遙感分類演算法
『壹』 遙感影像監督分類有什麼好的方法
根據已知訓練區提供的樣本，通過計算選擇特徵參數，建立判別函數以對各待分類影像進行的圖像分類
監督分類 （supervised classification）又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求，則此准則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止。常用演算法有：判別分析、最大似然分析、特徵分析、序貫分析和圖形識別等。
過程：
1、選擇訓練區（代表性，完整性，多個樣區）
2、提取統計信息（進行多元統計分析，訓練樣本的有效評價，樣本純化）
3、選擇合適的監督分類演算法（平行演算法，最小距離法，最大似然法（至今應用最廣），波譜角分類法）
4、計算機自動分類
5、分類精度評價（非位置精度，位置精度--混淆矩陣）
優點：
1、 可充分利用分類地區的先驗知識，預先確定分類的類別；
2、 可控制訓練樣本的選擇，並可通過反復檢驗訓練樣本，以提高分類精度，避免分類中的嚴重錯誤
3、 避免了非監督分類中對光譜集群組的重新歸類。
缺點：
1、人為主觀因素較強；
2、訓練樣本的選取和評估需花費較多的人力時間；
3、只能識別訓練樣本中所定義的類別，從而影響分類結果。
『貳』 面向遙感圖像分類基於注意力機制，你有哪些了解演算法
傳統的基於像素的遙感圖像處理方法是基於遙感圖像豐富的光譜信息和地面物體之間明顯的光譜差異。對於只有幾個波段的高解析度遙感影像，傳統的分類方法會導致分類精度降低和大量的空間數據冗餘，分類結果往往是椒鹽圖像，不利於進行空間分析。為了解決這一傳統問題，模糊分類技術應運而生。模糊分類是一種圖像分類技術，它將任何范圍的特徵值轉化為0到1之間的模糊值，表示屬於某個指定類別的程度。
除此以外，所有這些背景信息在圖像分析中都非常重要，例如，城市綠地與一些濕地在光譜信息上相當相似，只要在面向對象的圖像分析中明確城市綠地的背景為城市地區，就可以很容易地區分綠地和濕地，在基於像素的分類中，幾乎不使用這種背景信息。面向對象的圖像分析技術是在空間信息技術的長期發展過程中產生的，在遙感圖像分析中具有很大的潛力。
到目前為止，面向對象的方法是一種比較理想的方法，可以建立一個與現實世界相匹配的地面模型。面向對象的處理方法中最重要的部分是圖像分割。隨著地球觀測任務的逐步細化，高解析度的遙感衛星圖像得到了越來越廣泛的應用。這給遙感圖像分類方法帶來了挑戰。現有的研究表明，基於像素的高解析度遙感圖像分類存在著明顯的局限性。近年來，基於對象的圖像分析（OBIA）被認為是遙感和地理信息科學的一個重要趨勢，在高解析度遙感圖像處理中變得越來越突出。
『叄』 遙感圖像分類方法的比較 誰會
感圖像的統計參數在圖像處理過程中的作用：主要有以下7個參數：反差，方差，均值濾波，中值，眾數，協方差，相關系數.它們對遙感數字影響 處理騎到舉足輕重的作用：它們的主要用途及功能：相關系數是變數之間相關程度的指標。樣本相關系數用r表示,總體相關系數用ρ表示,相關系數的取值范圍為[-1,1]。|r|值越大，誤差Q越小，變數之間的線性相關程度越高；|r|值越接近0，Q越大，變數之間的線性相關程度越低。γ＞0為正相關，γ＜0為負相關。γ＝0表示不相關；γ的絕對值越大，相關程度越高。如兩者呈正相關，r呈正值，r=1時為完全正相關；如兩者呈負相關則r呈負值，而r=-1時為完全負相關。完全正相關或負相關時，所有圖點都在直線回歸線上；點子的分布在直線回歸線上下越離散，r的絕對值越小。兩個不同參數之間的方差就是協方差若兩個隨機變數X和Y相互獨立，則E[(X-E(X))(Y-E(Y))]=0，因而若上述數學期望不為零，則X和Y必不是相互獨立的，亦即它們之間存在著一定的關系。協方差作為描述X和Y相關程度的量，在同一物理量綱之下有一定的作用，但同樣的兩個量採用不同的量綱使它們的協方差在數值上表現出很大的差異。均值濾波是典型的線性濾波演算法，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素（以目標象素為中心的周圍8個象素，構成一個濾波模板，即去掉目標象素本身）。再用模板中的全體像素的平均值來代替原來像素值。均值濾波也稱為線性濾波，其採用的主要方法為領域平均法。線性濾波的基本原理是用均值代替原圖像中的各個像素值，即對待處理的當前像素點（x，y），選擇一個模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當前像素點（x，y），作為處理後圖像在該點上的灰度個g（x，y），即個g（x，y）=1/m ∑f（x，y） m為該模板中包含當前像素在內的像素總個數。 組中值：上限與下限之間的中點數值稱為組中值，它是各組上下限數值的簡單平均，即組中值＝（上限＋上限）／2。組中值經常被用以代表各組標志值的平均水平。分組中通常把上下兩端的組運用開放式的組距，即第一組用"多少以下"，最後一組用"多少以上"表示，這兩個組的組中值可參照相鄰組的組距來決定。眾數： 理性理解：簡單的說，就是一組數據中佔比例最多的那個數。 用眾數代表一組數據，可靠性較差，不過，眾數不受極端數據的影響，並且求法簡便。在一組數據中，如果個別數據有很大的變動，選擇中位數表示這組數據的「集中趨勢」就比較適合。反差：1、反差指不同事物或同一事物的不同方面對比的差異程度。 2、反差指負片或照片上的明暗對比的術語。明暗對比大，則說明反差大。當反差大時，說明照片是硬調的。 3、反差指景物或影像中各部分明暗對比的差異程度。分景物反差和影像反差兩種。前者指景物中最大亮度與最小亮度之比或對數差；後者是影像中最大密度與最小密度之差。兩者間密切相關。一幅優良的遙感影像，其影像反差應能正確反映被攝景物的原有反差。這個關系用反差系數來表徵。當反差系數為1時，表明影像反差等於景物反差；反差系數＜1時，影像反差小於景物反差；反差系數＞1時，影像反差大於景物反差。影像反差是反映遙感影像質量的重要指標，具有良好影像反差的遙感影像，有利於影像的分析、判讀。影響影像反差的因素很多，如景物本身反差、遙感器光學系統質量、大氣濛霧、感光材料特性、曝光量和攝影處理等。故在遙感影像處理中，不論光化學處理或數字圖像處理，均可採用反差增強或反差擴展技術，用提高影像反差來改善影像判讀質量。方差：樣本中各數據與樣本平均數的差的平方和的平均數叫做樣本方差；樣本方差的算術平方根叫做樣本標准差。樣本方差和樣本標准差都是衡量一個樣本波動大小的量，樣本方差或樣本標准差越大，樣本數據的波動就越大。數學上一般用E{[X-E(X)]^2}來度量隨機變數X與其均值E(X)即期望的偏離程度，稱為X的方差。
『肆』 各種遙感數據分類方法比較
常用的遙感數據的專題分類方法有多種，從分類判別決策方法的角度可以分為統計分類器、神經網路分類器、專家系統分類器等；從是否需要訓練數據方面，又可以分為監督分類器和非監督分類器。
一、統計分類方法
統計分類方法分為非監督分類方法和監督分類方法。非監督分類方法不需要通過選取已知類別的像元進行分類器訓練，而監督分類方法則需要選取一定數量的已知類別的像元對分類器進行訓練，以估計分類器中的參數。非監督分類方法不需要任何先驗知識，也不會因訓練樣本選取而引入認為誤差，但非監督分類得到的自然類別常常和研究感興趣的類別不匹配。相應地，監督分類一般需要預先定義分類類別，訓練數據的選取可能會缺少代表性，但也可能在訓練過程中發現嚴重的分類錯誤。
1.非監督分類器
非監督分類方法一般為聚類演算法。最常用的聚類非監督分類方法是 K-均值（K-Means Algorithm）聚類方法（Duda and Hart，1973）和迭代自組織數據分析演算法（ISODATA）。其演算法描述可見於一般的統計模式識別文獻中。
