《遥感数字图像处理》实验指导书.doc

《《遥感数字图像处理》实验指导书.doc》由会员分享，可在线阅读，更多相关《《遥感数字图像处理》实验指导书.doc（36页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、遥感信息技术课程组2005遥感数字图像处理实验一、遥感图像处理软件介绍（2学时，验证性）实验二、遥感图像辐射增强（2学时，验证性）实验三、遥感图像空间增强（2学时，验证性）实验四、遥感图像光谱增强（2学时，验证性）实验五、遥感图像非监督分类（2学时，设计性）实验六、遥感图像监督分类（2学时，设计性）实验七、遥感图像专家分类（2学时，设计性）实验八、遥感图像分析（2学时，设计性）实验九、遥感图像空间建模（2学时，设计性）实验十、遥感图像几何校正（4学时，设计性）实验十一、遥感影像制图（2学时，设计性）实验一、遥感图像处理软件介绍ERDAS Imagine遥感图像处理软件简介国外常用的ERDAS、

2、PCI、ENVI、ER-MAPPER及国内的GEOIMAGE等商业化软件。1 ERDAS IMAGINE软件概述ERDAS IMAGINE是以模块化的方式提供给用户的，用户可以根据自己的应用要求，资金状况合理地选择不同功能模块及其组合，对系统进行裁剪，以便充分利用软硬件资源，最大限度地满足专业应用要求。ERDAS IMAGINE面向不同需求的用户，对于系统的扩展功能采用开放的体系结构，以IMAGINE Essentials、IMAGINE Advantage、IMAGINE Professional的形式为用户提供了低、中、高3档产品架构，并有丰富的功能扩展模块提供用户选择，使产品模块的组合具

3、有极大的灵活性。1）IMAGINE Essentials级IMAGINE Essentials是一个花费较少、包括有制图和可视化核心功能的图像工具软件。利用该软件，可完成图像的二维三维显示、数据输人、排序与管理、地图配准、专题制图及简单的分析。可以集成使用多种数据类型，并易于升级到其他ERDAS公司的产品。其主要内容有：l 数据的输人与输出；l 影像库管理；l 图像处理几何校正；l 影像矢量编辑；l 非监督分类（ISoDATA）；l 三维可视化；l 专题地图生产。可扩充的模块如下：（1）vector模块。直接采用GIS工业界领袖ESRI公司的Arcinfo数据结构Coverage，可以建立、显

4、示、编辑和查询Coverage，完成拓扑关系的建立和修改，实现矢量图形和栅格图像的双向转换等。（2）Virtual CIS模块。功能强大的三维可视化分析工具，可以完成实时3D飞行模拟，建立虚拟世界，进行空间视域分析，矢量与栅格的三维叠加，空间GIS分析等。（3）Developers Toolkit模块。ERDAS IMAGINE的C语言开发包，包含了几百个函数，是ERDAS IMACINE客户化的基础。2）IMAGINE Advantage 级建立于IMAGINE Essentials级基础之上，增加了更加丰富的栅格图像GIS分析和单张航片正射校正等强大功能的软件。IMAGINE Advant

5、age为用户提供了灵活可靠的用于栅格分析、正射校正、地形编辑及图像拼接工具。简而言之，IMAGINE Advantage是一个完整的图像地理信息系统（imaging GIS）。其主要内容有：l 正射纠正（航片、卫片、传感器参数）；l 大比例尺镶嵌工具（定义切割线、灰度匹配）；l 影像解译：高光谱处理功能（Normalize，IARLogAverageRescale，信噪比分析，剖面图分析等）；GIS分析区域属性（Zonal Attributes），Search，Index，Overlay和Matrix等；影像融合（4种方法）；高级RCB聚类；傅里叶正反变换频域滤波。l DEM表面生成（Cove

