监督分类和非监督分类_清明雨下

http://blog.sina.com.cn/u/1616933962

首页博文目录关于我

个人资料

微博

加好友发纸条

写留言加关注

博客等级：
博客积分：

博客访问：
关注人气：
获赠金笔：0支
赠出金笔：0支
荣誉徽章：

正文字体大小：大中小

监督分类和非监督分类

(2011-03-22 13:28:50)

标签：

杂谈

分类： GIS RS

实习序号及题目

实习八、监督分类和非监督分类

实习人姓名

xuanfengling

专业班级及编号

地信0834

任课教师姓名

实习指导教师姓名

实习地点

榆中校区实验楼A209

实习日期时间

2010年12月16日

实习目的

理解影像监督分类和非监督分类的原理、方法和步骤，初步掌握土地覆盖的计算机自动分类方法

实习内容

1、通过遥感影像解译确定的土地覆盖分类类型、色调和编码：

编码	地物名称	编码	地物名称
11	水稻田 paddy land	51	河流 stream
12	水浇地 irrigated land	52	水库、坑塘 reservoir or pond
20	园地 garden	61	城镇及农村居民地 town or village
30	草地 grassland	62	工业区 industrial
31	林地 forest	71	沙漠 sandy desert
32	防护林 prevention desert	72	砾漠 gravel desert
33	幼林地 young forest	73	裸地及盐碱地 barren land
4	公路/铁路 road or railway	53	设施农用地 facility agricultural land

2、按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的图斑，建立训练区，给出各个类别的特征统计表

3、采用4种可分性度量方法（欧氏距离、分散度、变换散度、J-M距离）给出可分性矩阵，判断类型之间的可分性，要求将可分性矩阵转换为文本文件格式并以表格形式插入实习报告中，注意在输出时选取CellArray。

4、监督分类：利用最大似然法完成分类；

5、分类精度评价，从随机采集100～200个样本点，进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。

6、生成特征空间影像和监督分类的结果专题特征空间影像，

7、非监督分类：预先假定地表覆盖类型为30类，叠代次数选为20，由系统完成非监督分类；参照监督分类的结果对分类结果进行分析，修改类别属性值，进而确定新的土地利用/覆盖分类方案。

8、分类后处理：对已经执行过监督分类的影像进行聚类统计（clump）、过滤分析（sieve）、去除分析（eliminate）处理，对非监督分类的结果影像进行分类重编码（recode），然后对处理前后的影像进行比较分析。进行过滤处理时分别选取最小斑块大小4、8、20，比较去除后影像的差异。

基本原理

1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。换句话说，监督分类就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类；

2、可分性度量：本次实习主要涉及J—M距离和变换分散度，都是一种特征空间距离度量方法，是指影像特征矢量与各个类中心的距离，变换分散度是TDiver_cd=[1-exp(-Diver_cd/8)],J—M距离J=2*(1-e^-B)；

3、最大似然分类法：在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。

4、混淆矩阵：从随机点位上获取地面参考验证信息，并与遥感分类图进行逐像元比较，然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。类别精度：被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，其中制图精度对应漏分误差是指指示需要进行类别补充和训练样本的采集，用户精度对应错分误差是指指示训练样本集存在混合现象，需要进行更加精细的训练样本采集以保证各个类别样本光谱特征上的纯洁性；

Kappa系数：

5、分类后处理——主要/次要分析：输入一个变换核，用变换核中占主要 / 次要地位的像元的类别代替中心像元的类别。

6、分类后处理——类别集群：运用形态学算子将临近的类似分类区域合并集群。首先，将被选的类别用一个膨胀操作集群在一起，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。

7、分类后处理——类别筛选：观察周围的4个或8个像元，判断一个像元是否与周围的像元同组。如果一类中被分组的像元数少于输入的值，这些像元将被从该类中删除。删除像元后，剩下黑像元（未分类的像元）。

