监督分类算法

4.2 监督分类

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。其一般过程如图4-5所示：

图4-5监督分类一般流程

4.2.1 训练样本的选择

（1）在主菜单中，选择File→Open Image File，打开分类图像；

（2）选择图像视图窗口菜单Overlay→Region of Interest命令；

（3）在Image视图窗口中选择Overlay→Region of Interest。在ROI Tool窗口中，选择

ROI_Type→Polygon；

（4）在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘

制一个多边形区域，然后右键单击两次结束,并在ROI Name中定义其类型。依

ARCGIS监督分类

接下来，我们具体来看看监督分类的具体操作步骤： 首先把我们要分析的数据图片转成tiff格式，

打开ARCGIS程序添加转好的tiff格式位图，点击添加图标

弹出如下图所示对话框：选择我们要分析的tiff格式位图

点击Add(添加）弹出如下图所示对话框：点击Yes按钮加载完成，

点击工具栏

红圈所示图标，弹出如下图所示的工具例表：

选择Spatial analyst tools→Multivariate→Iso Cluster双击Iso Cluster弹出如下图所示对话框：Input raster bands(输入带有形壮的删格图像）点击下拉列表选择我们刚加载的图， 如下图红圈所示：

图（1-1）

Output signature file:这个里面是一个分析规则，我们下一步要用的，所以复制一下.

Number of classes:（最大分为几类）我们一般选7就OK了，如果还有更多种类，也可以自由选择别的数字。 Number of iterations:默认 Minimum class size:默认 Sample interval:默认

设好如图（1-1）点

路由算法是路由协议必须高效地提供其功能，尽量减少软件和应用的开销。 路由器使用路由算法来找到到达目的地的最佳路由。

关于路由器如何收集网络的结构信息以及对之进行分析来确定最佳路由，有两种主要的路由算法： 总体式路由算法和分散式路由算法。采用分散式路由算法时，每个路由器只有与它直接相连的路由器的信息——而没有网络中的每个路由器的信息。这些算法也被称为DV（距离向量）算法。采用总体式路由算法时，每个路由器都拥有网络中所有其他路由器的全部信息以及网络的流量状态。这些算法也被称为LS（链路状态）算法。

收敛是在最佳路径的判断上所有路由器达到一致的过程。当某个网络事件引起路由可用或不可用时，路由器就发出更新信息。路由更新信息遍及整个网络，引发重新计算最佳路径，最终达到所有路由器一致公认的最佳路径。收敛慢的路由算法会造成路径循环或网络中断。

路由算法的核心是路由选择算法，设计路由算法时要考虑的技术要素有：

1、选择最短路由还是最佳路由；

2、通信子网是采用虚电路操作方式还是采用数据报的操作方式； 3、采用分布式路由算法还是采用集中式路由算法；

4、考虑关于网络拓扑、流量和延迟等网络信息的来源；

5、确定采用静态路由还是动态路由。

各路由算法的区别点包括：静态与动态

envi遥感图像监督分类

监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：

详细操作步骤

第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

遥感图像处理软件下载就上遥感集市

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择

ENVI监督分类中不让图像背景参与分类

(2013-05-29 08:47:25)

当分类图像是不规则的（如下图所示），图像会有部分像元作为背景（常常像素值为0或者255），对这个图像进行监督/非监督分类时，背景像元也会参与分类，会对结果产生影响。

图1：不规则图像及分类结果

解决方法就是在进行分类时候选择一个掩膜文件，下面介绍方法：

注：掩膜文件就是一个0、1的二值图像，可以用矢量、roi、像元值范围、nan/inf特殊值等方法生成。原理就是用这个二值图像与待分类图像相乘。

掩膜文件可以使用Basic tool->masking->build masking先生成，也可以在监督/非监督分类时候生成，这里选择在分类时候生成。

(1) 选择在ROI tool中选择好分类样本。

(2) 主菜单下选择Classification->Supervised->Maximum Likelihood，打开Classification

Input File面板。 (3) 为了不让背景参与分类，使用掩膜文件设置分类区域。在Classification Input File

面板中，选择Mask Options->Build

论述监督分类与非监督分类却别与联系，及各自

优缺点

监督分类：首先需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。

非监督分类：在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。 区别与联系：

根本区别在于是否利用训练场地来获取先验的类别知识。

非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。

? 监督分类常常用于对分类区比较了解情况下,要求用户控制.

? 1)选择可以识别或可以断定其类型的像元建立模板,然后基于该模板使系统自动识别具有相同特征的像元.

? 2)对分类

实验报告

题目：监督分类

姓名： 学号： 日期：

一、实验目的

理解计算机图像分类的基本原理以及监督分类的过程，运用ERDAS软件达到能熟练地对遥感图像进行监督分类的目的。

二、监督分类原理

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

1）平行六面体法

在多波段遥感图像分类过程中，对于被分类的每一个类别，在各个波段维上都要选取一个变差范围的识别窗口，形成一个平行六面体，如果有多个类别，则形成多个平行六边形，所有属于各个类别的多维空间点也分别落入各自的多维平行六面体空间。

2）最小距离法

使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类。

3）最大似然法

监督分类实验报告

1100900028 孙淑蕊

一、实验原理：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。

二、实验目的：1、理解监督分类方法的基本原理；

2、掌握利用ERDAS进行监督分类的操作流程； 3、了解分类后评价过程。 三、实验内容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。 四、实验步骤：

1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。

2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、3、2。

3、在Viewer视窗中显示待分类图像。打开Classification，选择Signature Editor，打开分类模板编辑器。

4、选择Signature Editor窗口的View中的Column，在弹出的View Signature Columns对话框中选择需要显示的字段。

5、在Viewer中点击

图标，打开Raster工具面板。

6、单击面板中的

图标，在打开的图像中选择水体区域，绘制一个多边形AOI。

7、在Signa

TM影像的非监督分类

1、首先打开ENVI Classic，然后点击File/open image file打开待分类影像Can_tmr.img （这里以ENVI自带的参考影像为例），选择RGB波段5-4-3，然后load RGB显示图像，之后选择进行影像分析，大体上估计影像主要类别的数量。一般非监督分类的分类数量比最终分类数量多2—3倍为宜，这样有利于提高分类精度。

2、然后进行非监督分类，选择主菜单Classification /Unsupervised 然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的Classification Input File对话框中选择Can_tmr.img ，如下图；

注：分类器的选择——

IsoData重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据新均值，对像元进行再分类。

K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的，然后迭代地重新配置他们，完成分类过程。 3、点击ok，弹出ISODATA Paramenters对话

TM影像的非监督分类

1、首先打开ENVI Classic，然后点击File/open image file打开待分类影像Can_tmr.img （这里以ENVI自带的参考影像为例），选择RGB波段5-4-3，然后load RGB显示图像，之后选择进行影像分析，大体上估计影像主要类别的数量。一般非监督分类的分类数量比最终分类数量多2—3倍为宜，这样有利于提高分类精度。

2、然后进行非监督分类，选择主菜单Classification /Unsupervised 然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的Classification Input File对话框中选择Can_tmr.img ，如下图；

注：分类器的选择——

IsoData重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据新均值，对像元进行再分类。

K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的，然后迭代地重新配置他们，完成分类过程。 3、点击ok，弹出ISODATA Paramenters对话