6、rage，ASC II，Image）应用计算；l 专家分类器。可扩充的模块有：（1）Radar模块。完成雷达图像的基本处理，包括亮度调整、斑点噪声消除、纹理分析、边缘提取等功能。（2）OrthoMAX模块。全功能、高性能的数字航测软件，依据立体像对进行正射校正，自动DEM提取，立体地形显示及浮动光标形式的DEM交互编辑等。（3）OrthoBase模块。区域数字摄影测量模块、用于航空影像的空三测量和正射校正。（4）Ortho Radar模块。可以对Radarsat、ERS雷达图像进行地理编码、正射校正等处理。（5）StereoSAR DEM模块。采用类似于立体测量的方法，从雷达图像数据中提取DE

7、M。（6）IFSAR DEM模块。采用干涉方法，以像对为基础从雷达图像数据中提取DEM。（7）ACTOR模块。用于大气因子校正和雾曦消除。3）IMAGINE Professional级IMAGINE Professional面向从事复杂分析、需要最新和最全面处理的工具、经验丰富的专业用户。除了Essentials和Advantage中包含的功能以外，IMAGINE Professional还提供轻松易用的空间建模工具，高级的参数非参数分类器，知识工程师和专家分类器，分类优化和精度评价及雷达图像分析工具。其主要功能如下：l 图解建模工具（graphical modeling）：支持矢量集成；实时

8、在模型上查询输入。l 高级分类系列工具（模糊分类、专家分类器及知识库建立工具）。l 内置雷达图像处理（斑点噪声压缩、纹理分析、与多光谱的融合、斜地距的校正等）。可扩充的模块如下：Subpixel Classifier模块。子像元分类器利用先进的算法对多光谱图像进行信息提取，可达到提取混合像元中占20以上物质的目标。4）IMAGINE动态连接库ERDAS IMAGINE中支持动态连接库（DLL）的体系结构，支持目标共享技术和面向目标的设计开发，提供一种无需对系统进行编译连接而向系统加人新功能的手段，并提供在特定的项目中裁剪这些扩充的功能。动态连接库有：（1）图像格式DLL。提供对多种图像格式文件

9、无需转换的直接访问，从而提高易用性和节省磁盘空间。支持的图像格式包括：IMAGINE、GRID、LANGIS、TIF（GEOTIFF）、GIF、JPG（JPEG）、FIT和原始二进制格式。（2）地形模型DLL。提供新类型的校正和定标（Calibration），从而支持基于传感器平台的校正模型和用户裁剪的模型。这部分模型包括：Affine、Polynomial、Rubber sheeting、TM、SPOT、Single Frame Camera等。（3）字体DLL库。提供字体的裁剪和直接访问，从而支持专业制图应用，非拉丁语系国家字符集和商业公司开发的上千种字体。2 ERDAS IMAGINE的

10、启动和退出在Windows系统中，点击“开始”“程序”ERDAS IMAGINE8.4ERDAS IMAGINE8.4按钮，即可启动IMAGINE。启动IMAGINE后，有一个短暂的初始化过程。而后，IMAGINE图标控制面板（见图1.1）即可出现并自动打开一个viewer视窗。图1.1 IMAGINE的图标控制面板在Session菜单中选择Exit IMAGINE或在键盘上按CtrlQ键，可以退出ERDAS IMAGINE，并关闭所有打开的显示窗曰。3 ERDAS IMAGINE系统简介启动ERDAS IMAGINE以后，用户首先看到的就是ERDAS IMAGINE的图标面板（icon pa

11、nel），包括菜单条（menu bar）和工具条（tool bar）两部分，其中提供了启动ERDAS IMAGINE软件模块的全部菜单和图标。1）菜单命令及其功能（menu）如图1.1所示，ERDAS IMAGINE图标面板菜单中包括5项下拉菜单，每个菜单由一系列命令或选择项组成，其主要功能见表1.1。表1.1 ERDAS IMAGINE图标面板菜单条2）工具图标及其功能（Icon）与IMAGINE Professional级对应的图标面板工具条中的图标有10个，除了IMAGINE Professional级的功能外，还简要介绍了两个重要的扩展模块vector模块和virtual GIS模块，