8、非监督分类：指人们事先对分类过程不施加任何的先验知识，仅依据影像上地物的光谱特征分布规律，顺其自然地进行分类。基本思路来源于多变量聚类分析（clustering analysis），其理论依据是根据地物光谱理论，遥感影像上的同类地物在相同的表面结构特征、植被覆盖、光照条件下，具有相同或相近的光谱特征，应归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，应归属于不同的光谱空间区域。

数据准备

宁夏中卫地区2006年Landsat 7 ETM+可见光/近红外波段（1-5、7）影像，已经过几何精纠正

操作方法及过程

一、监督分类

1、目视解译。根据实习要求，在遥感影像上确定并提取出一下16种地物，分别是水稻田、水浇地、葡萄园、草地、林地、防护林、幼林地、沙漠/砾漠、公路/铁路、水库/坑塘、居民地、盐碱地、工业区、裸岩、河流、设施农用地。同时确定土地的覆盖类型、编码以及色调。

2、建立训练区。具体步骤：在加载中卫地区影像的Image窗体中右击，选择ROI Tool，为了提高分类精度，选择在Zoom中选择样本区。根据地物的情况选择point、polyline、polygon方式建立训练区。

3 、统计样本可分性的度量。在ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度，并将结果导入到Excel中。

4、最大似然法

①具体步骤：Classification|Supervised| Maximum Likelihood，在Set Input File对话框中导入影像zhongwei.img。在打开的对话框中选Select All Items，其中Set Probability Threshold设为 Single Value， Probability Threshold设为0.6，Output Rule Image设为No，选择保存路径。最后根据分类的情况修改监督分类后的地物的颜色等信息。

②根据习惯，将分类的水稻田，水浇田设为灰色；水体为蓝色；林地，园林，草地等一般设为绿色，沙漠，砾漠，裸岩颜色为暗色调；城镇，居民地，工业区颜色为深红的。具体操作：在Supervised影像中的Image上选择Overlay|Classification，点击“Supervised”。在图例窗口中，选择Option|Edit class colors/name等来修改地物的名称和颜色。

5、进行分类精度评价：选择Classification中的分类后处理post classification，选择混淆矩阵Confusion Matrix的Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一对应加载进来，点击确定，即可生成混淆矩阵；

6、分类后处理。

①主/次要分析。选择Classification中的分类后处理post classification，分别选择主要分析Majority/Minority Analysis、类别集群Clump Classes、类别筛选Sieve Classes，其中在类别筛选中选择分别用4、8、20邻域，阈值用默认值2。具体操作: Classification|Post Classification|Majority/Minority Analysis，在Select Input File对话框中选择Supervised|Select All Items，Analysis Method设定为 Majority，最后选择保存路径。主要分析和次要分析步骤类似，最后将所得影像进行比较分析。

②类别集群。选择Classification|Post Classification，Clump Classes，在Select Input File对话框中选择Supervised。最后设定数据输出路径。

③类别筛选。选择Classification|Post Classification|Sieve classes，在Select Input File中选择Supervised，Group Min Threshold设为2,且分别将Number of Neighbors设为4,8,20，保存路径。将最邻近4像元和8像元所得影像进行比较

二、非监督分类

1、选择Classification的非监督分类Unsupervised，选择者IsoData，选择中卫影像，设置参数。

2、在Overlay下选择Classification，选择之前的非监督分类影像，对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类，在输出的文件中选择相同的类别，点击Add Combination，所有的类别合并完后点击确定即可。

