一、实验内容
1、运用ENVI软件分类步骤，并能对分类的结果进行后处理和评价；
2、提交监督分类的专题图及利用混淆矩阵进行精度评价的结果图。
二、目的要求
1、基于目视判读进行遥感影像分类，掌握遥感分类方法原理（监督分类和非监督分类）；
2、熟练运用 ENVI 软件分类步骤，并能对分类的结果进行后处理和评价；
3、了解监督分类、非监督分类的定义及优缺点；
4、提交监督分类（非监督分类）的专题图及利用混淆矩阵进行精度评价的结果图。
三、实验准备
1、数据准备：2010 年 1 月 14 日巢湖区域的 Landsat 5 TM 影像（chaohu.dat）
2、软件准备：ENVI 、ArcGIS
四、实验原理
1、非监督分类运用 ISODATA(Iterative Self-Organizing Data Analysis Technique ) 算法，完全按照像元的光谱特性进行统计分类，常常用于对研究区域没有什么了 解的情况。使用该方法时， 原始影像的所有波段都参于分类运算，分类结果往往 是各类像元数大体等比例。由于人为干预较少， 非监督分类过程的自动化程度较 高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色 彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
2、监督分类比非监督分类更多地要求用户来控制，常用于对研究区域比较了 解的情况。在监督分类过程中， 首先选择可以识别或者借助其它信息可以断定其 类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模 板(训练样本)、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
五、实验过程与结果
1数据预处理
1.1加载数据：单击菜单栏 File 下方工具条中的“Open”加载原始影像“chaohu.dat ”；
1.2辐射定标
（1）Toolbox-Radiometric Correction-Radiometric Calibration-chaohu.dat-OK；
（2）在对话框中，点击“Apply FLAASH Settings”，应用后续大气校正模块的转换参数设置，选择输出路径-OK。
图1.2.1 辐射定标
图1.2.2 辐射定标结果图
1.3大气校正
（1）Toolbox-Radiometric Correction-Atmosphere Correction-FLAASH
Atmospheric Correction。
（2）在对话框中，点击“Input Radiance Image”，弹出对话框后选择上一步辐射定标后的影像“chaohurad.dat”-OK。
（3）在“Radiance Scale Factors”对话框中，选择第二个选项“Use single scale factor for all bands”-OK。
（4）设置输出路径。
（5）设置传感器参数。
（6）设置 Atmospheric Model。
图1.3.1 大气校正参数设置
（7）点击 Multispectral Settings 将 Kaufman-Tanre Aerosol Retrieval 下的 Defaults设置为Over-Land Retrieval standard(660:2100nm)-OK。其余参数默认，完成设置后点击“Apply”开始大气校正。
图1.3.2 Multispectral Settings参数设置
（8）加载完成大气校正后的影像，下图中，左图为大气校正前，右图为大气校正后。利用工具条中的“Spectral Profile”查看校正后的光谱曲线。
图1.3.3 大气校正后影像对比图
图1.3.4校正后的光谱曲线
2.监督分类
2.1加载数据：加载经过大气校正后的影像。
2.2样本选择
（1）Layer Manager 选择图层，打开 Region of Interest (ROI) Tool 面板，选择样本，以水体为例：
①在Region of Interest (ROI) Tool 面板，以水域为例设置以下参数：ROI Name：水域、ROI Color：自定义。
2.监督分类
2.1加载数据：加载经过大气校正后的影像。
2.2样本选择
（1）Layer Manager 选择图层，打开 Region of Interest (ROI) Tool 面板，选择样本，以水体为例：
①在Region of Interest (ROI) Tool 面板，以水域为例设置以下参数：ROI Name：水域、ROI Color：自定义。
图2.2.1 样本选择
②默认ROIs 绘制类型为多边形，在影像上辨别水体区域并单击鼠标左键开始绘制多边形样本，样本绘制不宜过大，颜色越纯越好，选择 Complete and Accept Polygon，完成一个多边形样本的选择。
图2.2.2 完成水域样本选择
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。
（2）在图像上右键选择 New ROI，或者在 Region of Interest (ROI) Tool 面板上，选择工具。重复"水域"样本选择的方法，分别为林地、草地、耕地、未利用土地、城乡工矿居民用地 5 类选择样本；
图2.2.3 五类样本结果图
（3）计算样本的可分离性。在 Region of Interest (ROI) Tool 面板上，选择Option>Compute ROI Separability，在 Choose ROIs 面板，将所有样本都勾选，点击 OK；
图2.2.4 计算样本可分离性
（4）表示各个样本类型之间的可分离性，这两个参数的值在 0-2.0 之间，大于 1.9 说明样本之间可分离性好，属于合格样本；小于 1.8，需要编辑样本或者重新选择样本；小于1，考虑将两类样本合成一类样本。
图2.2.5 可分离性结果图
3.分类器选择
选择最大似然法法。在Toolbox中选择Classification/Supervised-Classification/
Maximum-Likelihood-Classification，选择待分类影像，点击 OK，选择所有分类规则输出分类结果。
图3.1 选择最大似然分类法
图3.2 巢湖区域监督分类专题图
4.精度评价
利用混淆矩阵对分类结果进行评价，确定分类的精度和可靠性。
（1）在 Data Manager 中，分类样本上右键选择 Close，将分类样本从软件中移除。
（2）直接利用 ROI 工具，跟分类样本选择的方法一样，即重复第二步，在 TM 图上选择 6 类验证样本。
（3）Toolbox /Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类结果。点击 OK 后选择报表的表示方法（像素和百分比），点击 OK，可以得到精度报表。
图4.1 选择分类结果
图4.2 精度评价结果
六、实验心得与体会
在撰写监督分类样本选取的分析时，我深刻体会到：
为了确保分类的准确性，每一类别应选取多个样本区域，并力求这些区域具有典型性，避免选取包含多种地物的过渡地带。面对颜色相似、难以辨识的地物时，调整原始影像的显示波段是一种有效的策略，它能够凸显不同地物之间的影像差异，从而辅助我们更清晰地区分各类地物。例如，采用波段组合4、3、2的影像，林地呈现深红色，草地为深紫色，而耕地则呈现粉红色，这有助于我们进行精准的分类。
此次遥感影像监督分类的实践经历，不仅让我巩固了课堂上学到的理论知识，还使我熟练掌握了使用ENVI软件进行遥感影像监督分类的具体步骤，并认识到监督分类在遥感影像处理中的关键作用。通过与非监督分类的比较，我意识到两者各有所长，其核心区别在于是否使用训练样本。监督分类依赖于训练样本，以此为基础对影像进行规律性分析；而非监督分类则无需训练样本，仅在一组数据集中探索内在规律。
进一步分析两者的优势与局限，我发现它们各自适用于不同的情境。当影像中的地物种类普遍且光谱特征差异不大时，监督分类尤为适用，它能有效地提取常见地物，如土地类型、植被覆盖、森林、农田、道路、水体和沙漠等，广泛应用于城市规划、土地管理和道路网络建设等领域。
扫一扫
5490
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