一般通過簡單的聚類方法得到的分類結果精度較低，因此很少單獨使用聚類方法進行遙感數據專題分類。但是，通過對遙感數據進行聚類分析，可以初步了解各類別的分布，獲取最大似然監督分類中各類別的先驗概率。聚類分析最終的類別的均值矢量和協方差矩陣可以用於最大似然分類過程（Schowengerdt，1997）。
2.監督分類器
監督分類器是遙感數據專題分類中最常用的一種分類器。和非監督分類器相比，監督分類器需要選取一定數量的訓練數據對分類器進行訓練，估計分類器中的關鍵參數，然後用訓練後的分類器將像元劃分到各類別。監督分類過程一般包括定義分類類別、選擇訓練數據、訓練分類器和最終像元分類四個步驟（Richards，1997）。每一步都對最終分類的不確定性有顯著影響。
監督分類器又分為參數分類器和非參數分類器兩種。參數分類器要求待分類數據滿足一定的概率分布，而非參數分類器對數據的概率分布沒有要求。
遙感數據分類中常用的分類器有最大似然分類器、最小距離分類器、馬氏距離分類器、K-最近鄰分類器（K-Nearest neighborhood classifier，K-NN）以及平行六面體分類器（parallelepiped classifier）。最大似然、最小距離和馬氏距離分類器在第三章已經詳細介紹。這里簡要介紹 K-NN 分類器和平行六面體分類器。
K-NN分類器是一種非參數分類器。該分類器的決策規則是：將像元劃分到在特徵空間中與其特徵矢量最近的訓練數據特徵矢量所代表的類別（Schowengerdt，1997）。當分類器中 K=1時，稱為1-NN分類器，這時以離待分類像元最近的訓練數據的類別作為該像元的類別；當 K ＞1 時，以待分類像元的 K 個最近的訓練數據中像元數量最多的類別作為該像元的類別，也可以計算待分類像元與其 K 個近鄰像元特徵矢量的歐氏距離的倒數作為權重，以權重值最大的訓練數據的類別作為待分類像元的類別。Hardin，（1994）對 K-NN分類器進行了深入的討論。
平行六面體分類方法是一個簡單的非參數分類演算法。該方法通過計算訓練數據各波段直方圖的上限和下限確定各類別像元亮度值的范圍。對每一類別來說，其每個波段的上下限一起就形成了一個多維的盒子（box）或平行六面體（parallelepiped）。因此 M 個類別就有M 個平行六面體。當待分類像元的亮度值落在某一類別的平行六面體內時，該像元就被劃分為該平行六面體代表的類別。平行六面體分類器可以用圖5-1中兩波段的遙感數據分類問題來表示。圖中的橢圓表示從訓練數據估計的各類別亮度值分布，矩形表示各類別的亮度值范圍。像元的亮度落在哪個類別的亮度范圍內，就被劃分為哪個類別。
圖5-1 平行六面體分類方法示意圖
3.統計分類器的評價
各種統計分類器在遙感數據分類中的表現各不相同，這既與分類演算法有關，又與數據的統計分布特徵、訓練樣本的選取等因素有關。
非監督聚類演算法對分類數據的統計特徵沒有要求，但由於非監督分類方法沒有考慮任何先驗知識，一般分類精度比較低。更多情況下，聚類分析被作為非監督分類前的一個探索性分析，用於了解分類數據中各類別的分布和統計特徵，為監督分類中類別定義、訓練數據的選取以及最終的分類過程提供先驗知識。在實際應用中，一般用監督分類方法進行遙感數據分類。
最大似然分類方法是遙感數據分類中最常用的分類方法。最大似然分類屬於參數分類方法。在有足夠多的訓練樣本、一定的類別先驗概率分布的知識，且數據接近正態分布的條件下，最大似然分類被認為是分類精度最高的分類方法。但是當訓練數據較少時，均值和協方差參數估計的偏差會嚴重影響分類精度。Swain and Davis（1978）認為，在N維光譜空間的最大似然分類中，每一類別的訓練數據樣本至少應該達到10×N個，在可能的條件下，最好能達到100×N以上。而且，在許多情況下，遙感數據的統計分布不滿足正態分布的假設，也難以確定各類別的先驗概率。
最小距離分類器可以認為是在不考慮協方差矩陣時的最大似然分類方法。當訓練樣本較少時，對均值的估計精度一般要高於對協方差矩陣的估計。因此，在有限的訓練樣本條件下，可以只估計訓練樣本的均值而不計算協方差矩陣。這樣最大似然演算法就退化為最小距離演算法。由於沒有考慮數據的協方差，類別的概率分布是對稱的，而且各類別的光譜特徵分布的方差被認為是相等的。很顯然，當有足夠訓練樣本保證協方差矩陣的精確估計時，最大似然分類結果精度要高於最小距離精度。然而，在訓練數據較少時，最小距離分類精度可能比最大似然分類精度高（Richards，1993）。而且最小距離演算法對數據概率分布特徵沒有要求。
馬氏距離分類器可以認為是在各類別的協方差矩陣相等時的最大似然分類。由於假定各類別的協方差矩陣相等，和最大似然方法相比，它丟失了各類別之間協方差矩陣的差異的信息，但和最小距離法相比較，它通過協方差矩陣保持了一定的方向靈敏性（Richards，1993）。因此，馬氏距離分類器可以認為是介於最大似然和最小距離分類器之間的一種分類器。與最大似然分類一樣，馬氏距離分類器要求數據服從正態分布。
K-NN分類器的一個主要問題是需要很大的訓練數據集以保證分類演算法收斂（Devijver and Kittler，1982）。K-NN分類器的另一個問題是，訓練樣本選取的誤差對分類結果有很大的影響（Cortijo and Blanca，1997）。同時，K-NN分類器的計算復雜性隨著最近鄰范圍的擴大而增加。但由於 K-NN分類器考慮了像元鄰域上的空間關系，和其他光譜分類器相比，分類結果中「椒鹽現象」較少。
平行六面體分類方法的優點在於簡單，運算速度快，且不依賴於任何概率分布要求。它的缺陷在於：首先，落在所有類別亮度值范圍之外的像元只能被分類為未知類別；其次，落在各類別亮度范圍重疊區域內的像元難以區分其類別（如圖5-1所示）。
各種統計分類方法的特點可以總結為表5-1。
二、神經網路分類器
神經網路用於遙感數據分類的最大優勢在於它平等地對待多源輸入數據的能力，即使這些輸入數據具有完全不同的統計分布，但是由於神經網路內部各層大量的神經元之間連接的權重是不透明的，因此用戶難以控制（Austin，Harding and Kanellopoulos et al.，1997）。
神經網路遙感數據分類被認為是遙感數據分類的熱點研究領域之一（Wilkinson，1996；Kimes，1998）。神經網路分類器也可分為監督分類器和非監督分類器兩種。由於神經網路分類器對分類數據的統計分布沒有任何要求，因此神經網路分類器屬於非參數分類器。
遙感數據分類中最常用的神經網路是多層感知器模型（multi-layer percep-tron，MLP）。該模型的網路結構如圖5-2所示。該網路包括三層：輸入層、隱層和輸出層。輸入層主要作為輸入數據和神經網路輸入界面，其本身沒有處理功能；隱層和輸出層的處理能力包含在各個結點中。輸入的結構一般為待分類數據的特徵矢量，一般情況下，為訓練像元的多光譜矢量，每個結點代表一個光譜波段。當然，輸入結點也可以為像元的空間上下文信息（如紋理）等，或多時段的光譜矢量（Paola and Schowengerdt，1995）。
表5-1 各種統計分類器比較
圖5-2 多層感知器神經網路結構
對於隱層和輸出層的結點來說，其處理過程是一個激勵函數（activation function）。假設激勵函數為f（S），對隱層結點來說，有：
遙感信息的不確定性研究
其中，pi為隱層結點的輸入；hj為隱層結點的輸出；w為聯接各層神經之間的權重。
對輸出層來說，有如下關系：
遙感信息的不確定性研究
其中，hj為輸出層的輸入；ok為輸出層的輸出。
激勵函數一般表達為：
遙感信息的不確定性研究
確定了網路結構後，就要對網路進行訓練，使網路具有根據新的輸入數據預測輸出結果的能力。最常用的是後向傳播訓練演算法（Back-Propagation）。這一演算法將訓練數據從輸入層進入網路，隨機產生各結點連接權重，按式（5-1）（5-2）和（5-3）中的公式進行計算，將網路輸出與預期的結果（訓練數據的類別）相比較並計算誤差。這個誤差被後向傳播的網路並用於調整結點間的連接權重。調整連接權重的方法一般為delta規則（Rumelhart，et al.，1986）：