结果与分析

一、训练区的特征统计

【统计图】

http://s11/middle/6060744a49f0b8b895f2a&690

【16种地物的特征统计值】

ROI:	sandy desert	[Red]	9000	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	83.00	107.00	95.24	3.80
	Band2	49.00	71.00	59.44	2.46
	Band3	74.00	113.00	92.03	4.58
	Band4	68.00	111.00	86.64	5.11
	Band5	129.00	217.00	169.11	10.59
	Band6	157.00	169.00	161.99	2.29
	Band7	87.00	150.00	116.86	7.22
ROI:	paddy land	[Green]	5073.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	57.00	81.00	64.21	2.86
	Band2	26.00	45.00	31.91	1.95
	Band3	26.00	56.00	36.28	3.25
	Band4	59.00	97.00	74.75	5.37
	Band5	47.00	97.00	59.88	5.85
	Band6	126.00	136.00	129.68	1.16
	Band7	17.00	53.00	24.78	3.79
OI:	irrigated land	[Blue]	792.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	63.00	90.00	75.05	4.76
	Band2	29.00	47.00	38.78	3.40
	Band3	28.00	63.00	45.58	7.30
	Band4	71.00	139.00	93.55	8.03
	Band5	55.00	148.00	105.58	19.37
	Band6	129.00	146.00	139.29	3.15
	Band7	20.00	75.00	49.25	11.56
ROI:	garden	[Yellow]	150.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	68.00	88.00	72.99	2.76
	Band2	32.00	45.00	35.79	1.61
	Band3	34.00	57.00	39.94	3.00
	Band4	71.00	85.00	78.61	2.65
	Band5	74.00	97.00	82.89	4.24
	Band6	134.00	143.00	138.13	1.98
	Band7	30.00	55.00	39.67	4.04
ROI:	grassland	[Cyan]	67.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	80.00	99.00	89.46	4.74
	Band2	47.00	59.00	53.24	3.10
	Band3	64.00	86.00	74.75	5.01
	Band4	81.00	98.00	88.43	4.14
	Band5	125.00	158.00	140.52	8.34
	Band6	151.00	161.00	157.21	2.06
	Band7	75.00	101.00	87.66	6.38
ROI:	forest	[Magenta]	657.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	54.00	109.00	68.25	12.51
	Band2	22.00	66.00	33.02	9.65
	Band3	18.00	93.00	38.08	16.94
	Band4	59.00	107.00	81.19	7.22
	Band5	47.00	146.00	80.94	23.77
	Band6	127.00	154.00	137.29	7.49
	Band7	14.00	89.00	38.29	18.71
ROI:	young forest	[Sea	Green]	446.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	89.00	122.00	106.37	5.47
	Band2	54.00	72.00	63.97	3.65
	Band3	74.00	108.00	93.50	6.47
	Band4	87.00	108.00	97.08	3.46
	Band5	130.00	180.00	159.48	9.62
	Band6	148.00	159.00	154.72	2.34
	Band7	79.00	122.00	104.27	8.37
ROI:	gravel desert	[Purple]	1826.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	89.00	103.00	95.21	1.92
	Band2	55.00	64.00	60.76	1.49
	Band3	82.00	100.00	92.84	3.10
	Band4	83.00	94.00	88.84	1.72
	Band5	155.00	177.00	167.12	4.22
	Band6	154.00	163.00	159.04	1.71
	Band7	101.00	122.00	113.77	3.77
ROI:	barren land	[Coral]	196.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	108.00	162.00	134.32	12.01
	Band2	64.00	90.00	75.61	5.64
	Band3	87.00	120.00	103.50	6.66
	Band4	80.00	115.00	98.34	6.82
	Band5	120.00	182.00	154.81	12.20
	Band6	135.00	157.00	145.03	6.48
	Band7	60.00	126.00	98.10	13.20
ROI:	barren	[Aquamarine]	10220.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	59.00	121.00	87.90	9.15
	Band2	23.00	73.00	46.12	8.02
	Band3	23.00	107.00	60.36	13.97
	Band4	20.00	107.00	59.87	14.90
	Band5	27.00	188.00	101.63	28.98
	Band6	129.00	166.00	147.10	7.73
	Band7	17.00	126.00	64.52	19.52
ROI:	prevention desert	[Maroon]	2124.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	78.00	107.00	95.65	4.22
	Band2	36.00	60.00	50.98	3.77
	Band3	40.00	90.00	68.75	7.20
	Band4	52.00	89.00	71.31	5.32
	Band5	68.00	168.00	129.55	15.78
	Band6	138.00	167.00	160.55	4.24
	Band7	33.00	115.00	84.39	12.62
ROI:	reservoir or pond	[Orchid]	2231.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	54.00	111.00	66.45	6.34
	Band2	20.00	53.00	30.63	4.62
	Band3	17.00	67.00	29.21	7.65
	Band4	10.00	85.00	29.44	15.72
	Band5	2.00	102.00	25.62	18.75
	Band6	119.00	158.00	126.50	4.63
	Band7	0.00	65.00	13.61	9.99
ROI:	stream	[Sienna]	4371.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	62.00	105.00	81.12	8.46
	Band2	29.00	56.00	42.63	3.44
	Band3	34.00	76.00	56.31	3.59
	Band4	29.00	75.00	38.65	3.47
	Band5	6.00	106.00	15.36	6.60
	Band6	113.00	143.00	119.96	2.68
	Band7	2.00	70.00	8.38	3.73
ROI:	industrial area	[Red1]	996.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	62.00	152.00	93.07	12.14
	Band2	23.00	77.00	44.58	6.87
	Band3	22.00	100.00	54.35	10.00
	Band4	17.00	92.00	52.05	10.11
	Band5	18.00	189.00	74.10	17.80
	Band6	134.00	159.00	148.73	4.43
	Band7	11.00	255.00	48.62	15.66
ROI:	town or village	[Thistle]	397.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	76.00	123.00	94.13	5.79
	Band2	38.00	68.00	52.05	3.93
	Band3	42.00	93.00	71.28	6.50
	Band4	62.00	92.00	78.48	3.87
	Band5	81.00	145.00	116.94	8.91
	Band6	138.00	147.00	142.46	1.59
	Band7	49.00	99.00	73.98	7.61
ROI:	facility agriculture land	[Red2]	1624.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	68.00	115.00	91.02	6.19
	Band2	32.00	59.00	49.38	3.78
	Band3	36.00	85.00	67.37	5.73
	Band4	51.00	84.00	68.11	5.32
	Band5	67.00	134.00	109.06	8.92
	Band6	135.00	151.00	142.58	3.13
	Band7	33.00	89.00	69.58	7.49
ROI:	town	[Chartreuse]	276.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	72.00	133.00	92.11	8.06
	Band2	32.00	71.00	45.35	5.37
	Band3	35.00	94.00	56.61	8.27
	Band4	36.00	90.00	54.17	7.87
	Band5	41.00	113.00	76.75	11.24
	Band6	137.00	149.00	143.63	2.51
	Band7	23.00	77.00	49.65	7.86
ROI:	road or railway	[Red3]	1461.00	points

