ENVI监督分类与非监督分类

实习序号及题目实习& 监督分类与非监督分类实习人姓名专业班级及编号11地信17任课教师姓名刘勇老师实习指导教师姓名实习地点榆中校区实验楼A109实习日期时间2013年12月19日实习目的理解影像监督分类和非监督分类的原理、方法和步骤，初步掌握土地利用/ 土地覆盖的计算机自动分类方法实习内容1. 选取研究区数据(512x512或者1024x1024),通过目视解译建立分类系统及 其编码体系2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图 斑，利用ROI工具建立训练区，给出各个类别的特征统计表。3. 计算各个样本之间的可分离性。说明哪些地物类型之间较易区分，哪些类型 之间难以区分。4. 监督分类：利用最大似然法完成分类。5. 分类精度评价，从随机采集100200个样本点，并确保每一类别不少于10 个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结 果进行解释。6. 分类后处理(clump sieve majority)。运用ISODATA方法进行非监督分类：预先假定地表覆盖类型为30类，迭 代次数选为15,由系统完成非监督分类；然后进行类别定义与合并子类，最后 进行结果评价。基本原理1、遥感影像分类就是将遥感影像上所有或特定部分的像兀划归到对应的分类单兀当中 去，进而满足制图需求；分类的原则是：互斥性：指所有类别之间不存在重叠或者模糊性 完备性：无一遗漏地包含影像中所有涉及的特征类型 层次性：分类等级体系中次一级类型可以合并到更咼级别的类型中去。分类结果是生成一个新的专题图层，可进一步用于GIS空间分析2、土地利用是指人类对地球表面的利用状况，如工业用地、住宅用地、商业用地、公 路、铁路等。土地利用状况是人类根据土地本身的自然属性以及社会需求，经长期改造和 利用的结果。依据不冋的土地用途和利用方式，土地利用的分类系统有不冋的类别和等级。土地覆盖是指地球表面的自然状态，如森林、草场、河流、湖泊等，是自然环境与人类活动综合作用的结果。对于林地，可根据林地生态环境的不同，分为针叶林地、阔叶林地、 针阔叶混交林地等，以反映林相结构、林地所处生境、分布特征及其所具有的地带性分布 规律。土地利用和土地覆盖是从遥感影像中提取地理信息类别的重要依据。3、监督分类又称“训练分类法”用被确认类别的样本象元去识别其它未知类别象元的 过程。在分类之前通过目视判断和野外调查，对图像上某些样区中图像地物的类别属性有 了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或 其它信息，同时用这些中子类别对判决函数进行训练，使其符合于对各种子类别分类的要 求;随后用训练好的判决函数去对其它待分数据进行分类，是每个像元和训练样本作比较， 按不同的规则将其划分到与其最相似的样本类，以此完成对整个图像的分类；4、非监督分类也称“聚类分析”或“点群分析”在多光普图像中搜寻、定义其自然相 似光谱集群的过程。它不必对图像地物获取先验知识，仅依靠图像上不同类地物光谱（或 纹理）信息进行特征提取，在统计特征的差别来达到分类的目的，最后对已分出的各个类 别的实际属性进行确认。非监督分类主要过程：（1）确定初始类别参数，即确定最初类别数和类别中心。（2 ）计算每一个像素所对应的特征向量与各点群中心的距离。（3）选取与中心距离最短的类别作为这一向量的所属类别。（4）计算新的类别均值向量。（5）比较新的类别均值与初始类别均值，如果发生改变，则以新的类别均值作为聚类 中心，再从第（2）步开始进行迭代。（6）如果点群中心不再变化，计算停止。5、最大似然法：最大似然法假设遥感图像上的每个波段数据都为正态分布。其基本 思想是：地物数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上为正 态分布，该类的多位数据就构成了一个多位正态分布；各类的多为正态分布模型各有其分 布特征，例如，所在位置、形状、密集或分散的程度等。对于具有3个特征的正太分布来 说，每一类的数据就是一个近似钟形的立方体。不同类形成的“钟”在高低、粗细、尖阔 等方面都不相同；根据各类已知数据，可以构造出各类的多维正态分布模型（实际为各类 中各数据向量的频率，即概率密度函数或概率分布函数）；在此基础上，对于任何一个像 素，可以反过来求它属于各类的概率，取最大概率对应的类为分类结果。6、聚类统计（clump）：通过对分类专题影像每个分类图斑的面积计算、相邻区域中最 大图斑面积的分类值记录等操作，产生一个clump类组输出影像，其中每个图斑都包含 clump类组属性，用于进一步处理。过滤分析（sieve）：对经clump处理后的clump类组影像，按照定义的数值大小， 剔除clump影像中较小的类组图斑，并给所有小图斑赋予新的属性值0。类别合并：在非监督分类中由于分类之前不知道有多少类，在策略上总是先分出较 多的类再进行合并。其基本思想是将要合并的两个或两个以上类的编码和颜色改为相同的 编码和颜色。7、遥感图像分类精度分析通常把分类图与标准数据进行比较，然后用正确分类的百 分比来表示分类精度。实际工作中，多采用抽样方式以部分像素或不分类别来代替整幅图 像进行精度评价。混淆矩阵：是有n行n列组成的矩阵，用来表示分类结果的精度。n代表类别数。混 淆矩阵的左右方向依次排列着实际类别的代码或名称,上下方向依次排列着分类结果各类 别的代码或名称。矩阵中的元素师分属各类的像素数或占总像素数的百分比。显然矩阵的主对角线上的数字即是分类正确的像素数或其百分比。错分误差：又称运行误差。是图像的某一类地物被错分到其他类的百分比。漏分误差：又称结果误差。是实际的某一类地物被错分到其他类的百分比。