12、共12个图标（见表1.2）。表1.2 ERDAS IMAGINE图标面板工具条4 ERDAS IMAGINE主要功能简介点击功能图标按钮，即可启动相应的功能模块。下面介绍工具条各主要功能图标的内容，即点击图标按钮后弹出的菜单包括的各个命令。1）视窗viewer功能视窗是在屏幕上打开的一个显示窗口，用来显示、浏览图像、矢量图形、注记文件、AOI（感兴趣区域）等数据层。每次启动ERDAS IMAGINE时，系统都会自动打开一个视窗。每次点击视窗功能（viewer）按钮，就有一个视窗出现。可以在视窗内对图像进行各种处理操作（图1.2）。图1.2 viewer视窗2）输入输出模块启动输人输出模块，弹出

13、下面的对话框（如图1.3所示）。图1.3 ImportExport对话框此模块允许用户输人栅格和矢量数据到IMAGINE中，并可输出文件。在这个对话框的下拉列表中完整地列出了ERDAS支持的各种输人输出格式。3）数据预处理模块启动数据预处理模块，弹出数据预处理菜单条，其功能见表1.3所示。表1.3 数据预处理（data proparation）模块主要功能4）专题制图模块启动专题制图模块，弹出专题制图菜单条，其功能如表1.4所示。表1.4 专题制图（map composer）模块主要功能5）图像解译模块启动图像解译模块，弹出图像解译菜单条，其功能如表1.5所示。表1.5 图像解译（image

14、interpreter）模块主要功能工具6）影像数据库模块启动影像数据库模块，弹出影像数据库视窗（如图1.4所示）。图1.4 影像数据库视窗7）图像分类模块启动图像分类模块，弹出图像分类菜单条，其功能如表1.6所示。表1.6 图像分类（image classification）模块主要功能样本 8）空间建模模块启动空间建模模块，弹出空间建模菜单条，其功能如表1.7所示。表1.7 空间建模（spatial modeler）模块主要功能9）雷达模块启动雷达模块，弹出雷达模块菜单条，其功能如表1.8所示。表1.8 雷达（radar）模块主要功能10）矢量模块启动矢量模块，弹出矢量模块菜单条，其功能如

15、表1.9所示。表1.9 矢量（vector utilities）模块主要功能11）虚拟GIS模块启动虚拟GIS模块，弹出虚拟GIS模块菜单条，其功能如表1.10所示。表1.10 虚拟GIS（virtual GIS）模块主要功能目的要求1）了解遥感图像处理软件Erdas Imagine的主要特点和功能模块；2）初步掌握遥感图像处理软件Erdas Imagine的使用方法；3）认识遥感图像的基本结构，了解数字图像。实习步骤1） 运行遥感图像处理软件Erdas Imagine；2） 观察其功能模块构成；3） 介绍图像显示视窗模块，观察遥感数字图像特征；4） 介绍数据输入输出模块；5） 介绍数据预处理

16、模块；6） 介绍数字图像解译模块；7） 介绍分类模块。实验二、遥感图像辐射增强（2学时）原理与方法简介辐射增强（Radiometric Enhancement）处理影像中单个像元值，通过改变图像像元的亮度值来改善图像质量或突出某些灰阶像元。对一个波段所作的辐射增强处理可能并不适合于其它波段，因此，对多波段影像进行辐射增强时可以将它们按一系列独立的单波段影像考虑。一般而言，辐射增强不会使每一个像元的对比度都增强，有些像元的对比度会增强，而其它的则会减弱。（1）对比度拉伸（contrast stretching）利用某一线性或非线性函数，将原始影像数据从较窄的灰阶段扩展到较大的灰阶范围（通常是显示

