发布时间 : 星期一 文章监督分类 实验报告 - 图文更新完毕开始阅读c3b4005a852458fb770b5670
实验十遥感图像的分类—非监督分类
原理及方法简介
非监督分类运用 1SODATA（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，常常用于对分类区没有什么了解的情况。
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、栅格矢量转换和统计分析等。
一． 实验目的
1、熟悉非监督分类方法的含义。 2、
掌握在ERDAS软件中进行非监督分类的操作方法。
二．实验内容
利用ERDAS软件的分类模块，对TM影像进行非监督分类，将图像中的植被、水体、城镇等地物特征提取出来。
实验数据：实验十\\TM_bjcity.img
三． 实验步骤
步骤一：在ERDAS主界面中点击Classifier图标，选择C1assification（分类）→Unsupervised Classification（非监督分类）菜单，启动非监督分类，出现unsupervised classification对话框，
步骤二：在UnsupervisedClassification对话框中确定输入文件：实验十\\tm_bjcity.img、输出文件名为：实验十\\tm_bjcity_unsuperclass.img，确定Number of Classes（初始分类数）为8，定义Maximum Iterations（最大循环次数）为6，Convergence Threshold（收敛域值）设置为0.95，在Color Scheme Options（颜色方案选择）可以选择采用灰度或彩色来输出图像。点击OK进行非监督分类。
步骤三：获得一个初步的分类结果以后，可以应用叠加方法来评价检查分类精度，即：在视窗中同时显示分类前后的两个图像。在视窗菜单中选择Utility→flicker（闪烁），弹出viewer Flicker对话框，选择Auto Mode，设置分类图像在原图像背景上闪烁，观察它与背景图像之间的关系从而断定该类别的专题意义，并分析分类结果是否准确。
在视窗的菜单中点击Raster→Raster Attribute Editor，在Raster Attribute Editor对话框，点击刚才分析类别的ROW字段从而选择该类别；
点击该类别的Class Names字段，输入其专题名称（如居民区），并按回车键确定；
如上，黑色的是水体，白色的是云，鲜红的是耕地，深红的是林地，蓝色的是城镇。
感想：
通过这两次的实验，让我明白了监督分类和非监督分类的不同，以及他们各自的优缺点。并且能够目视解疑图象，这点是对理论课学习的一个很好的检验。也能自己独立的完成一些图像的处理。所以我很开心。希望自己在以后的实验课中可以学习到更多的内容。
并且也深刻的明白了处理图像时一定要细心并且有恒心，就像我自己第一次做实验九时不够细心，所以我没有一次完成。
通过这几次的实验课，我学到了很多，希望自己处理图像越来越好，也对理论的学习更加深刻。