用户精度：表示从分类结果图中任取一个随机样本，其所具有的类型与地面实际类型 相同的概率，表示分类结果中给类别的可信度，即这幅图的可靠性。生产者精度：又称制图精度。表示实际的任意一个随机样本与分类图上同一地点的分 类结果相一致的条件概率，用于比较各分类方法的好坏。Kappa系数：是一个测定两幅图之间吻合程度或精度的指标。总体分类精度：等于被正确分类像元的总和除以像元总数。被正确分类的像元数目沿 着混淆矩阵的对角线分布。总像元数等于所有真实参考源的像元总数。8、遥感影像的监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验 知识，建立了分类体系和分类方案，据此建立影像分类判别规则和分类器（亦即建立判别 函数），进而完成整幅影像的类型划分，将每个像元归并到所对应的一个类别中去。在监督分类中，综合运用实地观测、航片解译、地图分析等方面的知识来识别遥感影 像中的各种覆盖类型。其中，训练样区是能够代表已知地表覆盖类型的均质、有代表性的 地块。遥感影像的非监督分类是基于多变量聚类分析（clustering analysis）的思想，在 没有任何先验知识的情况下，仅依据影像上地物的光谱特征，顺其自然地完成分类。在分 类后处理过程中对已分出各类地物的顺序编码进行重新编码和归并,以满足分类系统的要 求。数据准备实习 1 选取的研究区 Landsat TM/ETM+数据(512x512, 1024x1024)操作方法及过程1. 选取研究区数据（512x512或者1024x1024），通过目视解译建立分类系统及 其编码体系选择前面实习中使用过的子区，选取的子区位于民和回族土族自治县。对 子区进行目视解译，影像中主要的图例覆盖类型有水稻田、水浇地、河流、 居民地、草地、林地、工业区、裸地。选择tools/Google earth，在Google earth上查看对应的地物类型。2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图 斑，利用ROI工具建立训练区，给出各个类别的特征统计表。打开子区影像，选择 tools/region of interest/ROI Tool， 选择 new region， 新建训练区，为影像上对应的土地利用/覆盖类型建立相应的训练区，并设置 好颜色，颜色的选取尽量应与实际土地利用类型相对应，根据土地利用/覆盖 类型的大小程度选择polyline、polygon、point进行训练区的选取。每一种地 物都必须保重包括70个象元以上的内容和，对于小面积的地物我们需要选择 polyline或者point进行选择，这样可以保证精度。3. 计算各个样本之间的可分离性。说明哪些地物类型之间较易区分，哪些类型 之间难以区分。在选取训练区的窗口中选择options/compute ROI separability，在选择输 入图层中选择子区LE71310352001195SGS00_sub512,选择所有训练区，即 可得到可分离性矩阵，统计JM距离和分散度，并将结果导入到Excel 中, 对结果进行分析。在 options 下勾选 calculate covariance with stats，然后在 ROI 窗口 中点击 select all，点击stats，对特征矩阵进行统计并分析。4. 监督分类：利用最大似然法完成分类。Classification/supervised/maximum likelihood，选择子区，点击 OK，选择 select all items 将所有地物类型选择，在 set probability threshold 中选择 none， 在out rule images选择no，选择输出路径与文件名，点击OK，生成最大似然 分类。另外设置其中Set Probability Threshold设置似然度的阈值，如果选择 single value，则在下方输入一个0-1的值，似然度小于该阈值的不被分入该 类，我们这里设为none， Output Rule Image设为No，选择保存路径。在子区窗口中选择Overlay/classification，再输入文件名中选择刚刚生成 的最大似然分类，即可在影像上显示分类结果。在分类窗口中选择未定义的图例，在上右击显示分类结果，选择 options/edit class colors/names，在窗口下修改名称与颜色，点击OK，将分类 结果显示在影像中，完成监督分类。5. 分类精度评价，从随机采集100200个样本点，并确保每一类别不少于10 个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结 果进行解释。在子区影像上选择tools/region of interest/ROI Tool，选择所有roi，删除所有roi， 重新对各类土地利用进行采点。选择 classification/confusion matrix/using ground truth ROIs，选择最大似然分类生 成结果，如果训练区样本与重新选取的roi命名一致，则会自动导入，否则 要在 select ground truth ROI 与 select classification image 的两个窗口中进行匹 配，点击add combination，点击OK，下面生成的对话框保持默认设置，点 击OK,即可得到混淆矩阵与Kappa系数，进行分析。6. 分类后处理（clump一sieve一majority）o首先是聚类处理 Classification f Post Classification f Clump Classes 选择分类之 后生成的数据，加载进来之后，在选择类型的时候选择全部，select all items行 列大小选择3*3的栅格大小，选择位置进行保存。