遥感实习-dipa监督分类与非

征分布规律，顺其自然地进行分类。基本思路来源于多变量聚类分析（clusteringysis作为聚类中心，回到第3步，进行迭代操作；从专题制图的角度还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类。ajorityMinority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到法，是指影像特征矢量与各个类中心的距离，变换分散度是TDivercd=[1-exp(-统计方法据最大然比则法建非性判别函集，计各待分样区实参考总数（矩阵中A类列的总和）的比率。熟所以这次实习重新了2013年6月Landsat8/OLI影像。6，5，4（5×2因为之前实习选用的影像是20143新了2013年6月27号的Landsat8/OLI影像。使用6，5，4波段合成彩色影Toolbox,RasterManagement,ResizeDataSpatial编编地物名色paddyR225G225R170G190reservoirR160G205barrenR200G205townR240G110R150G2406，5，4从RGB彩像获取的感区用来定义训练样本。在主界面中的图层管理器中打开ROI工具，在ROITool框中，设置ROIName(样本名称)，ROIColor(样本颜FileSaveallROIresulttotextfileExcel（在结果分析中ENVI使用计算ROI（ComputeROISeparability）工具来计算任意类于下列方法计算的：Jeffries-Matusit距离和转换分离度（TransformedDivergence，来衡量训练样本的可分离性。在ROI工具的菜单栏点击Option,ComputeStatisticsfromROIs,选择所有ROIOK，可分离性02irrigatedlandand01paddylandJM指数是1.77097458小于1.8，所以要返回ROI进行修改，使其大于1.8.Option,ComputeROISeparabilityOK在主菜单中，选择Classification->Supervised->LikelihoodClassification，在文件输入框中选择TM分类影像。单击OK按钮打开LikelihoodClassificationSetProbabilityThreshold：SingleValue，则在“ProbabilityThreshold01不被分入该类。这里选择None。DataScaleFactor：输入一个数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-值，将比例系数设为2n-1，n为数据的比特数，例如：对于8-bit数据，设定的比例系数为255，对于10-bit数据，设定的比例系数为1023，对于11-bit数据，设定的比例系数为2047。单击Preview，可以在右边窗口中预览分类结果，单击ChangeView可以改变预览打开ENVIClassic，打开监督分类后的影像，在主窗口中点击Overlay,Classification。Option,Editclasscolors/names，拖动滑块修改地物颜色。调整颜色后的影像显示如majorityToolbox,Classificationm,PostClassification,ClumpClasses。选择分类择所有分类类别，输入形态学算子大小：3,3OKToolbox,Classificationm,PostClassification,SieveClasses.选择上一步Toolbox,Classificationm,PostClassification,Majority/Minority滑。CenterPixelWeight（中心像元权重）:1.在判定在变换核中哪个类别占主体地将样本保存为.XMLROIOption,ComputeStatisticsfromROIs,统计所有ROI值。分类结果和地表真实信息。使用地表真实感区之前，需要准备反映地表物信息的ROI文件。打开Toolbox,Classification,PostClassification,ConfusionMatrixUsingGroundTruthROIs实感区将被自动加载到MatchClassesParameters框中。在MatchClassesParameters框中，在两个列表中选择所要匹配的名称，再单击AddCombination按钮，把地表真实感区与最终分类结果相匹配。类别之间的匹配将显示在框底部的列表中。单击OK，输出矩阵。打开Toolbox,Classification/UnsupervisedClassification/IsoDataClassification。选择分类影像。NumberofClasses(类别数量范围):一般输入最小数量不能小于最终分类数量，最大数量为最终分类数量的2-3倍。um里选择默认。ChangeThreshold(变换阈值):当每一类的变化像元数小于阈值时，结束迭代过程，阈值越小得到的结果越精确。MinimumPixelinClass:输入形成一类所需归并到距离最近的类中。umClassStdv(最大分类标准差):1，以像素值为单位，如果某一类的标准差比该阈值大，该类将被拆分成两类。MinimumClass输入的最小值，则类别并合并。umStdvFromMean(距离类别均值的最大标准差):筛选小于这个标准差的像元参与分类。umDistanceError(允许的最大距离OKOverlay,Classification,选择非监督分类后的结果。Options,Editclasscolors/names。File,SaveChangestoFile，保存结果。在ENVI5.1中打开修改过颜色的非监督分类的结果。打开Toolbox,Classification,PostClassification,CombineClasses.选择定义SelectInputClassSelectOutClass存现并入的类别，单击AddCombination按钮添加到合并方案中。合并方案显示在CombinedClasses列表中。把左边的全归为右边的某一类（右边可能有好多个water，要选准一个。合并方案确立之后点击OK，打开CombineClassesOutputRemoveEmptyClassesYesOption,ComputeStatisticsfromROIs,统计所有ROI值。打开Toolbox,Classification,PostClassification,ConfusionMatrixUsingGroundTruthROIs。选择检验非监督分类后的文件，地表真实感区将被自动加载到MatchClassesParameters框中。