Basic	Stats	Min	Max	Mean	Stdev
	Band1	55.00	119.00	92.36	9.49
	Band2	24.00	67.00	47.97	6.08
	Band3	20.00	91.00	61.13	10.20
	Band4	15.00	99.00	67.56	8.49
	Band5	42.00	164.00	94.30	17.19
	Band6	129.00	169.00	143.99	8.57
	Band7	21.00	110.00	58.13	13.64

【结果与分析】：16种地物中砾漠和水稻田的方差较小，裸岩和工业区的方差较大，这个原因和选取样本训练区时的目视解译有关系，裸岩选取的样本区过多，可能造成方差过大，除了盐碱地其余的地物在第五波段的方差都是最大的。道路在各波段反射率均较稳定，在热红外波段反射率较高，是由于道路的建筑材料以及频繁的车辆行驶，使得其有较高的温度，在热红外波段反射率高。沙漠和砾漠在可见光波段反射率较高，在近红外波段反射率达到高峰，它们具有相似的反射特征，沙漠在可见光近红外的反射率略高于砾漠。河流与坑塘有相同的反射率趋势，但是河流在可见光近红外波段的反射率略高于坑塘，是由于河流中还有较多的泥沙，反射率较大，就总体地物而言，水体的反射率最低。城镇及农村居民地以及工业地区反射率曲线相似，总体反射率比较高，可见光波段稳定，热红外波段反射率非常高，由于人类活动使城区及居民区有较高的温度。