17、器能够显示的全部范围，即0-255）。根据变换函数的性质和处理方法，对比度拉伸有以下常见类型：线性对比度拉伸、分段线性对比度拉伸、非线性指数对比度拉伸、非线性对数对比度拉伸。在对影像进行对比度拉伸时，通常先对影像数据进行统计，得出其像元灰度平均值、标准方差及其它的统计量，利用平均值上下两个标准方差的数据值作为起始和终止灰阶。在图像数据正态分布的情况下，这个范围的数据一般占影像数据总量的95%左右。（2）直方图均衡化（histogram equalization）直方图均衡化是一种非线性拉伸，通过将某一范围内的像元值进行重新分配，使每个灰度值的像元数接近一致，这样一来，直方图峰值部分的像元对比度

18、将增加，而两侧像元对比度将减小。Figure2.1 Histogram Equalization直方图均衡化所产生的辐射增强的效果是使原影像直方图中的峰值部分对比度增大，而“尾部”像元对比度减小，这常常使输入影像中最暗和最亮的部分丢失。（3）灰度分割（Level slice）灰度分割类似于直方图均衡化，该方法将数据文件值按一定的规律划分成若干不连续的灰阶段，每一灰阶段中灰阶数相等，源影像中每一灰阶段的数据组成一组，并赋予一个输出亮度值。（4）亮度反转（brightness inversion）先将输入数据文件值范围（一般为0-255）变换成0-1，通过亮度反转变换后再转回到0-255范围。亮度

19、反转对强调低值像元域的细节有特殊效果。DNout=1.0, 0DNin0.1DNout=0.1/DNin, 0.1DNin1目的要求学习掌握图像对比度拉伸、直方图均衡化、亮度反转等辐射增强方法。实习步骤1） 在Erdas Imagine中打开一个视窗（View），加载一幅陆地卫星影像，观察波段组合所引起的各种变化；2） 从Raster下拉菜单中选择Contrast子菜单中的General Contrast，在其弹出对话框中可以完成一系列的图像拉伸运算，包括对比度拉伸、直方图均衡化和亮度反转等等；Spatial Enhancement空间增强Radiometric Enhancement辐射增强

20、Spectral Enhancement光谱增强直方图均衡化标准方差拉伸高斯拉伸线形拉伸Gamma拉伸最小、最大值拉伸灰度分割常数值亮度反转实验三、遥感图像空间增强原理与方法简介辐射增强是基于每一独立像素的操作，而空间增强（Spatial Enhancement）则是基于周边像元值而作的像元值的修改。空间增强处理的主要是空间频率（spatial frequency），空间频率是指相邻像素之间最大值和最小值之间的差值。Jensen（1986）将空间频率定义为：单位距离内亮度值的变化量。Figure 3.1 Spatial Frequencies在Figure3.1中，左为零空间频率，中为低空间频

21、率，右为高空间频率。（1）卷积滤波（Convolution Filtering）卷积滤波是利用卷积子（convolution kernel）对影像按子区像素集作平均计算的过程，该算法用于改变影像的空间频率特征（图3.2）。Figure 3.2 Applying a Convolution Kernel卷积子（又称数值模板）是一个数值矩阵，这些数值也称为系数，提供相应的权重，对所计算像素及其周边像素的值进行加权平均计算。对上图中第二行第二列进行卷积运算，算式如下：Int（-18）+（-16）+（-16）+（-12）+（-168）+（-16）+（-12）+（-12）+（-18）/（-1+-1+-1

22、+-1+16+-1+-1+-1+-1）=int（128-40）/（16-8）=int（88/8）=11经过卷积运算，其中22窗口像元的输出值如下（图3.3）。Figure 3.3 Output Values for Convolution Kernel依次逐行扫描，直到全幅图像扫描一遍结束，生成新的图像。根据图像处理的效果将卷积运算分为以下两种类型：低通滤波（Low Pass Convolution）：又称为平滑运算，通过对像元值做简单的平均运算，使各像元同质性更强，空间频率更低，从而过滤掉高频的亮点（“噪声”），结果影像看起来不是更加光滑就是更加模糊。高通滤波（High Pass Convo