在MatchClassesParameters框中，在两个列表中选择所要匹配的名称，再单击AddCombination按钮，把地表真实感区与最终分类结果相匹配。类别之间的匹配将显示在框底部的列表中。单击OK，输出矩阵。在矩阵输出窗口中设置OutputConfusionMatrix：选择像素和百分比。单击OK，输出矩阵。在系数、20143新了2013年6月27号的Landsat8/OLI影像。使用6，5，4波段合成彩色影Toolbox,RasterManagement,ResizeDataSpatialSubset，File，5125126，5，4编地物名色paddyR225G225R170G190reservoirR160G205barrenR200G205townR240G110R150G240从RGB彩像获取的感区用来定义训练样本。在主界面中的图层管理器中打开ROI工具，在ROITool框中，设置ROIName(样本名称)，ROIColor(样本颜FileSaveallROIresulttotextfileExcel地物类型73：barren 采样单元数1234567单变量统最值最值均标差协方差矩相关 地物类型 采样单元数 单变量统最 值最 值地地物类型11：paddy 采样单元数1234567单变量统最值最值均标差协方差矩相关均 标差 协方差矩14 22 34 47 80 54 31 62 81 79 14相关1 2 3 4 5 6 地物类型 采样单元数1 67单变量统最 值最 值均标差协方差矩相关1234567单变量统最值最值均标差协方差矩124832439538904435475306772 64 8 78 2相关 1 27 36 4 5 6 7地物类型 采样单元数1 67单变量统最 值最 值均 标 差协方差矩 1926 2 37 3 05 4 67 59 826230681976757294相关1234567ENVI使用计算ROI（ComputeROISeparability）工具来计算任意类于下列方法计算的：Jeffries-Matusit距离和转换分离度（TransformedDivergence，来衡量训练样本的可分离性。在ROI工具的菜单栏点击Option,ComputeStatisticsfromROIs,选择所有ROIOK，可分离性02irrigatedlandand01paddylandJM指数是1.77097458小于1.8，所以要返回ROI进行修改，使其大于1.8.Option,ComputeROISeparabilityOKJMTransformed在主菜单中，选择Classification->Supervised->LikelihoodClassification，在文件输入框中选择TM分类影像。单击OK按钮打开LikelihoodClassificationSetProbabilityThreshold：SingleValue，则在“ProbabilityThreshold01不被分入该类。这里选择None。DataScaleFactor：输入一个数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-值，将比例系数设为2n-1，n为数据的比特数，例如：对于8-bit数据，设定的比例系数为255，对于10-bit数据，设定的比例系数为1023，对于11-bit数据，设定的比例系数为2047。单击Preview，可以在右边窗口中预览分类结果，单击ChangeView可以改变预览打开ENVIClassic，打开监督分类后的影像，在主窗口中点击Overlay,Classification。Option,Editclasscolors/names，拖动滑块修改地物颜色。调整颜色后的影像显示如majorityToolbox,Classificationm,PostClassification,ClumpClasses。选择分类择所有分类类别，输入形态学算子大小：3,3OKToolbox,Classificationm,PostClassification,SieveClasses.选择上一步(3)Toolbox,Classificationm,PostClassification,Majority/Minority滑。CenterPixelWeight（中心像元权重）:1.在判定在变换核中哪个类别占主体地行Majority分析。处理后的图像如下：将样本保存为.XMLROIOption,ComputeStatisticsfromROIs,统计所有ROI值。分类结果和地表真实信息。使用地表真实感区之前，需要准备反映地表物信息的ROI文件。打开Toolbox,Classification,PostClassification,ConfusionMatrixUsingGroundTruthROIs实感区将被自动加载到MatchClassesParameters框中。在MatchClassesParameters框中，在两个列表中选择所要匹配的名称，再单击AddCombination按钮，把地表真实感区与最终分类结果相匹配。类别之间的配将显示在框底部的列表中。单击OK，输出矩阵78092040030202240013错错漏漏用户用户制图制图Kappa（KappaCoefficient）它是通过把所有真实参考的像元总数（N）乘以积对所有类别求和的结果。结果k=73.96%.元正确分为A类的像元数（对角线值）与A类真实参考总数（矩阵中A类列的总地的制图精度是16825/16885=99.64%。制图精度=100%-漏分误差。整个影像的像元分为A类的像元总数（矩阵中A类行的总和）比率。打开Toolbox,Classification/UnsupervisedClassification/IsoDataClassification。选择分类影像。NumberofClasses(类别数量范围):一般输入最小数量不能小于最终分类数量，最大数量为最终分类数量的2-3倍。um里选择默认。ChangeThreshold(变换阈值):当每一类的变化像元数小于阈值时，结束迭代过程，阈值越小得到的结果越精确。MinimumPixelinClass:输入形成一类所需归并到距离最近的类中。umClassStdv(最大分类标准差):1，以像素值为单位，如果某一类的标准差比该阈值大，该类将被拆分成两类。MinimumClass输入的最小值，则类别并合并。umStdvFromMean(距离类别均值的最大标准差):筛选小于这个标准差的像元参与分类。umDistanceError(允许的最大距离OKOverlay,Classification,选择非监督分类后的结果。Options,Editclasscolors/names。File,SaveChangestoFile，保存结果。在ENVI5.1中打开修改过颜色的非监督分类的结果。打开Toolbox,Classification,PostClassifica