二、统计样本可分性度量

1、Jeffries-Matusita

	11	12	20	30	31	32	33	4	52	51	61	62	71	72	73	53
11		2.00	2.00	2.00	1.98	2.00	2.00	1.88	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
12	2.00		1.81	1.99	1.77	2.00	2.00	1.90	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
20	2.00	1.81		1.99	1.22	2.00	2.00	1.75	2.00	2.00	1.99	2.00	2.00	2.00	2.00	2.00
30	2.00	1.99	1.99		1.73	1.98	1.74	1.93	2.00	2.00	1.91	2.00	1.98	1.79	1.95	1.99
31	1.98	1.77	1.22	1.73		2.00	1.99	1.69	2.00	2.00	1.96	2.00	2.00	1.99	1.99	2.00
32	2.00	2.00	2.00	1.98	2.00		2.00	1.99	2.00	2.00	2.00	2.00	2.00	1.80	1.98	2.00
33	2.00	2.00	2.00	1.74	1.99	2.00		2.00	2.00	2.00	1.96	2.00	1.99	1.90	1.98	2.00
4	1.88	1.90	1.75	1.93	1.69	1.99	2.00		1.98	2.00	1.11	1.65	2.00	1.66	1.97	1.64
52	2.00	2.00	2.00	2.00	2.00	2.00	2.00	1.98		2.00	2.00	2.00	2.00	2.00	2.00	2.00
51	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00		2.00	2.00	2.00	2.00	2.00	2.00
61	2.00	2.00	1.99	1.91	1.96	2.00	1.96	1.11	2.00	2.00		1.49	2.00	1.26	1.87	1.45
62	2.00	2.00	2.00	2.00	2.00	2.00	2.00	1.65	2.00	2.00	1.49		2.00	1.74	1.92	1.98
71	2.00	2.00	2.00	1.98	2.00	2.00	1.99	2.00	2.00	2.00	2.00	2.00		1.76	1.99	2.00
72	2.00	2.00	2.00	1.79	1.99	1.80	1.90	1.66	2.00	2.00	1.26	1.74	1.76		1.87	1.67
73	2.00	2.00	2.00	1.95	1.99	1.98	1.98	1.97	2.00	2.00	1.87	1.92	1.99	1.87		1.98
53	2.00	2.00	2.00	1.99	2.00	2.00	2.00	1.64	2.00	2.00	1.45	1.98	2.00	1.67	1.98

2、Transformed Divergence

	11	12	20	30	31	32	33	4	52	51	61	62	71	72	73	53
11		2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
12	2.00		1.97	2.00	1.99	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
20	2.00	1.97		2.00	1.74	2.00	2.00	1.98	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
30	2.00	2.00	2.00		1.99	2.00	1.96	2.00	2.00	2.00	1.98	2.00	2.00	1.99	2.00	2.00
31	2.00	1.99	1.74	1.99		2.00	2.00	1.98	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
32	2.00	2.00	2.00	2.00	2.00		2.00	2.00	2.00	2.00	2.00	2.00	2.00	1.99	2.00	2.00
33	2.00	2.00	2.00	1.96	2.00	2.00		2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00
4	2.00	2.00	1.98	2.00	1.98	2.00	2.00		2.00	2.00	1.54	1.84	2.00	1.97	2.00	1.96
52	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00		2.00	2.00	2.00	2.00	2.00	2.00	2.00
51	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00		2.00	2.00	2.00	2.00	2.00	2.00
61	2.00	2.00	2.00	1.98	2.00	2.00	2.00	1.54	2.00	2.00		1.72	2.00	1.51	1.98	1.65
62	2.00	2.00	2.00	2.00	2.00	2.00	2.00	1.84	2.00	2.00	1.72		2.00	1.95	1.99	2.00
71	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00		2.00	2.00	2.00
72	2.00	2.00	2.00	1.99	2.00	1.99	2.00	1.97	2.00	2.00	1.51	1.95	2.00		2.00	1.90
73	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	2.00	1.98	1.99	2.00	2.00		2.00
53	2.00	2.00	2.00	2.00	2.00	2.00	2.00	1.96	2.00	2.00	1.65	2.00	2.00	1.90	2.00