之后是类别筛选，选择 ClassificationPost ClassificationSieve classes，在 Select Input File 中选择刚才 生成影像，Group Min Threshold 设为 2，且分别将 Number of Neighbors 设为 8， 保存路径。将最邻近4像元和8像元所得影像进行比较。进行主要次要分析。选择Classificationpost classification，分别选择主要分 析Majority/Minority Analysis，在第七步的基础上进行操作，在Select Input File 对话框中选择上一步生成的数据，Select All Items， Analysis Method设定为 Majority，kernel size选择3*3，权重设置为1，最后选择保存路径。主要分析和 次要分析步骤类似，最后将所得影像进行比较分析。7. 运用ISODATA方法进行非监督分类：预先假定地表覆盖类型为30类，迭代 次数选为15,由系统完成非监督分类；然后进行类别定义与合并子类，最后进 行结果评价。选择classification/unsupervised/Isodata,选择子区为输入文件，点击OK,设置 参数如下图所示。对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择 Classifica tion中的分类后处理 pos t class if ica tion ,选择合并同类别 Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类，在 输出的文件中选择相同的类别，点击Add Combination,所有的类别合并完后点击确定即 可。结果与分析1、各个样本之间的可分离性。说明哪些地物类型之间较易区分，哪些类型之 间难以区分。Jeffries-Matusita （JM 距离）：水稻田水浇地河流居民地草地林地工业区裸地水稻田1.99982.00002.00002.00001.95252.00002.0000水浇地1.99982.00002.00001.94941.98902.00002.0000河流2.00002.00002.00002.00002.00002.00002.0000居民地2.00002.00002.00002.00002.00002.00002.0000草地2.00001.94942.00002.00001.86202.00002.0000林地1.95251.98902.00002.00001.86202.00001.9956工业区2.00002.00002.00002.00002.00002.0000裸地2.00002.00002.00002.00002.00001.99562.0000Transformed Divergence （分散度）：水稻田水浇地河流居民地草地林地工业区裸地水稻田2.00002.00002.00002.00001.99962.00002.0000水浇地2.00002.00002.00002.00001.99692.00002.0000河流2.00002.00002.00002.00002.00002.00002.0000居民地2.00002.00002.00002.00002.00002.00002.0000草地2.00002.00002.00002.00001.99952.00002.0000林地1.99961.99692.00002.00001.99952.00002.0000工业区2.00002.00002.00002.00002.00002.00002.0000裸地2.00002.00002.00002.00002.00002.00002.0000可分离性统计中最小值大于1.7,大部分值都达到了 1.85以上，说明各个第五之 间抑郁区分，训练区选择较为合理。若可分离性统计中JM距离的值介于1.5到1.7 之间，则需要重采样来重新计算其值，而如果小于1就可将两种地物合并为同一种地 物，而大于1.7就具有了很好的可分性。在导出结果中，只有草原与林地的区分性最 低，为1. 86,整体来说训练区选取较好。2、特征矩阵:(1)水稻田Basic StatsMinMaxMeanStdevNumEigenvalueBand 176.0083.0079.781.581.0032.28Band 266.0072.0069.131.822.006.26Band 359.0072.0066.753.193.002.61Band 464.0075.0069.462.264.001.46Band 570.0083.0076.883.105.001.11Band 642.0059.0050.513.746.001.01CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 12.501.473.43-0.841.903.26Band 21.473.324.180.143.844.65Band 33.434.1810.19-1.586.979.85Band 4-0.840.14-1.585.110.85-0.89Band 51.903.846.970.859.609.79Band 63.264.659.85-0.899.7914.02CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.510.68-0.230.390.55Band 20.511.000.720.040.680.68Band 30.680.721.00-0.220.700.82Band 4-0.230.04-0.221.000.12-0.10Band 50.390.680.700.121.000.84Band 60.550.680.82-0.100.841.00(2)水浇地Basic