遙感信息的不確定性研究
其中，η為學習率（learning rate）；δk為誤差變化率；α為動量參數。
將這樣的數據的前向和誤差後向傳播過程不斷迭代，直到網路誤差減小到預設的水平，網路訓練結束。這時就可以將待分類數據輸入神經網路進行分類。
除了多層感知器神經網路模型，其他結構的網路模型也被用於遙感數據分類。例如，Kohonen自組織網路被廣泛用於遙感數據的非監督聚類分析（Yoshida et al.，1994；Schaale et al.，1995）；自適應共振理論（Adaptive Resonance Theory）網路（Silva，S and Caetano，M.1997）、模糊ART圖（Fuzzy ART Maps）（Fischer，M.M and Gopal，S，1997）、徑向基函數（駱劍承，1999）等也被用於遙感數據分類。
許多因素影響神經網路的遙感數據分類精度。Foody and Arora（1997）認為神經網路結構、遙感數據的維數以及訓練數據的大小是影響神經網路分類的重要因素。
神經網路結構，特別是網路的層數和各層神經元的數量是神經網路設計最關鍵的問題。網路結構不但影響分類精度，而且對網路訓練時間有直接影響（Kavzoglu and Mather，1999）。對用於遙感數據分類的神經網路來說，由於輸入層和輸出層的神經元數目分別由遙感數據的特徵維數和總的類別數決定的，因此網路結構的設計主要解決隱層的數目和隱層的神經元數目。一般過於復雜的網路結構在刻畫訓練數據方面較好，但分類精度較低，即「過度擬合」現象（over-fit）。而過於簡單的網路結構由於不能很好的學習訓練數據中的模式，因此分類精度低。
網路結構一般是通過實驗的方法來確定。Hirose等（1991）提出了一種方法。該方法從一個小的網路結構開始訓練，每次網路訓練陷入局部最優時，增加一個隱層神經元，然後再訓練，如此反復，直到網路訓練收斂。這種方法可能導致網路結構過於復雜。一種解決辦法是每當認為網路收斂時，減去最近一次加入的神經元，直到網路不再收斂，那麼最後一次收斂的網路被認為是最優結構。這種方法的缺點是非常耗時。「剪枝法」（pruning）是另一種確定神經網路結構的方法。和Hirose等（1991）的方法不同，「剪枝法」從一個很大的網路結構開始，然後逐步去掉認為多餘的神經元（Sietsma and Dow，1988）。從一個大的網路開始的優點是，網路學習速度快，對初始條件和學習參數不敏感。「剪枝」過程不斷重復，直到網路不再收斂時，最後一次收斂的網路被認為最優（Castellano，Fanelli and Pelillo，1997）。
神經網路訓練需要訓練數據樣本的多少隨不同的網路結構、類別的多少等因素變化。但是，基本要求是訓練數據能夠充分描述代表性的類別。Foody等（1995）認為訓練數據的大小對遙感分類精度有顯著影響，但和統計分類器相比，神經網路的訓練數據可以比較少。
分類變數的數據維對分類精度的影響是遙感數據分類中的普遍問題。許多研究表明，一般類別之間的可分性和最終的分類精度會隨著數據維數的增大而增高，達到某一點後，分類精度會隨數據維的繼續增大而降低（Shahshahani and Landgrebe，1994）。這就是有名的Hughes 現象。一般需要通過特徵選擇去掉信息相關性高的波段或通過主成分分析方法去掉冗餘信息。分類數據的維數對神經網路分類的精度同樣有明顯影響（Battiti，1994），但Hughes 現象沒有傳統統計分類器中嚴重（Foody and Arora，1997）。
Kanellopoulos（1997）通過長期的實踐認為一個有效的ANN模型應考慮以下幾點：合適的神經網路結構、優化學習演算法、輸入數據的預處理、避免振盪、採用混合分類方法。其中混合模型包括多種ANN模型的混合、ANN與傳統分類器的混合、ANN與知識處理器的混合等。
三、其他分類器
除了上述統計分類器和神經網路分類器，還有多種分類器被用於遙感圖像分類。例如模糊分類器，它是針對地面類別變化連續而沒有明顯邊界情況下的一種分類器。它通過模糊推理機制確定像元屬於每一個類別的模糊隸屬度。一般的模糊分類器有模糊C均值聚類法、監督模糊分類方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各種人工神經網路方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由於模糊分類的結果是像元屬於每個類別的模糊隸屬度，因此也稱其為「軟分類器」，而將傳統的分類方法稱為「硬分類器」。
另一類是上下文分類器（contextual classifier），它是一種綜合考慮圖像光譜和空間特徵的分類器。一般的光譜分類器只是考慮像元的光譜特徵。但是，在遙感圖像中，相鄰的像元之間一般具有空間自相關性。空間自相關程度強的像元一般更可能屬於同一個類別。同時考慮像元的光譜特徵和空間特徵可以提高圖像分類精度，並可以減少分類結果中的「椒鹽現象」。當類別之間的光譜空間具有重疊時，這種現象會更明顯（Cortijo et al.，1995）。這種「椒鹽現象」可以通過分類的後處理濾波消除，也可以通過在分類過程中加入代表像元鄰域關系的信息解決。
在分類過程中可以通過不同方式加入上下文信息。一是在分類特徵中加入圖像紋理信息；另一種是圖像分割技術，包括區域增長/合並常用演算法（Ketting and Landgrebe，1976）、邊緣檢測方法、馬爾可夫隨機場方法。Rignot and Chellappa（1992）用馬爾可夫隨機場方法進行SAR圖像分類，取得了很好的效果，Paul Smits（1997）提出了保持邊緣細節的馬爾可夫隨機場方法，並用於SAR圖像的分類；Crawford（1998）將層次分類方法和馬爾可夫隨機場方法結合進行SAR圖像分類，得到了更高的精度；Cortijo（1997）用非參數光譜分類對遙感圖像分類，然後用ICM演算法對初始分類進行上下文校正。
『伍』 遙感中幾種影像分類方法有什麼不同
沒什麼不同。最主要的差別在精度。對於你的研究區域，可以多種方法嘗試一下，然後看看分類精度，最後判斷哪一種方法更適合你。
監督分類是利用訓練樣本對各類別進行規定，在基於已規定的類別進行分類。分類時有許多的演算法，最大似然法是其中的一種。應用上真沒什麼特別的講究，就是精度主導一切。
『陸』 實驗十七 遙感圖像監督分類處理
一、實驗目的
通過使用ENVI的六種主要的遙感監督分類器——平行六面體分類、最小距離分類、馬氏距離分類、最大似然分類、神經網路分類和支持向量機分類的命令，加深對遙感監督分類原理的理解，了解其技術實現過程，初步掌握其ENVI功能命令的基本使用操作。
二、實驗內容
①桂林市TM 遙感影像平行六面體分類；②桂林市TM 遙感影像最小距離分類；③桂林市TM 遙感影像馬氏距離分類；④桂林市TM 遙感影像最大似然分類；⑤桂林市TM 遙感影像神經網路分類；⑥桂林市TM 遙感影像支持向量機分類；⑦對6種分類結果進行比較分析。
三、實驗要求
①平行六面體、最小距離、馬氏距離、最大似然、神經網路和支持向量機六種分類方法在理論上比較復雜，為取得好的實驗效果，要求實驗前事先預習其原理，從理論上理解並掌握它們的特點和異同。②確定分類處理方法訓練樣本需要用到的已知地質資料，提前准備。③編寫實驗報告。④由於同時做六種分類處理工作量較大，可以根據實際課時情況選擇做其中部分。最小距離分類為必須做的方法。
四、技術條件
①微型計算機；②灌陽地區QuickBird全色波段遙感數據；③ENVI軟體；④Photoshop軟體（ver.6.0以上）和ACDSee軟體（ver.4.0以上）。