【结果与分析】：由于多数值都集中在1.9左右，为了区分没有将其只保留两位小数。根据J—M距离的定义，其值大于1.9则两种地物具有很好的可分性，若介于1.5到1.8之间，则需要重采样来重新计算其值，而如果小于1就可将两种地物合并为同一种地物。由导出的结果可以看出，大多数地物经过目视解译和监督分类后都具有很好的可分性，其中沙漠除了和砾漠的可分性较低外，与其余地物的值都接近2，值低于1.8的多数都是裸岩和其余地物，这是由于在选取裸岩的训练区时样本区选的过多，而且较分散，造成其和其余地物的类中心距离较近，从而使得J—M距离过低；再低于1.8的多数集中在公路铁路和其余地物之间，在选取公路铁路训练区时，用的是线型Poyline，由于在影像上公路铁路信息不是很明显，所以在选取的时候造成很大的误差；还有林地的误差也较大，这也和目视解译、选取训练区有很大的关系。

三、最大似然法

http://s2/middle/6060744a49f0b912c08b1&690

最大似然法分类结果

【结果与分析】：经过最大似然法的监督分类后，主要地物可以被分类出来，而且经过编号调整颜色后可以较清楚的看出大概的分类结果和各种主要地物的分布情况，但由于算法本身存在问题和在选取训练区时的人为因素造成很严重椒盐现象。