23、lution）：又称为锐化运算，利用高频（高通）卷积子（High-pass kernel）对像元值作卷积运算，使原影像中高频区域（或边界）频率变得更高，低频区域频率变得更低，从而增加影像的空间频率。增强后的影像通常区域特征减弱，边界特征增强。（2）数据融合（resolution merge）我们知道，TM传感器有7个波段，空间分辨率为28.5m，而spot全色波段具有较高的空间分辨率10m，将两种影像结合起来，产生7个具有10m分辨率的波段数据，这就综合了两种传感器各自的优点。Welch和Ehlers（1987）使用正-反RGB-HIS变换，将TM转换成HIS，然后用spot全色波段替代I，生

24、成新的HIS，再转回RGB，这项技术仅限于三个波段（RGB）。（孟塞尔变换，HHue色调，IIntensity亮度或强度，SSaturation饱和度）Chavez（1991）利用正反主成份变换，对TM进行主成份分析，然后用SPOT的全色波段替代PC-1，再做逆主成份变换。这两项技术中，都假定强度组份（PC-1或I）在光谱上相当于SPOT的全色影像，而所有的光谱信息则包含在其它主成份或H、S中。由于SPOT数据并未覆盖TM数据的全部光谱范围，这一假定从严格的意义上讲并不成立。根据可见光影像（SPOT全色影像）对热红外波段（TM6）重采样是不可接受的。数据融合技术可应用于具有不同空间分辨率和光谱

25、分辨率的两种遥感数据，也可以应用于同一类型而时相不同的两种遥感数据，或遥感数据与非遥感数据的结合。实习目的学习掌握图像高通滤波和低通滤波等空间增强方法。实习内容步骤1） 在Erdas Imagine中打开一个视窗（View），加载一幅陆地卫星影像，观察波段组合所引起的各种变化；2） 从Raster下拉菜单中选择Filtering子菜单中的Convolutions Filtering，在其弹出对话框中可以完成一系列的图像卷积运算，包括高通滤波和低通滤波。Spatial Enhancement空间增强Radiometric Enhancement辐射增强Spectral Enhancement光谱

26、增强输入影像文件 卷积模板 输出影像文件实验四、遥感图像光谱增强原理与方法简介光谱增强（spectral enhancement）是基于像元在多光谱影像中各波段的灰度变化而做得像元值的计算。通过这种波段间光谱信息的处理，获取新的更加丰富或更易于解释的影像波段信息。1）主成份变换（Principal Component Analysis）主成份变换又称为主成份分析，简称PCA，是一种常用的数据压缩方法，该方法将冗余的数据压缩成较少的波段，即减少数据维数。PCA数据各波段间是各自独立的，没有相关关系，常常比原始数据更容易解释（Jensen 1996; Faust 1989）。 Figure 4.1

27、 Two Band Scatterplot Figure 4.2 First Principal Component图4.1中显示了两个波段的数据散点分布情况及其相关关系。如果两个波段都具正态分布，则数据点分布在一个椭圆里。将光谱空间的轴旋转，使之与椭圆的轴平行，则每个像素在光谱空间中的坐标会发生变化（图4.2）。这种情况可以推演到三维（椭球体）或更多的维数（三维以上）。第一主成份 （Fist Principal Component）光谱椭圆的长轴就称为第一主成份（或主分量），它的方向称为第一特征向量（eigenvector），其长度为第一特征值（Taylor 1977）。该第一主成份定义了一

28、个新的光谱特征空间轴，散点图上的点获得了与新轴对应的新的坐标点。在光谱空间中，点的坐标就是数据文件值，通过坐标转换，可以获得与第一主成份对应的新的数据文件值，这些值存储为第一主成份波段。其它主成份（Successive Principal Components）：第二主成份与第一主成份正交，相当于光谱空间中椭圆的短轴方向，描述了第一主成份之外的其它的数据方差。在三维光谱空间中，有三个主成份，在n维光谱空间中则对应有n个主成份，这些主成份在n维光谱空间中是相互正交的（Faust 1989），并且后面的主成份所包含的数据的方差总是小于前面的主成份。在n维主成份分析中有n个输出波段，前面少数几个波段