五、實驗步驟
遙感影像監督分類可以分為四個過程：樣本選擇、執行監督分類、評價分類結果和分類後處理。具體操作步驟如下。
（一）定義訓練
1.樣本選擇
（1）在ENVI主菜單中，選擇「File>Open Image File」，打開灌陽地區QuickBird全色波段遙感數據，Band3、4、1合成RGB並使之顯示在「Display」中，通過分析圖像，選擇耕地、林地、居民地和水體四種地物樣本。
圖17-1 ROI工具對話框
（2）在主圖像窗口中，選擇「Overlay>Region of Interest」，打開「ROI Tool」對話框，如圖17-1所示。
（3）在「ROI Tool」對話框中，選擇「Window」選項，可以在「Image」、「Scroll」或者「Zoom」窗口中繪制感興趣區；在「ROI Name」欄位輸入樣本的名稱；在「Color」欄位中，單擊右鍵選擇顏色。
（4）在「ROI Tool」對話框中，選擇「ROI Type > Polygon」，在「Image」、「Scroll」或者「Zoom」窗口中繪制感興趣區。
（5）完成一類感興趣區的繪制後，在「ROI Tool」對話框中，選擇【New Region】按鈕，新建另一類樣本種類，重復上述操作。
2.評價訓練樣本
在ROI對話框中，選擇「Option>Compute ROI Separability」，打開待分類影像文件，選擇所有定義的樣本類型，可以計算樣本的可分離性，如圖17-2所示，表示各個樣本類型之間的可分離性，用Jeffries-Matusita距離和轉換分離度（Transformed Divergence）來表示。ENVI為每一個感興趣區組合計算Jeffries-Matusita距離和Transformed Divergence，在對話框底部，根據可分離性值的大小，從小到大列出感興趣區組合。這兩個參數的值在0～2.0之間，大於1.9說明樣本之間可分離性好，屬於合格樣本；小於1.8，需要重新選擇樣本；小於1，考慮將兩類樣本合成一類樣本。
圖17-2 樣本可分離性計算報表
（二）執行監督分類
在ENVI主菜單中選擇「Classificatoin>Supervisred＞分類器類型」，可以根據分類的復雜度、精度需求等選擇分類器。
1.平行六面體分類器
平行六面體用一條簡單的判定規則對多波譜數據進行分類。判定邊界在圖像數據空間中形成了一個N維平行六面體。平行六面體的維數由來自每一種選擇的分類平均值的標准差的閾值確定。如果像元值位於N 個被分類波段的低閾值與高閾值之間，則它歸屬於這一類。如果像元值落在多個類里，那麼ENVI將這一像元歸到最後一個匹配的類里。沒有落在平行六面體的任何一類里的區域被稱為無類別的。操作步驟如下：
（1）在ENVl主菜單欄中選擇「Classification>Supervised>Parallelepiped」，在分類輸入文件對話框中選擇待分類遙感影像，打開「Parallelepiped Parameters」對話框，如圖17-3所示。
圖17-3 平行六面體分類器參數設置對話框
（2） Select Classes from Regions：點擊【Select All Items】按鈕，選擇所有的訓練樣本。
（3） Set Max stdev from Mean：設置標准差閾值。有三種類型：不設置標准差閾值（None）、為所有類別設置一個標准差閾值（Single Value）和分別為每種類別設置一個標准差閾值（Multiple Values）。
（4）選擇「Single Value」，在「Max stdev from Mean」文本框里輸入標准差閾值。
（5）點擊【Preview】按鈕，可以預覽分類結果。
（6）選擇分類結果的輸出路徑及文件名。
（7）設置「Output Rule Images」：是否選擇規則圖像數據。
（8）設置完上述參數後，點擊【OK】按鈕執行分類處理。
2.最小距離分類器
最小距離分類用到每一個終端單元的均值矢量，計算每一個未知像元到每一類均值矢量的歐幾里德距離。所有像元都被歸為最近的一類，除非限定了標准差和距離的極限（這時，會出現一些像元因不滿足選擇的標准，而成為「無類別」），操作步驟如下：
（1）在ENVI主菜單欄中選擇「Classification>Supervised>Minimum Distance」，在分類輸入文件對話框中選擇待分類遙感影像，打開「Minimum Distance」對話框，如圖174所示。
圖17-4 最小距離分類器參數設置對話框
（2） Select classes from Regions：點擊【Select All Items】按鈕，選擇所有的訓練樣本。
（3） Set Max stdev from Mean：設置標准差閾值。有3種類型：不設置標准差閾值（None）、為所有類別設置一個標准差閾值（Single Value）和分別為每種類別設置一個標准差閾值（Multiple Values）。
（4）選擇「Single Value」，在「Max stdev from Mean」文本框里輸入標准差閾值。
（5） Set Max Distances Error：設置允許的最大距離誤差，距離大於該值的像元將不被分入該類，如果不滿足所有類別的最大距離誤差，將會被歸為未分類類型中，有3種類型：不設置最大距離誤差（None）、為所有類別設置一個最大距離誤差（Single Value）和分別為每種類別設置一個最大距離誤差（Multiple Values）。
（6）點擊【Preview】按鈕，可以預覽分類結果。
（7）選擇分類結果的輸出路徑及文件名。
（8）設置「Output Rule Images」：是否選擇規則圖像數據。
（9）設置完上述參數後，點擊【OK】按鈕執行分類處理。
.3 馬氏距離分類器
馬氏距離分類是一個方向靈敏的距離分類器，分類時用到了統計。它與最大似然分類有些類似，但是假定所有類的協方差相等，所以是一種較快的方法。所有像元都被歸到最臨近的ROI類，除非用戶限定了一個距離閾值（這時，如果一些像元不在閾值內，就會被劃為無類別），操作步驟如下：
（1）在ENVI主菜單欄中選擇「Classification>Supervised>Mahalanobis Distance」，在分類輸入文件對話框中選擇待分類遙感影像，打開「Mahalanobis Distance」對話框，如圖17-5所示。
（2） Select Classes from Regions：點擊【Select All Items】按鈕，選擇所有的訓練樣本。
圖17-5 馬氏距離分類器參數設置對話框
（3） Set Max Distances Error：設置允許的最大距離誤差，距離大於該值的像元將不被分入該類，如果不滿足所有類別的最大距離誤差，將會被歸為未分類類型中，有3種類型：不設置最大距離誤差（None）、為所有類別設置一個最大距離誤差（Single Value）和分別為每種類別設置一個最大距離誤差（Multiple Values）。
（4）點擊【Preview】按鈕，可以預覽分類結果。
（5）選擇分類結果的輸出路徑及文件名。
（6）設置「Output Rule Images」：是否選擇規則圖像數據。
（7）設置完上述參數後，點擊【OK】按鈕執行分類處理。
4.最大似然分類器
最大似然分類假定每個波段每一類統計呈均勻分布，並計算給定像元屬於一特定類別的可能性。除非選擇一個可能性閾值，所有像元都將參與分類。每一個像元被歸到可能性最大的那一類里。操作步驟如下：
（1）在ENVI主菜單欄中選擇「Classification>Supervised>Maximum Likelihood」，在分類輸入文件對話框中選擇待分類遙感影像，打開「Maximum Likelihood Parameters」對話框，如圖17-6所示。