四、监督分类精度评价

	Overall Accuracy=(37631/41907)=89.80%
	Kappa Coefficient=0.8825
	Ground	Truth	(Pixels)
	Class	sandy desert	paddy land	irrigated land				garden			grassland
	Unclassified	0	0	4				0			0
	71 sandy desert	8644	0	0				0			0
	11 paddy land	0	4924	1				0			0
	12 irrigated land	0	1	758				0			0
	20 garden	0	0	5				147			0
	30 grassland	0	0	0				0			65
	31 forest	0	86	15				0			1
	33 young forest	19	0	0				0			1
	72 gravel desert	334	0	0				0			0
	73 barren land	3	0	0				0			0
	73 gravel	0	0	0				0			0
	32 prevention desert	0	0	0				0			0
	52 reservoir or pond	0	19	0				0			0
	51 stream	0	0	0				0			0
	62 industrial area	0	0	0				0			0
	61 village	0	0	4				0			0
	53 facility agriculture land	0	0	0				0			0
	61 town	0	0	0				0			0
	4 road or railway	0	43	5				3			0
	Total	9000	5073	792				150			67
Ground		Truth	(Pixels)
Class		forest	young forest	gravel desert		barren land			gravel
Unclassified		0	0	0		1			2
71 sandy desert		0	0	45		0			1
11 paddy land		5	0	0		0			0
12 irrigated land		2	0	0		0			2
20 garden		3	0	0		0			0
30 grassland		9	11	0		0			31
31 forest		617	1	0		0			20
33 young forest		5	429	17		4			143
72 gravel desert		0	1	1764		0			6
73 barren land		0	1	0		191			107
73 gravel		0	3	0		0			8338
32 prevention desert		0	0	0		0			205
52 reservoir or pond		3	0	0		0			21
51 stream		0	0	0		0			0
62 industrial area		0	0	0		0			270
61 village		2	0	0		0			58
53 facility agriculture land		0	0	0		0			340
61 town		0	0	0		0			513
4 road or railway		11	0	0		0			163
Total		657	446	1826		196			10220
Ground		Truth	(Pixels)
Class		prevention desert	reservoir or pond	stream		industrial area			village
Unclassified		0	8	28		13			0
71 sandy desert		0	0	0		0			0
11 paddy land		0	4	0		0			0
12 irrigated land		0	0	0		0			4
20 garden		0	0	0		0			0
30 grassland		0	0	0		0			0
31 forest		0	0	0		8			8
33 young forest		2	0	0		0			0
72 gravel desert		1	0	0		0			0
73 barren land		0	0	0		1			1
73 gravel		15	11	0		40			2
32 prevention desert		1995	0	0		0			0
52 reservoir or pond		0	2099	3		0			0
51 stream		0	0	4319		0			0
62 industrial area		12	34	1		578			0
61 village		0	0	0		2			356
53 facility agriculture land		0	5	0		0			20
61 town		0	0	2		252			1
4 road or railway		99	70	18		102			5
Total		2124	2231	4371		996			397
Ground		Truth	(Pixels)
Class		facility agriculture land	town	road or railway		Total
Unclassified		0	0	0		56
71 sandy desert		0	0	2		8692
11 paddy land		0	0	23		4957
12 irrigated land		0	0	15		782
20 garden		2	0	13		170
30 grassland		0	0	0		116
31 forest		3	0	41		800
33 young forest		0	0	2		622
72 gravel desert		0	0	1		2107
73 barren land		0	0	1		305
73 gravel		34	8	95		8546
32 prevention desert		0	0	46		2246
52 reservoir or pond		0	2	29		2176
51 stream		0	0	0		4319
62 industrial area		5	16	33		949
61 village		137	0	74		633
53 facility agriculture land		1400	2	89		1856
61 town		5	236	226		1235
4 road or railway		38	12	771		1340
Total		1624	276	1461		41907
Ground		Truth	(Percent)
Class		sandy desert	paddy land		irrigated land		garden			grassland
Unclassified		0	0		0.51		0			0
71 sandy desert		96.04	0		0		0			0
11 paddy land		0	97.06		0.13		0			0
12 irrigated land		0	0.02		95.71		0			0
20 garden		0	0		0.63		98			0
30 grassland		0	0		0		0			97.01
31 forest		0	1.7		1.89		0			1.49
33 young forest		0.21	0		0		0			1.49
72 gravel desert		3.71	0		0		0			0
73 barren land		0.03	0		0		0			0
73 gravel		0	0		0		0			0
32 prevention desert		0	0		0		0			0
52 reservoir or pond		0	0.37		0		0			0
51 stream		0	0		0		0			0
62 industrial area		0	0		0		0			0
61 village		0	0		0.51		0			0
53 facility agriculture land		0	0		0		0			0
61 town		0	0		0		0			0
4 road or railway		0	0.85		0.63		2			0

【结果与分析】：由错分、漏分数据可以得出和之前的可分性度量量一致，其中被错分、漏分的最多的是裸岩，其次是工业区、公路铁路，裸岩错分、漏分很大程度上是由于在选取训练区时样本区过多，且较分散，其余的地物是由于本身就存在不好分性，特别是工业区和城镇居民地，所以造成错漏分的像元很多。