29、占有很高的数据方差比例，有时甚至近于100%。因此，利用主成份分析，可以有效地将数据压缩成少数几个波段。另一方面，可以利用最少的变量从主成份波段中获取有用的信息。2）缨帽变换（Tasseled Cap）多光谱影像中的各个波段可以在N维空间中具体表示出来，每个像素根据其各波段的数据值占据N维空间中的一个位置。像素的这种空间分布由成像物质的吸收/反射光谱确定。这种像素的聚类就称为数据结构（Crist & Kauth，1986）。这种数据结构可看成是一个多维椭球体，其主轴不需要与数据空间轴一致（由输入影像波段决定），它们与吸收光谱的关系更直接一些。为了便于观察，将N维空间进行旋转，这样，数据结构中的

30、一个或二个数据结构轴与观察 x, y轴一致。在特殊情况下，为了某种应用，可以观察由特别感兴趣的吸收峰值产生的最大数据结构轴。Tasseled Cap变换为植被研究提供了最优的数据观察方法。研究者已经提出了三个由植被信息组成定义的数据结构轴（Crist et al 1986，Crist & Kauth 1986）：l 亮度（Brightness）所有波段之加权和，定义为土壤反射率的主要变化方向；l 绿度（Greenness）与亮度正交，近红外与可视光之间的对比度在像幅中与绿色植被总量强烈相关；l 湿度（Wetness）与遮盖（canopy）和土壤湿度相关（Lillesand and kiefer

31、 1987）。这些变换与传感器有关，但是一旦定义下来，就会对同一传感器获得的任一像幅生效，利用Landsat 5 TM可以定义六个轴（Crist et al 1986, Jensen 1996）。亮度Brightness= 0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7+10.3695绿度Greenness =-0.2728TM1-0.2174TM2-0.5508TM3+0.7221TM4+0.0733TM5-0.1648TM7-0.7310湿度 Wetness =0.1446TM1+0.1761TM2+0.3322TM3

32、+0.3396TM4-0.6210TM5-0.4186TM7-3.3828霾度 Haze= 0.8461 TM1-0.0731 TM2 -0.4640 TM3 -0.0032 TM4 -0.0492 TM5 +0.0119 TM7+ 0.7879 Fifth= 0.0549 TM1 -0.0232 TM2 +0.0339 TM3 -0.1937 TM4 +0.4162 TM5 -0.7823 TM7 -2.4750Sixth= 0.1186 TM1 -0.8069 TM2 +0.4094 TM3 +0.0571 TM4 -0.0228 TM5 -0.0220 TM7 -0.0336目的要求1）

33、学习掌握主成份变换的过程和方法，进一步理解主成份变换产生的处理效果和处理意义；2）学习掌握缨帽变换的过程和方法，进一步理解其前三个主要分量（亮度、绿度、湿度）的意义。实习步骤1）在Erdas Imagine主菜单中选择Interpreter，在其下拉菜单中选择Spectral Enhancement，在其子菜单中选择Principle Comp，利用其弹出对话框完成主成份变换；2）在Erdas Imagine主菜单中选择Interpreter，在其下拉菜单中选择Spectral Enhancement，在其子菜单中选择Tasseled Cap，利用其弹出对话框完成缨帽变换；Principal

34、Components主成份变换Tasseled Components缨帽变换输入多波段影像文件 输出主成份影像文件输出特征向量矩阵文件 输出特征值文件 设置输出主成份个数实验五、遥感图像非监督分类原理与方法简介非监督分类（Unsupervised Classification）是利用地物光谱信息或纹理信息的差异，通过统计提取特征，利用其差别实现分类，最后再确定类的属性。非监督分类有动态聚类法、分级集群法、RGB聚类法多种方法。以下介绍动态聚类法（ISODATA 聚类）。ISODATA（Iterative Self-Organizing Data Analysis Techniques Algo