StatsMinMaxMeanStdevNumEigenvalueBand 175.00102.0083.745.081.00336.12Band 264.0094.0072.825.952.0041.56Band 353.00102.0070.3210.733.009.74Band 476.00111.0097.016.474.002.63Band 580.00129.0097.528.295.001.57Band 645.0093.0059.7410.276.000.99CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 125.8428.7351.83-21.3530.1245.34Band 228.7335.4362.11-21.4040.3855.95Band 351.8362.11115.23-43.9572.07102.26Band 4-21.35-21.40-43.9541.92-11.63-34.84Band 530.1240.3872.07-11.6368.6977.85Band 645.3455.95102.26-34.8477.85105.52CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.950.95-0.650.710.87Band 20.951.000.97-0.560.820.92Band 30.950.971.00-0.630.810.93Band 4-0.65-0.56-0.631.00-0.22-0.52Band 50.710.820.81-0.221.000.91Band 60.870.920.93-0.520.911.00(3)河流Basic StatsMinMaxMeanStdevNumEigenvalueBand 190.00106.00100.443.611.00148.26Band 287.00101.0095.923.822.0025.16Band 3105.00128.00118.686.313.002.76Band 444.0062.0055.525.754.001.08Band 527.0053.0037.926.195.000.83Band 620.0047.0031.886.316.000.49CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 113.0112.9120.7718.1016.0016.14Band 212.9114.5822.8519.9216.9116.87Band 320.7722.8539.8133.3424.0624.42Band 418.1019.9233.3433.0127.8428.07Band 516.0016.9124.0627.8438.3338.41Band 616.1416.8724.4228.0738.4139.86CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.940.910.870.720.71Band 20.941.000.950.910.720.70Band 30.910.951.000.920.620.61Band 40.870.910.921.000.780.77Band 50.720.720.620.781.000.98Band 60.710.700.610.770.981.00(4)居民地Basic StatsMinMaxMeanStdevNumEigenvalueBand 1107.00121.00112.673.231.00108.18Band 294.00112.00102.333.822.0011.15Band 3107.00127.00116.225.093.004.45Band 456.0065.0059.972.434.001.61Band 590.00110.0099.225.375.000.91Band 682.00104.0091.086.406.000.44CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 110.4611.1714.734.3311.3016.43Band 211.1714.5717.906.7515.1219.11Band 314.7317.9025.959.0320.6626.70Band 44.336.759.035.919.219.40Band 511.3015.1220.669.2128.8632.27Band 616.4319.1126.709.4032.2740.99CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.910.890.550.650.79Band 20.911.000.920.730.740.78Band 30.890.921.000.730.760.82Band 40.550.730.731.000.700.60Band 50.650.740.760.701.000.94Band 60.790.780.820.600.941.00(5)草地Basic StatsMinMaxMeanStdevNumEigenvalueBand 188.00103.0094.674.501.00339.50Band 278.00100.0088.426.362.0032.04Band 383.00114.0099.178.793.0010.32Band 476.00100.0085.757.904.002.95Band 5111.00140.00125.009.145.000.94Band 