（2） Select Classes from Regio：n點s擊【Select All Items】按鈕，選擇所有的訓練樣本。
圖17-6 最大似然分類器參數設置對話框
（3）Set Probability Threshold：設置似然度的閾值，有3種類型：不設置最大似然度閾值（None）、為所有類別設置一個最大似然度閾值（Single Value）和分別為每種類別設置一個最大似然度閾值（Multiple Values），如果選擇Single Value，則在Probability Threshold文本框中輸入一個0～1的值。
（4） Data Scale Factor：輸入一個數據比例系數，這個比例系數是一個比值系數，用於將整形反射率或者輻射率數據轉換為浮點型數據。例如，對於沒有經過輻射定標的8bit數據，設定比例系數為255。
（5）點擊【Preview】按鈕可以預覽分類結果。
（6）選擇分類結果的輸出路徑及文件名。
（7）設置「Output Rule Images」：是否選擇規則圖像數據。
（8）設置完上述參數後，點擊【OK】按鈕執行分類處理。
5.神經網路分類器
用計算機模擬入腦的結構，用許多小的處理單元模擬生物的神經元，用演算法實現人腦的識別、記憶、思考過程應用於圖像分類，操作步驟如下：
（1）在ENVI主菜單欄中選擇「Classificantion>Supervised>Neural Net」，在分類輸入文件對話框中選擇待分類遙感影像，打開「Neural Net Parameters」對話框，如圖17-7所示。
（2）Select Classes from Regions：點擊【Select All Items】按鈕，選擇所有的訓練樣本。
圖17-7 神經網路分類器參數設置對話框
（3） Activation：選擇活化函數，包括對數（Logistic）和雙曲線（Hyperbolic）。
（4） Training Threshold Contnbution：輸入訓練貢獻閾值（0～1）。該參數決定了與活化節點級別相關的內部權重的貢獻量，它用於調節節點內部權重的變化。訓練演算法互動式地調整節點間的權重和節點閾值，從而使輸出層和響應誤差達到最小。將該參數設置為0將不會調整節點的內部權重。適當調整節點的內部權重可以生成一幅較好的分類圖像，但是如果設置的權重過大，對分類結果會產生不良影響。
（5） Training Rate：設置權重調節速度（0～1）。參數值越大則使得訓練速度越快，但也增加擺動或者使訓練結果不收斂。
（6） Training Momentum：設置權重調節動量（0～1）。該值大於0時，在「Training Rate」文本框中輸入較大值不會引起擺動。該值越大，訓練的步幅越大。該參數的作用是促使權重沿當前方向改變。
（7）Training RMS Exit Criterai：指定RMS誤差為何值時訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中，當該值小於輸入值時，即使還沒有達到迭代次數，訓練也會停止，然後開始進行分類。
（8） Number of Hidden Layers：輸入所用隱藏層的數量。要進行線性分類，輸入值為0；進行非線性分類，輸入值應該大於或者等於1。
（9） Number of Training Iterations：輸入用於訓練的迭代次數。
（10） Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元的活化值小於該閾值，在輸出的分類中該像元將被歸入未分類中。
（11）選擇分類結果的輸出路徑及文件名。
（12）設置「Output Rule Images」：是否選擇規則圖像數據。
（13）設置完上述參數後，點擊【OK】按鈕執行分類處理。
6.支持向量機分類器
支持向量機分類（SVM）是一種建立在統計學習理論基礎上的機器學習方法。SVM可以自動尋找那些對分類有較大區分能力的支持向量，由此構造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類准確率，操作步驟如下：
（1）在ENVl主菜單欄中選擇「Classification>Supervised>SupportVec tor Machine」，在分類輸入文件對話框中選擇待分類遙感影像，打開「Support Vector Machine Classification Parameters」對話框，如圖17-8所示。
圖17-8 支持向量機分類器參數設置對話框
（2） Select Classes From Regions：點擊【Select All Items】按鈕，選擇所有的訓練樣本。
（3） Kemel Type下拉列表中的選項有：Linear、Polynomial、Radial Basis Function和Sigmoid。
若選擇Polynomial，需要設置一個核心多項式（Degere of Kernel Polynomial）的次數用於SVM，最小值為1，最大值為6；使用向量機規則需要為Kernel指定「this Bias」，默認值為1；「Gamma in Kernel Function」參數設置為大於0的浮點型數據，默認值為輸入圖像波段數的倒數。
若選擇「Radial Basis Function」，需設置「Gamma in Kernel Function」參數為大於0的浮點型數據，默認值為輸入圖像波段數的倒數。
若選擇Sigmoid，需使用向量機規則需要為Kernel指定「this Bias」，默認值為1；設置「Gamma in Kernel Function」參數為大於0的浮點型數據，默認值為輸入圖像波段數的倒數。
（4） Penalty Parameter：為大於0的浮點型數據，這個參數控制了樣本錯誤與分類剛性延伸之間的平衡，默認值為100。
（5）Pyramid Levels：設置分級處理等級，用於SVM訓練和分類處理過程，如果這個值為0，將以原始解析度處理，最大值隨圖像的大小改變。
（6） Pyramid Reclassification Threshold（0～1）：當Pyramid Levels值大於0時，需要設置這個重分類閾值。
（7） Classification Probability Threshold（0～1）：為分類設置概率閾值，如果一個像素計算得到所有的規則概率小於該值，該像素將不被分類。
（8）選擇分類結果的輸出路徑及文件名。
（9）設置「Output Rule Images」：是否選擇規則圖像數據。
（10）設置完上述參數後，點擊【OK】按鈕執行分類處理。
（三）評價分類結果
在執行監督分類後，需要對分類結果進行評價，本次實驗採用使用地表真實感興趣區來計算混淆矩陣（Confusion Matrices）方法進行分類結果評價，操作步驟如下。
1.建立地表真實感興趣區
可以在高解析度圖像上，通過目視解譯獲取各個分類的地表真實感興趣區；也可以通過野外實地調查，根據調查數據生成地表真實感興趣區，獲取方法同「（一）定義訓練」，為了同訓練樣本區別，我們使用「植被、城鎮、河流、農田」作為地表真實感興趣區名稱。
2.計算混淆矩陣
（1）打開定義驗證樣本的文件（即灌陽地區QuickBird全色波段）以及圖像分類結果，使之顯示在「Available Band」列表中。
（2）在ENVI主菜單欄中選擇「Basic>Region of Interest>Restore Saved ROI File」，打開地表真實感興趣區文件。
（3）在ENVI主菜單欄中選擇「Basic>Region of Interest>Restore ROIs via Map」，打開「Reconcile ROIs via Map」對話框（圖179），選擇相應的地表真實感興趣區，點擊【OK】按鈕。
