遥感图像分类实践:ERDAS非监督与监督分类

需积分: 9 4 下载量 23 浏览量 更新于2024-09-10 收藏 278KB DOC 举报
"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。