681.00113.0097.6710.136.000.63CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 120.2425.2435.6122.5535.0037.79Band 225.2440.4554.2944.3953.7354.15Band 335.6154.2977.2456.1472.8276.79Band 422.5544.3956.1462.3956.9148.82Band 535.0053.7372.8256.9183.4587.91Band 637.7954.1576.7948.8287.91102.61CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.880.900.630.850.83Band 20.881.000.970.880.920.84Band 30.900.971.000.810.910.86Band 40.630.880.811.000.790.61Band 50.850.920.910.791.000.95Band 60.830.840.860.610.951.00(6)林地Basic StatsMinMaxMeanStdevNumEigenvalueBand 163.0099.0075.4010.341.001240.89Band 251.0095.0063.2311.812.0055.42Band 342.00108.0059.8518.913.007.41Band 459.0085.0071.757.414.002.11Band 562.00132.0083.3216.175.001.28Band 634.00111.0053.2819.706.001.23CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 1106.87120.74193.92-41.54156.61198.47Band 2120.74139.58222.00-44.75181.34228.41Band 3193.92222.00357.67-72.79290.86366.34Band 4-41.54-44.75-72.7954.90-36.05-65.98Band 5156.61181.34290.86-36.05261.35311.78Band 6198.47228.41366.34-65.98311.78387.96CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.990.99-0.540.940.97Band 20.991.000.99-0.510.950.98Band 30.990.991.00-0.520.950.98Band 4-0.54-0.51-0.521.00-0.30-0.45Band 50.940.950.95-0.301.000.98Band 60.970.980.98-0.450.981.00(7)工业区Basic StatsMinMaxMeanStdevNumEigenvalueBand 184.00103.0093.435.151.00166.37Band 262.0086.0074.675.912.0010.89Band 360.0093.0076.437.973.003.73Band 431.0047.0038.934.344.001.24Band 546.0068.0056.505.305.000.71Band 644.0061.0052.133.396.000.38CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 126.5328.9439.9418.6522.2612.91Band 228.9434.9246.4322.6725.8614.25Band 339.9446.4363.5029.7534.8419.91Band 418.6522.6729.7518.8220.7210.84Band 522.2625.8634.8420.7228.0516.31Band 612.9114.2519.9110.8416.3111.50CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.950.970.830.820.74Band 20.951.000.990.880.830.71Band 30.970.991.000.860.830.74Band 40.830.880.861.000.900.74Band 50.820.830.830.901.000.91Band 60.740.710.740.740.911.00(8)裸地Basic StatsMinMaxMeanStdevNumEigenvalueBand 1105.00125.00115.334.731.00292.85Band 2102.00124.00113.376.072.0012.32Band 3122.00154.00136.948.803.002.57Band 476.0092.0083.244.304.002.09Band 5134.00177.00159.318.865.000.88Band 6112.00155.00138.718.836.000.74CovarianceBand 1Band 2Band 3Band 4Band 5Band 6Band 122.3526.9939.0218.1435.7837.45Band 226.9936.8152.2824.6548.2550.09Band 339.0252.2877.3635.4668.3271.77Band 418.1424.6535.4618.5235.5635.12Band 