;厉小润
【作者单位】浙江大学,电气工程学院,浙江,杭州,310027;浙江大学,电气工程学院,浙江,杭州,310027
【正文语种】中文
【中图分类】TP751
【相关文献】
1.遥感图像优化迭代非监督分类方法在流域植被分类中的应用 [J], 李天平;刘洋;李开源
2.浅谈遥感图像监督分类与非监督分类 [J], 杨鑫
3.基于改进遗传算法遥感图像非监督分类研究 [J], 陈忠;刘建国;汪国有
4.非监督分类的k-means方法在从化市Landsat-7遥感图像的应用 [J], 陈宇达;刘艳梅;汪新庆
5.非监督分类的k-means方法在从化市Landsat-7遥感图像的应用 [J], 陈宇达;刘艳梅;汪新庆
因版权原因，仅展示原文概要，查看原文内容请购买。

遥感原理与应用1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。

答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。

主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。

通常使用马氏距离、欧氏距离、计程距离这三种判别函数。

主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。

主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。

非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。

可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。

主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

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。