35、rithm迭代自组数据分析算法）是一种反复自组织数据的分析技术（Tou and Gonzalez 1974）。该方法反复地完成整个分类并计算统计参数。ISODATA方法利用最小光谱距离安排待分像元到相应的簇，程序首先根据推断所获得的簇的平均值或已有的标志的平均值确定簇数，然后反复处理，最后移动到数据中簇的平均值。l ISODATA聚类参数N确认的最大簇数，每个簇都是某一类的基础，因而最终成为最大的分类数。ISODATA开始按初定的N个簇的均值处理，有些簇只有很少的像元，这些簇可以剔除，留下少于N的簇数；T收敛阈值（convergence threshold），是占百分比最大的像元，它们所属的类

36、值在迭代时可以保持不变；M完成聚类所需最大迭代次数。l 初始簇均值 （initial cluster Means）第一次迭代时，N个簇的平均值可以大致决定，每次迭代之后，每个簇的均值都会按簇中像元的实际光谱位置加以计算，从而取代初始均值，然后，这些新的均值在下次迭代时用于定义簇，处理继续进行，直至两次迭代之间少有变化。初始簇均值在特征光谱空间中沿着一个矢量方向分布（图5.1）。1Figure 5.1 ISODATA Arbitrary Clusters 1点坐标（A-A，B-B），对于多维（N维）特征空间，点1由（1-1，2-2，n-n）确定。l 像元分析 （Pixel Analysis）像元

37、分析从图像左上角开始，从左到右，一块接一块地进行。首先计算像元与各簇均值的光谱距离，通过比较，将像元划分到距离最近的簇（图 5.2），按簇重新计算均值，其位置会发生变化（Figure5.3），再重新计算比较、分簇。 Figure 5.2 ISODATA First Pass Figure 5.3 ISODATA Second Passl 未变化的比率 （Percentage Unchanged）指每次迭代之后，那些自上次迭代以来未发生变化的像元的比率，该比率趋近于T（收敛阈值）时，处理程序结束。如果不能收敛到T，则应增加最大迭代次数M。ISODATA聚类的优点：l 与数据文件中像元地理位置无关

38、；l 对发现数据内在的光谱簇非常有效，只要有足够的迭代次数，初始簇均值位置的设定对结果没有影响。其缺点是：l 聚类处理很化时间；l 不考虑像元在空间上的一致性。目的要求1）了解并掌握非监督分类的过程和方法；2）对某一研究区土地覆盖类型（植被、水体、城镇居民点、裸地）进行研究，利用数字图像分类技术提取这些类型信息，计算各地类的面积、覆盖率。实习步骤在Erdas Imagine主菜单中选择Classifier，在其下拉菜单中选择Unsupervised Classification，利用其弹出对话框完成非监督分类；Signature Editor样本编辑器Unsupervised Classifi

39、cation非监督分类Supervised Classification监督分类输入影像文件输出分类文件 输出距离文件 分类数实验六、遥感图像监督分类原理与方法简介监督分类（Supervised Classification）是指利用已知属性的训练样本建立判别准则，然后将像元归类的过程。监督分类有最小距离法、多级切割分类法、特征曲线窗口法、最大似然比分类法等多种方法。以下介绍最小距离法。通过计算待分像元测度向量与各样本中间向量之间的光谱距离，比较结束之后，将该像元划归到与之最近的识别样本所代表的类中（Figure 6.1）。Figure 6.1 Minimum Spectral Distanc

