遙感圖像分類

一、背景簡介

遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，將圖像中各個像元按照某種規則或算法劃分不同的類別，然后獲得遙感圖像中與實際地物的對應信息，從而實現圖像的分類。遙感圖像計算機分類的依據是遙感圖像像素的相似度。常使用距離和相關系數來衡量相似度。常見的分類方法有：監督分類、非監督分類法。

二、監督分類與非監督分類的區別及優缺點簡要探討：

案例：數據源為ENVI自帶的Landsat tm5數據Can-tmr.img,類別為：林地、草地/灌木、耕地、裸地、沙地、其它六類。 下面就分別用監督分類與非監督分類法次此案例進行簡單分析。
首先我們來了解一下什么是監督分類？
監督分類是用于在數據集中根據用戶定義的訓練樣本類別聚集像元。訓練樣本類別是像元的集合或單一波譜。在分類過程中，可以選擇它們作為代表區域或分類素材。
監督分類的大致步驟有：類別定義、樣本選擇、分類器選擇、影像分類、分類后處理、結果驗證。
監督分類對本案例處理的簡要流程:

1、類別定義

根據分類目的、影像數據自身的特征和分類區收集的信息確定分類系統；對影像進行特征判斷，評價圖像質量，決定是否需要進行影像增強等預處理。這個過程主要是一個目視查看的過程，為后面樣本的選擇打下基礎。本例是以ENVI自帶Landsat tm5數據Can-tmr.img為數據源，類別分為:林地、草地/灌木、耕地、裸地、沙地、其他六類。

2、樣本選擇

為了建立分類函數,需要對每一類別選取一定數目的樣本,在ENVI，中是通過感興趣區來確定，也可以將矢量文件轉化為ROIs文件來獲得，或者利用終端像元收集器來獲得。本例中使用ROIs方法，打開分類圖像，在Display->Overlay->Region of Interest,默認ROIs為多邊形，按照默認設置在影像上定義訓練樣本。如圖1-1示，設置好顏色和類別名稱。

如圖1-1 訓練樣本的選擇

3、分類器選擇

根據分類的復雜度，精度需求等確定哪一種分類器。目前監督分類可分為基于傳統統計分析學的，包括平行六面體、最小距離、馬氏距離、最大似然，基于神經網絡的，基于模式識別，包括支持向量機、模糊分類等，針對高光譜有光譜角，光譜信息散度，二進制編碼。

4、影像分類

選擇支持向量機分類方法。主菜單下選擇Classification>Supervised>Support Vector Machine。按照默認設置參數輸出分類結果。如圖1-2:

圖1-2支持向量機分類器參數設置

圖1-3支持向量機分類結果

5、分類后處理

分類后處理包括的很多過程都是可選項，包括更改類別顏色、分類后統計，小斑塊處理等。如更給類別顏色:在主圖像窗口中的顯示菜單里,選擇Display >?Color Mapping?>?Class?Color Mapping，分別選取顏色。

圖1-4類別顏色更改后的效果

圖1-5自動顏色更改的效果

6、結果驗證

結果驗證主要是對分類結果進行評價，確定分類的精度和可靠性。有兩種方法:一是混淆矩陣，二是ROC曲線。在此不作具體介紹。
讓我們來了解一下什么是非監督分類?
非監督分類：也稱為聚類分析或點群分類。在多光譜圖像中搜尋、定義其自 然相似光譜集群的過程。它不必對影像地物獲取先驗知識，僅依靠影像上不同類地物光譜（或紋理）信息進行特征提取，再統計特征的差別來達到分類的目的，最后對已分出的各個類別的實際屬性進行確認。
目前非監督分類器比較常用的是ISODATA、K-MEAN 等鏈狀方法。
非監督分類處理本案例的流程簡要：

1、影像分析

大體上判斷主要地物的類別數量。一般監督分類設置分類數目比最終分類數量要多2-3倍為宜，這樣有助于提高分類精度。本案例的數據源為ENVI自帶的 Landsat tm5 數據Can-tmr.img, 類別分為：林地、草地/灌木、耕地、裸地、沙 地、其它六類。

2、分類器選擇

ISODATA重復自組織數據分析技術，計算數據空間中均勻分布的類均值，然后用最小距離技術將剩余像元進行迭代聚合，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。
K-MEAN使用了聚類分析方法，隨機地查找聚類簇的聚類相似度相近，即中心位置，是利用各聚類中心對象的均值所獲得一個中心對象來進行計算的，然后迭代地重新配置它們，完成分類過程。

3、影像分類

打開ENVI,選擇主菜單->Classificatio->Unsupervised->IsoData或者K-mean。如選擇IsoData,在選擇文件時，可以設置空間或光譜裁剪區。如選擇Can-tmr.ing,按默認設置，之后跳出參數設置，如圖1-6：ISODATA非監督分類結果。

1-6分類結果

4、 類別定義

在display中顯示原始影像，在display->overlay->classification,選擇ISODATA分類結果，如圖所示，在Interactive Class Tool面板中，可以選擇 各個分類結果顯示。如圖1-7：

圖1-7影像與分類結果的疊加
Interactive Class Tool面板中，選擇Option->Edit class colors/names。 通過目視或者其他方式識別分類結果，填寫相應的類型名稱和顏色。如圖1-8所 示為最終結果。

圖1-8類別定義結果

5、分類后處理

對顏色的分類，統計分析等參考監督分類。

6、 結果驗證

參照監督分類

三、小結

由此案例可得監督分類與非監督分類：
區別：非監督分類的關鍵部分是類別定義。此過程需要數據的支持，甚至需要組織野外實地調查。
監督分類中的樣本選擇和分類器的選擇較關鍵。在樣本選擇時，為了更加清楚的查看地物類型，可以適當的對圖像做一些增強處理。
兩者的根本區別是在于是否利用訓練場地來獲取先驗的類別知識。

優缺點：

優點：可充分利用分類地區的先驗知識，預先確定分類的類別；可控制訓練樣本的選擇；可避免非監督分類中對光譜集群組的重新歸類等。
缺點：人為主觀因素較強；訓練樣本的選取和評估需花費較多的人力，時間等。

非監督分類：

優點：無需對分類區域有廣泛的了解，僅需一定的知識來解釋分類出集群組；人為誤差小；獨特的，覆蓋量小的類別均能被識別；簡單，速度快等。
缺點：對其結果進行大量處理后，才能得到可靠分類結果；不能精確控制分類的類別數等。

掃碼關注公眾號，了解更多文章

三山半落，一水中分。地縱經緯，理入乾坤。 ~蘭州交通大學地理信息科學愛好者集散地，歡迎你的加入~

總結

以上是生活随笔為你收集整理的遥感图像分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。