遥感数字图像分类：非监督与监督实验详解

"遥感数字图像分类是对遥感影像数据进行解析的重要手段，涉及无监督分类和监督分类两种主要方法。本实验旨在让学习者掌握这两种分类方式的实践操作，并理解其在实际应用中的作用。实验中使用了ERDAS软件进行图像处理，通过LANDSAT卫星全影像对某一地区的土地利用情况进行划分和评价。实验过程涵盖了从分类前的准备到分类后的评估，以及色彩重定义和栅格矢量转换等多个环节。" 遥感数字图像分类是遥感技术的核心部分，用于识别和解析遥感影像中的不同地物类型。无监督分类和监督分类是两种主要的分类方法。 无监督分类是一种数据驱动的方法，它不依赖于先验知识，而是基于图像像素的相似性进行聚类。在实验中，无监督分类包括以下步骤： 1. 初始分类：使用ERDAS的"Unsupervised classification"功能，根据图像统计值生成初始类别。 2. 专题判断：通过编辑类别颜色和名称，对分类结果进行初步判断。 3. 分类后处理：运用聚类统计、过滤分析等技术优化分类效果。 4. 色彩重定义：调整分类图的色彩方案，提高视觉效果。 5. 栅格矢量转换：将分类结果转换为矢量数据，便于地理信息系统(GIS)的进一步分析。 监督分类则依赖于已知的地物样本（训练区），通过定义分类模板来指导分类过程： 1. 定义分类模板：使用AOI工具获取训练区信息，创建模板。 2. 评价分类模板：通过分类预警和可能性矩阵等工具评估模板质量。 3. 进行监督分类：依据模板对图像进行分类。 4. 评价分类结果：利用特征对象和特征空间到图像掩膜等工具分析分类准确性。 实验原理强调了利用ERDAS软件进行图像处理的各种工具和技术，如对比显示、聚类统计和分类模板定义等，这些都是提高分类精度的关键。同时，实验中还建议通过Google Earth与实验用图对比，确保分类结果的地理定位准确，以及各类土地类型的正确识别。 在实际操作中，无监督分类的初始分类数通常会设定得较高，以便捕捉更多的潜在类别，之后再通过后处理减少类别数量。监督分类则更注重模板的质量，通过不断评估和调整，以达到最佳的分类效果。 遥感数字图像分类不仅涉及到技术操作，还包括了对地理信息的理解和分析，是遥感数据分析的重要组成部分。通过本次实验，参与者将能够深入理解和熟练应用这些方法，提升在实际问题解决中的能力。