40、e其中：n波段数（维数）i第i波段c某一类xxyi波段i中像元（x,y）的数据文件值ci类c样本在波段i的数据文件均值SDxyc像元（x,y）到类c均值的光谱距离（Swain and Davis 1978）该方法的优点是：每个像元都有最近的样本，因而不存在未分类像元；速度很快。其缺点是：有些在光谱上离样本很远（即光谱差异很大）的像元可能被划分到该类中。不过，该问题可以通过设定最远阈值加以解决；没有考虑到类在光谱上的变化性，如城市地类是由高度变化的像元组成的，它们可能与样本的均值相去甚远，运用该决策准则，偏离均值较远的城市像元可能会被不恰当地进行分类。相反地，有些类（如水）光谱特征变化很小，可能

41、趋于过度分类，即过多的像元不恰当地分到该类之中。目的要求1）了解并掌握监督分类中的样本训练方法、分类决策规则和对分类结果进行评估；2）对某一研究区土地覆盖类型（植被、水体、城镇居民点、裸地）进行研究，利用数字图像分类技术提取这些类型信息，计算各地类的面积、覆盖率。实习步骤1）在Erdas Imagine主菜单中选择Classifier，在其下拉菜单中选择Signature Editor，利用其弹出对话框完成训练样本选择、观察和评价，并保存训练样本文件；2）在Signature Editor对话框中完成监督分类；也可以在Erdas Imagine主菜单中选择Classifier，在其下拉菜单中选

42、择Supervised Classification，利用其弹出对话框完成监督分类。Signature Editor样本编辑器Unsupervised Classification非监督分类Supervised Classification监督分类样本编辑器实验七、遥感图像专家分类原理与方法简介专家分类提供了一个基于规则的分类方法，是一套具层次特点的规则集，或决策树，所描述的是由一套低层次要素抽象出一套高层次的信息类别。一条规则（rule）就是一个条件语句（conditional statement）或条件语句列表，用于在假定（hypotheses）中确定变量的值（variables valu

43、e）或属性。多重规则和假设可以联结到一起，分成不同的层次，用于确定最终的一套目标类别或终极假定。在ERDAS Imagine中，专家分类器由知识工程师（Knowledge Engineer）和知识分类器（Knowledge Classifier）两部分构成。知识工程师提供了一个界面，使专家能够根据其拥有的关于遥感数据和应用的知识，定义变量、规则和输出类型，创建一个层级决策树专家知识库。而知识分类器则提供了另一个界面，使非专业领域人员能够应用专家知识库创建和输出分类结果。目的要求理解专家分类中的假设、规则、变量、知识库的概念，掌握专家知识库构建的步骤，学会使用知识库进行遥感分类。实习步骤在Erd

44、as Imagine主菜单中选择Classifier，在其下拉菜单中选择Knowledge Engineer，在其弹出窗口中创建假设（Hypotheses）、规则（Rule）、变量（Variables），完成专家知识库的构建，测试知识库，观察和分析运行结果，改进和保存知识库。实验八、遥感图像分析原理与方法简介遥感图像分析包括一般分析和地形分析。1）一般分析一般分析是遥感数字图像计算机解译的重要组成部分，主要是对图像进行各种空间分析，进行像元之间或专题分类之间的空间关系处理，使处理后的图像能够更好地表达主要的专题信息。包括邻域分析（neighborhood）、查找分析（search）、指标分析（

45、Index）、叠加分析（overlay）、归纳分析（summary）。（1）邻域分析（neighborhood）针对分类专题图像，采用类似于卷积滤波的方法对图像分类值（class values）进行多种分析。其方法是每个像元的值都参与用户定义的邻域范围（definition neighborhood）和分析函数（function）所进行的分析，而邻域中心像元的值将被分析结果所取代。l 总和（sum：邻域范围像元值总和）l 分离度（diversity：邻域范围内不同数值像元数比例）l 密度（density：邻域范围内相同数值像元数比例）l 多数值（majority：邻域范围内出现最多的像元值）l 少数值（minority：邻域范围内出现最少的像元值）l 最大值（max）l 最小值（min）l 序列值（rank）（2）查找分析（search） 对输入的分类专题图像或矢量图形进行临近（proximity）分析