（4）在「Select Source File where ROI was Drawn」對話框中，選擇定義驗證樣本的文件（即灌陽地區 QuickBird 全色波段），點擊【OK】按鈕。
（5）在「Select Destination File to Reconcile ROIs to」對話框中，選擇匹配目標文件，也就是分類結果圖像。
（6）在主菜單中選擇「Classification>Post Classification> Confusion Matrix> Using Ground Truth ROIs」。
圖17-9「Reconcile ROIs via Map」對話框
（7）在「Classification Input File」對話框中，選擇分類結果圖像。地表真實感興趣區將被自動載入到「Match Classes Parameters」對話框中。
（8）在「Match Classes Parameters」對話框中，選擇所要匹配的名稱，然後點擊【Add Combination】按鈕，將地表真實感興趣區與最終分類結果相匹配，類別之間的匹配將顯示在對話框底部的列表中，如圖17-10所示，點擊【OK】按鈕輸出混淆矩陣。
圖17-10「Match Classse Parameters」對話框
（9）在混淆矩陣輸出窗口的「Confusion Matrix Parameters」對話框中，選擇像素（Pixels）和百分比（Percent），如圖17-11所示。
（10）點擊【OK】按鈕，輸出混淆矩陣，在輸出的混淆矩陣報表中，包含了總體分類精度、Kappa系數、混淆矩陣等幾項評價指標。
圖17-11 混淆矩陣輸出對話框
（四）分類後處理
一般情況下，使用上述分類方法得到的結果難於達到最終應用的目的，所以對獲取的分類結果需要進行一些處理，才能得到最終理想的分類結果。
圖17-12 編輯分類名稱和顏色
1.更改分類顏色、名稱
（1）打開分類結果，並使之顯示在「Display」窗口中。
（2）在分類結果主圖像窗口中，選擇「Tools>Color Mapping>Class Color Mapping」，打開「Class Color Mapping」對話框，如圖17-12所示。
（3）從「Selected Classes」列表中選擇需要修改的類別，改變其顏色或者名稱。
（4）完成對需要修改類別的顏色、名稱的修改後，選擇「Options>Save Changes」保存修改內容。
（5）選擇「File>Cancel」，關閉「Class Color Mapping」對話框。
2.聚類處理
分類結果中不可避免的會產生一些面積很小的圖斑，從實際應用角度有必要對這些小圖斑進行剔除或重新分類。目前，常用的方法有Majority/Minority分析、聚類處理和過濾處理，本次實驗選擇聚類處理方法對鄰近的類似分類區聚類並合並。
聚類處理首先將被選的分類用一個擴大操作合並到一起，然後用參數對話框中指定了大小的變換核對分類圖像進行侵蝕操作，具體操作步驟如下：
在ENVI主菜單欄中選擇「Classification> Post Classification> Clump Classes」，在「Classification Input File」對話框中，選擇分類結果圖像，單擊【OK】按鈕，打開「Clump Parameters」對話框，如圖17-13所示。Clump Parameters對話框參數設置如下。
（1）選擇分類類別（Select Classes）：單擊【Select All Items】按鈕選擇所有類別；
（2）輸入形態學運算元大小（Rows和Cols）：默認為3,3;
（3）選擇輸出路徑及文件名，單擊【OK】按鈕，完成聚類處理。
3.分類統計
分類統計可以基於分類結果計算相關輸入文件的統計信息，包括類別中的像元數、最大值、最小值、平均值以及類中每個波段的標准差等，還可以記錄每類的直方圖以及計算協方差矩陣、相關矩陣、特徵值和特徵向量，並顯示所有分類的總結記錄。
（1）在ENVI主菜單欄中，選擇「Classification> Post Classification > Class Statistics」，在「Classification Input File」對話框中，選擇分類結果圖像，單擊【OK】按鈕。
（2）在「Statistics Input File」對話框中，選擇一個用於計算統計信息的輸入文件，點擊【OK】按鈕，打開「Class Selection」對話框（圖17-14），在「Select Classes」列表中，選擇想計算統計的類別名稱，點擊【OK】按鈕，打開「Compute Statistics Parameters」對話框（圖17-15），選擇需要的統計項，包括以下統計類型。
圖17-13 「Clump Parameters」對話框
圖17-14 選擇分類對話框
基本統計（Basic Stats）：包括所有波段的最小值、最大值、均值和標准差，若該文件為多波段，還包括特徵值。
直方圖統計（Histograms）：生成一個關於頻率分布的統計直方圖。
協方差統計（Covariance）：包括協方差矩陣和相關矩陣以及特徵值和特徵向量。
（3）輸出結果的方式包括3種：可以輸出到屏幕顯示、生成統計文件（.sta）和生成文本文件，其中生成的統計文件可以通過「Classification>Post Classification>View Statistics File」命令打開，選擇輸出路徑及文件名，單擊【OK】按鈕，完成分類統計。
4.分類結果轉矢量
（1）在ENVI主菜單欄中，選擇「Classification>Post Classification>Classification to Vector」，在「Rasterto VectorInput Band」對話框中，選擇分類結果圖像，單擊【OK】按鈕，打開「Raster to Vector Parameters」對話框，如圖17-16所示。
（2）選擇需要被轉換成矢量文件的類別，在「Output」標簽中，使用箭頭切換按鈕選擇「Single Layer」，把所有分類都輸出到一個矢量層中；或者選擇「One Layer per Class」，將每個所選分類輸出到單獨的矢量層。
（3）選擇輸出路徑及文件名，單擊【OK】按鈕，完成分類結果轉矢量文件。
圖17-15 計算統計參數設置對話框
圖17-16 柵格轉為矢量參數設置
完成遙感影像監督分類後，分別利用平行六面體、最小距離、馬氏距離、最大似然、神經網路和支持向量機這六種分類器對灌陽地區QuickBird遙感影像進行監督分類處理，利用混淆矩陣對六種分類結果進行評價，得出總體分類精度和Kappa系數。比較六種分類結果，用WORD文件記錄，取名為《灌陽地區QuickBird遙感影像六種監督分類方法分類結果評價》，存入自己的工作文件夾。
六、實驗報告
（1）簡述實驗過程。
（2）回答問題：①根據實驗操作步驟及各步驟之間的關系，分析所做的監督分類方法在模型設計思想或演算法上的共同特點。②通過目視解譯，定性比較所獲得的監督分類圖像的圖像識別效果優缺點。
實驗報告格式見附錄一。
『柒』 面向對象的遙感影像分類方法有哪些
面向對象分類技術它主要分成兩部分過程：影像對象構建和對象的分類。影像對象構建主要用了影像分割技術，常用分割方法包括基於多尺度的、基於灰度的、紋理的、基於知識的及基於分水嶺的等分割演算法。比較常用的就是多尺度分割演算法；影像對象的分類，目前常用的方法是「監督分類」和「基於知識分類」。
『捌』 遙感圖像分類法
圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面，與圖像增強後仍需人為解譯不同，它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此，分類處理後輸出的是一幅專題圖像。在此圖像中，原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類，由於是一種統計決定，必然伴隨著某種錯誤的概率。因此，在邏輯上的合理要求是，對每一個象元所做的決定，應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。
以下是幾種常用的遙感圖像分類方法：
1.最大似然分類（maximum likelihood classification）
最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法，需要知道已知的或確定的訓練樣區典型標準的先驗概率P（wi）和條件概率密度函數P（wi，x）。P（wi）通常根據各種先驗知識給出或假定它們相等：P（wix）則是首先確定其分布形式，然後利用訓練樣本估計其參數。一般假設為正態分布，或通過數學方法化為正態分布。其判別函數集為：
Di（x）=P（wix），i=1，2，…，m （2-2）
如果Di（x）≥ Dj（x），則x屬於wi類。其中，j≠i，j=1，2，…，m。m為類別數。
從上述最大似然分類的說明看，其關鍵就在於已知類別的定義，先驗概率的確定，參與分類的變數的好壞和結果誤差評價。直到現在，最大似然分類至少還有兩個缺點：一是事先大量人力已知光譜類的選擇和定義：二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制，因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間，提高分類的精度。Solst和Lillesand（1991）為了解決已知類別定義消耗大量人力的缺點，發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率，然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點，提高了分類的精度。
通常情況下，地形會影響到訓練集數據，這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布，從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進的最大似然分類演算法，即去掉每一類數據集中與第一主成分相關的信息（地形信息）然後再進行分類。通過試驗，這種方法是有效的，分類精度得到了提高。
K.Arai（1993）用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行，大大提高了正確分類的概率。C.Conese和Fabio Maselli（1992）用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl（1996）加最大似然分類精度的一種方法，即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類，發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類，每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類，並稱這種方法為多概率比較法，這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。
2.最小距離分類（minimum distance classification）
最小距離分類是一種線性判別監督分類方法，也需要對訓練區模式樣本進行統計分析，是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單，首先需選出要區分類別的訓練樣區，並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差，然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值（一般取標准差的倍數），且與某一類的距離最近，就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外，距離度量的方法不同，分類的結果也不相同，常見的有：
（1）明氏距離（minkowski distance）
中亞地區高光譜遙感地物蝕變信息識別與提取
式中Tij=-Tij。
③經過①②步後，隨機象元X被劃歸為正確的類。
另外，通過對參與計算變數的排序和部分一總和邏輯的考慮，可大大降低該演算法計算的時間。與最小距離（歐氏距離）和最大似然分類器相比，整體平均分類器所用時間最少，分類精度與最小距離大致相同，對像農田面積和森林這樣的名義類型的分類十分有效。
Haluk Cetin（1996）提出了一種分類方法：類間距離頻率分布法（interclass distance frequency dis-tribution），這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單，是一種有力的可視化技術，它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類，這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離，並存放在一個兩維數據分布數組中。選擇其他類的訓練區，訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果，建立分類查詢表（look-up table），然後利用分類查詢表進行多光譜圖像數據的分類，具體細節請參見原文。
H.N.Srikanta Prakash等（1996）改進了遙感數據凝聚聚類分析，這是一種基於相互近鄰概念，用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域（area of interest around each pixel），然後在它內部尋找分類時初始合並操作需要的k最近鄰，將象元的特徵值、波段值和象元的相對位置值一起考慮，提出了改進的距離量度，這樣，大大減少了計算的時間和內存的需求，降低了分類的誤差概率。
Steven E.Franklin和Bradley A.Wilson（1992）設計了3階段分類器進行遙感圖像的分類，它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比，3階段分類器的總體分類精度得到了提高，減少計算時間，另外僅需最少的訓練樣區數據（它們在復雜地形區很難獲得）。
『玖』 實驗十八 遙感圖像非監督分類處理
一、實驗目的
通過使用ENVI的兩種遙感非監督分類器——IsoData非監督分類和K-Means非監督分類命令，加深對遙感非監督分類原理和對地質應用的理解，了解其技術實現過程，初步掌握其ENVI功能命令的基本使用操作。
二、實驗內容
①桂林市TM 遙感影像數據IsoData非監督分類；②桂林市TM 遙感影像數據KMeans非監督分類；③IsoData非監督分類與K-Means非監督分類效果比較分析。
三、實驗要求
（①預習ISODATA和K-Means兩種演算法原理；②掌握ISODATA和K-Means分類處理的基本操作；③對兩種分類結果進行比較分析；④編寫實驗報告。
四、技術條件
①微型計算機；②桂林市TM 遙感影像數據；③ENVI軟體；④Photoshop軟體（ver.6.0以上）和ACDSee軟體（ver.4.0以上）。
五、實驗步驟
