遥感图像分类实践：ERDAS非监督与监督分类

"遥感图像的分类实验报告，旨在让学生掌握遥感数字图像的监督与非监督分类方法，理解解译标志的选择与使用。实验使用ERDAS IMAGINE 9.2软件，涉及非监督分类的初始聚类操作，包括设置输入输出文件、选择分类模板、设定聚类参数等步骤。" 遥感图像分类是遥感领域中的核心任务之一，主要用于识别和区分图像中的不同地物类型。遥感图像分类主要分为两类：监督分类和非监督分类。 1. **监督分类**： 监督分类是基于已知训练样本进行的分类。首先，选择具有代表性的地物样本作为训练点，这些训练点提供了每个类别特征的信息。然后，分类算法会根据这些训练点的特征建立模型，以此来识别和分类整个图像中的其他像素。这种方法依赖于准确的训练数据，分类结果通常较为精确。 2. **非监督分类**： 非监督分类则不依赖于预先定义的类别信息。它通过分析图像像素之间的相似性，自动生成聚类或类别。在这个过程中，系统会根据像素间的统计关系自动进行聚类。例如，在ERDAS IMAGINE软件中，可以使用Unsupervised Classification模块，选择Initialize from Statistics或Use Signature Means方法来开始聚类。聚类数目的设定是关键，通常会设置得比预期类别多，以便后期合并相似类别。 实验中，学生使用ERDAS IMAGINE 9.2进行非监督分类，具体步骤包括设置输入栅格文件、输出文件、分类模板文件，选择聚类方法，设定聚类数，以及调整ISODATA参数和颜色方案。通过这个过程，学生能够深入理解解译标志的选取，即如何根据图像特征来识别和定义地物类别。 解译标志是帮助识别地物的重要依据，它们可以是地物的颜色、纹理、形状、大小、位置等多种特性。在遥感图像分类中，选择合适的解译标志能提高分类精度和效率。 实验的目的不仅在于掌握分类技术，还在于培养学生的综合分析能力和实践经验，使他们能够在实际工作中灵活运用这些方法，处理复杂的遥感图像数据。通过这样的实验学习，学生能够全面理解遥感图像处理的各个环节，从而提升其在测绘与地理科学领域的专业素养。