五、制图精度和用户精度：

Class	Prod Acc.	User Acc.	Prod Acc.	User Acc.
	(Percent)	(Percent)	(Pixels)	(Pixels)
71 sandy desert	96.04	99.45	8644/9000	8644/8692
11paddy land	97.06	99.33	4924/5073	4924/4957
12 irrigated land	95.71	96.93	758/792	758/782
20 garden	98	86.47	147/150	147/170
30 grassland	97.01	56.03	65/67	65/116
31 forest	93.91	77.13	617/657	617/800
33 young forest	96.19	68.97	429/446	429/622
72 gravel desert	96.6	83.72	1764/1826	1764/2107
73 barren land	97.45	62.62	191/196	191/305
73 barren	81.59	97.57	8338/10220	8338/8546
32 prevention desert	93.93	88.82	1995/2124	1995/2246
52 reservoir or pond	94.08	96.46	2099/2231	2099/2176
51 stream	98.81	100	4319/4371	4319/4319
62 industrial area	58.03	60.91	578/996	578/949
61 village	89.67	56.24	356/397	356/633
53 facility agriculture land	86.21	75.43	1400/1624	1400/1856
61 town	85.51	19.11	236/276	236/1235
4 road or railway	52.77	57.54	771/1461	771/1340

【结果与分析】:植被整体漏粉和错分现象比较少；道路，居民地，设施农用地好多漏分和错分现象，好多砾漠也被错分到居民地中。

六、主要/次要分析

http://s14/middle/6060744a49f0b95d29f6d&690

主要分析次要分析

【结果与分析】：影像椒盐现象比较严重，所以需对监督分类后结果进行处理。上述两图采用的是主/次成分分析法。可以看出，进行主要分析后的影像效果较好，椒盐现象得到一定程度的避免；但是，利用次要分析处理后的影像，椒盐现象不但没有得到处理，而且进一步加重，各地物分类更加破碎，所以，在去除椒盐现象时，可以采用最大距离法。

七、类别集群：

http://s13/middle/6060744a49f0b9896c90c&690

经过类别处理后的影像效果

【结果与分析】：经过类别集群处理后，地物侵蚀现象比较明显，尤其是沙漠地区，砾漠更多，防护林变的比较少。

八、类被筛选

http://s1/middle/6060744a49f0b9b1f6170&690

最领域是4 最领域是8

【结果与分析】：类别删选选的处理使得影像更为破碎，出现了更多的黑点，椒盐现象更明显。但是该功能便于处理孤岛问题。本功能选用了4领域和8领域值进行比较，可知随着参与运算的领域增加，影像变得比较平滑。

九、非监督分类：

http://s1/middle/6060744a49f0b9e807a80&690

非监督分类结果

【结果与分析】：非监督分类，根据地物不同的光谱特征，将其分成30类，然后对其进行识别分类，最终合成为9类。非监督分类并不能将地物明显区分，很多植被都被分在一；水库和坑塘也没有明确区分；沙漠和砾漠也是没有明显区别；并且城镇居民地和工厂也有很多的错分。

存在问题与解决办法

1、进行训练样本数据采集时，由于采集的地方选取的不是很适当，以及部分地物的采集所用的方法有些不恰当，使得后面的地物的并不是很高，如城镇居民区、道路、工业区选区时很多次都是没能有效分开；还有就是有的地物本身光谱信息特征就比较接近，不好分，比如园地、林地之间的区分的难度很大。对与可分度不高的地物，经过多次的调整后尽可能使他们符合要求，不过还是没能把园地、林地有效区分。

2、对J—M距离、分散度理解还是不够，具体在这个计算过程中遇到的问题还是不能有效解决，对于如何有效避免错分和漏分还是不很清楚。

3、在进行非监督分类时，有些地物颜色一致，不便于地物的合并，只能将占地面积大的地物作为地物类别，所以分类有些不精确。

总结

本次实习完成的时间较长，主要是在选取训练区的时候和处理数据的过程中有不少问题，有些是因为操作不是很熟练，也有的是数据中地物的辨别度不高的原因，更目视解译过程也有很大关系。

同时，通过实习的操作过程，对监督分类和非监督分类的原理有了更深入的理解。根据各种不同分类的效果，能够很好的知道不同分类方法的各自的有点和缺点。

阅读┊ 收藏 ┊ 喜欢 ▼ ┊打印┊举报/Report

前一篇：地表反射率、温度的反演以及植被指数的计算

后一篇：数字沙盘制作

新浪BLOG意见反馈留言板　欢迎批评指正