非監督分類是根據圖像數據的本身統計特徵及點群的情況，從純統計學的角度對圖像數據進行類別劃分。非監督分類不需要事先給定類別，由圖像數據的統計特徵來決定，即同類地物在相同的成像條件下具有相同或相近的光譜特徵（如DN 值），歸屬於同一個光譜空間區域；不同地物由於光譜信息特徵不同，歸屬於不同的光譜空間區域。
非監督分類一般可分為四個步驟：執行非監督分類、類別定義、合並子類和評價結果。
（一）執行非監督分類
ENVI有ISODATA和K-Means兩種非監督分類方法。
1.ISODATA非監督分類
ISODATA（iterative self-organizing data analysis technique）屬於聚類分析方法。是按照像元之間的聯系程度（親疏程度）來進行歸類的一種多元統計分析方法。ISODATA非監督分類計算數據空間中均勻分布的類均值，然後用最小距離技術將剩餘像元迭代聚集，每次迭代都重新計算均值，且根據所得的新均值，對像元進行再分類。具體操作步驟如下：
在ENVI主菜單欄中選擇「Classification>Unsupervised>ISODATA」，在「Classificatoin Input File」對話框中選擇待分類遙感影像，打開「ISODATA Parameters」對話框，如圖18-1所示。
圖18-1 ISODATA參數對話框
對圖18-1中的參數進行如下說明：
（1） Number of Classes：類數范圍（最小值和最大值），一般輸入最小數量不能小於最終分類數量，最大數量為最終分類數量的2～3倍。
（2） Maximum Iterations：最大迭代次數值，迭代次數越大，得到的結果越精確。
（3） Change Threshold%（0～100）：變化閾值（0～100%），當每一類的變換像元數小於閾值時，結束迭代過程，該值越小得到的結果越精確。
（4） Minimum #Pixel in Class：形成一類需要的最少像元數，如果某一類中的像元數少於最少像元數，該類將被刪除，其中的像元被歸並到距離最近的類中。
（5） Maximum Class Stdv：最大分類標准差，以像素值為單位，如果某一類的標准差比該閾值大，該類將被拆分成兩類。
（6） Minimum Class Distance：類均值之間的最小距離，如果類均值之間的距離小於輸入的最小值，則這一類就會被合並。
（7） Maximum #Merge Pairs：合並成對的最大數。
（8）Maximum Stdev From Mean：距離類別均值的最大標准差，為可選項，篩選小於這個標准差的像元參與分類。
（9） Maximum Distance Error：允許的最大距離誤差，為可選項，篩選小於這個最大距離誤差的像元參與分類。
（10）選擇輸出路徑及文件名，單擊【OK】按鈕，執行ISODATA非監督分類。
2.K-Means非監督分類
K-Means演算法接受輸入量K；然後將n個數據對象劃分為K個聚類以便使所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個「中心對象」（引力中心）來進行計算的。具體操作步驟如下：
在ENVI主菜單欄中選擇「Classification>Unsupervised>K-Means」，在「Classification Input File」對話框中選擇待分類遙感影像，打開「K-Means Parameters」對話框，如圖18-2所示。
圖18-2 K-Means分類器參數設置對話框
（1） Number of Classes：分類數量，一般輸入為最終分類數量的2～3倍。
（2） Maximum Iterations：最大迭代次數值，迭代次數越大，得到的結果越精確。
（3） Maximum Stdev From Mean：距離類別均值的最大標准差，為可選項，篩選小於這個標准差的像元參與分類。
（4） Maximum Distance Error：允許的最大距離誤差，為可選項，篩選小於這個最大距離誤差的像元參與分類。
（5）選擇輸出路徑及文件名，單擊【OK】按鈕，執行K-Means非監督分類。
（二）定義類別與子類合並
執行非監督分類後，得到的只是一個初步的分類結果，需要進行類別定義域合並子類的操作。
1.類別定義
類別定義的根據可以通過更高解析度圖像上目視解譯獲得，也可以通過野外實地調查獲得。
（1）打開分類圖像即灌陽地區QuickBird遙感數據，並使之顯示在「Display」中。
（2）在分類圖像的主窗口中，選擇「Overlay>Classification」，在「Interactive Class Tool Input File」對話框中選擇非監督分類結果，單擊【OK】按鈕打開「Interactive Class Tool」對話框，如圖18-3所示。
圖18-3 互動式分類工具對話框
（3）在「Interactive Class Tool」對話框中，勾選類別前面的「On」選擇框，就能將此類結果疊加顯示在「Display」分類圖像窗口上，識別此分類類別。
（4）在「Interactive Class Tool」對話框中，選擇「Options>Edit Class Colors/Names」，打開「Class Color Map Editing」對話框，如圖18-4所示。
在「Class Color Map Editnig」對話框中，選擇對應的類別，在「Class Name」中輸入重新定義的類別名稱，同時可以修改此類別顯示的顏色，修改後點擊【OK】按鈕完成修改。
（5）重復步驟（3）～步驟（4），定義其他類別。
（6）完成各類別定義後，在「Interactive Class Tool」對話框中，選擇「File>Save Change to File」，保存修改結果。
2.合並子類
在選擇非監督分類類別數量時，一般選擇為最終分類數量的2～3倍，因此在定義類別之後，需要將相同類別合並。
（1）在 ENVI 主菜單欄中，選擇「Classification > Post Classification > Combine Classes」，在「Combine Classes Input File」對話框中選擇定義好的分類結果，單擊【OK】按鈕打開「Combine Classes Parameters」對話框（圖18-5）。
圖18-4 編輯分類名稱和顏色對話框
圖18-5 分類類別的合並對話框
（2）在「Combine Classes Parameters」對話框中，從「Select Input Class」中選擇合並的類別，從「Select Output Class」中選擇並入的類別，單擊【Add Combination】按鈕添加到合並方案中，合並方案顯示在「Combine Classes」列表中。
（3）合並方案確定後，點擊【OK】按鈕，打開「Combine Classes output」對話框，在「Remove Empty Classes」選項中選擇「Yes」，將無用類移除。
（4）選擇輸出合並結果路徑及文件夾名，點擊【OK】按鈕，執行合並子類。
（三）分類後處理和評價分類結果
分類後處理和評價分類結果的方法同監督分類一樣，可參考實驗十七中的「遙感影像監督分類」。
完成遙感影像非監督分類後，分別利用ISODATA 和K-Means非監督分類方法對灌陽地區QuickBird遙感影像進行非監督分類處理，利用混淆矩陣對兩種分類結果進行評價，得出總體分類精度和Kappa系數。比較兩種分類結果，用W ORD文件記錄，取名為《灌陽地區QuickBird遙感影像兩種非監督分類方法分類結果評價》，存入自己的工作文件夾。
六、實驗報告
（1）簡述實驗過程。
（2）回答問題：①根據實驗操作步驟及各步驟之間的關系，分析兩種非監督分類方法具有的共同特點。②通過目視解譯定性比較兩種非監督分類方法的效果。
實驗報告格式見附錄一。