遥感计算机的分类原理,实验四 遥感图像的计算机分类

实验四 遥感图像的计算机分类

一、目的和要求

理解遥感图像计算机分类的基本原理，掌握非监督分类和监督分类的过程， 并弄清两者的区别。

二、实验内容

1. 非监督分类

2. 监督分类。

三、原理与方法

传统的遥感图像计算机分类的方法大体有两种：非监督分类和监督分类。 非监督分类(Unsupervised Classification)指不必对影像地物获取先验知识，仅依靠影像上不同类地物的光谱线性进行特征提取，以提取出统计特征的差别来达到分类目的的方法。主要采用聚类分析方法，常用的方法有ISODATA(iterative self-organizing data analysis techniques algorithm)，称为迭代自组织分析技术，和K-Mean算法，称为K－均值算法。K-Mean算法的基本思想是通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。ISODATA是在初始状态给出图像粗糙分类，然后基于一定原则在类别间重新组合其样本，直到分类比较合理为止。该方法的主要环节是聚类、集群的分裂和集群的合并等处理。

监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先要从图像中选取各类地物样本训练分类器。常用的分类方法有平行多面体分类、最小距离分类和最大似然法分类等。最大似然法通过求出每个像元对于各类别归属概率(似然度)，把该像元分到归属概率最大的类别中去的方法。其前提是假定训练区地物的光谱特征近似服从正态分布。

四、实验步骤

非监督分类

1. 打开非监督分类对话框(图8-1)