535.7848.2568.3235.5678.4275.78Band 637.4550.0971.7735.1275.7877.98CorrelationBand 1Band 2Band 3Band 4Band 5Band 6Band 11.000.940.940.890.850.90Band 20.941.000.980.940.900.93Band 30.940.981.000.940.880.92Band 40.890.940.941.000.930.92Band 50.850.900.880.931.000.97Band 60.900.930.920.920.971.003、最大似然法进行监督分类结果：原影像最大似然法进行监督分类结果监督分类的最大似然法分类结果中，主要的地物都可以被区分出来，地物分布也 很清楚的展现出来，只是生成的结果又很严重的椒盐现象，分析可能是选取训练区时 认为造成了误差。缺点就是没有将结果中的颜色按照真实地物的颜色进行修改，下次 实习应该注意。4、计算Kappa系数，生成混淆矩阵：Overall Accuracy = (194/212)91.5094%Kappa Coefficient 二 0.8961Ground Truth(Pixels)：Class水稻田水浇地河流居民地草地林地工业 区裸地TotalUnclassified000000000水稻田11000000011水浇地46200020068河流007000007居民地00019001020草地4200800014林地00004270031工业区00010018019裸地00000004242Total196472012291942212Ground Truth(Percent)：Class水稻田水浇地河流居民地草地林地工业 区裸地TotalUnclassified000000000水稻田57.8900000005.19水浇地21.0596.880006.90032.08河流00100000003.3居民地00095005.2609.43草地21.053.130066.70006.6林地000033.393.10014.62工业区00050094.7408.96裸地000000010019.81Total100100100100100100100100100Class(Percent)Prod. (Percent)Acc. (Pixels)User(Pixels)水稻田57.89100.0011/1911/11水浇地96.8891.1862/6462/68河流100.00100.007/77/7居民地95.0095.0019/2019/20草地66.6757.148/128/14林地93.1087.1027/2927/31工业区94.7494.7418/1918/19裸地100.00100.0042/4242/425、Clump Classes 和 Sieve classes 结果: Clump Classes3*3 处理结果：Clump Classes5*5 处理结果:在聚类统计的结果上很容易看出原本监督分类的生成结果中严重的椒盐现象消失 了，地物类型都相对完整，但有些细节已经被消除看不清楚,3*3窗口与5*5窗口生成的 结果区别就在于3*3窗口的细节较5*5窗口的更加清楚具体，5*5窗口将周边的面积较 小的地物完全合并在一起.Sieve classes 结果（Number of Neighbors 设为 8）:Sieve classes 结果（Number of Neighbors 设为 4）:对影像的过滤分析生成的结果显得椒盐现象更加严重，结果影像上出现了很多小黑点, Number of Neighbors的值设置的越小，小黑点越密集,但是经过过滤分析的影像孤岛”现 象都已经消失.6、主要次要分析结果显示和对比: 主要分析（kernal size 为 3*3）：主要分析（kernal size 为 7*7）：主要成分分析得到的结果较好，椒盐现象得到避免,3*3窗口与7*7窗口很明显的区别就是相 邻地物之间的合并,分析窗口越小，地物信息更加具体，细节体现的更好.次要分析（kernal size 为 3*3）：利用次要成分分析的影像不但没有减轻椒盐现象，反而椒盐现象更加严重,未定义 的黑点更密集，并且变得更大,效果很不好.7、非监督分类结果：在进行非监督分类的时候首先将地物分成了 30类，然后人工进行识别分类后最终 与监督分类结果一样合并成了 8类，但是最后的效果并不是很好,在非监督分类一开始 就将水稻田与林地分类到一起,最后生成的结果只能区分大致的地物分布，与监督分类 结果相比，非监督分类结果更粗糙.存在问题与解决办法1、在ROI工具中选取训练区时，由于影像分辨率的关系，有些地物很难区分清楚，导 致选取的训练区有时候会将不同的地物选取到同一个地物类型中，导致后面的结果不准确。2、在对分类结果修改名称与颜色的时候，软件总是崩溃。3、训练区的选取应当尽量精确，以免监督分类以后出现严重的椒盐现象。4、不是很理解JM距离、分散度表示的意义，具体在这个计算过程中遇到的问题还 是不能有效解决，对于如何有效避免错分和漏分还是不很清楚。5、在进行非监督分类的时候，将最大的类别设置为30,在软件自动生成类别时明显将 水浇地归类到了林地之中，但是不知道如何改正这一错误。总结这次实习主要了解并学习了遥感分类的相关理论知识与实际操作过程，基本掌握了 遥感影像监督分类与非监督分类的原理与方法。应用前面实习中学习的遥感影像的目视解 译、ROI工具的使用、以及对特征矩阵、方差、相关系数的分析，在excel表格中的生成结 果的处理，都得到了巩固与熟练，并且在自己对不同操作，例如在进行监督分类后处理时选 取不同大小的窗口造成不同的结果比较，更加深了对分类后处理操作的理解。通过比较自己 的比较，更深的理解了不同分类方法的优缺点。