为啥非监督分类输出的图片打不开

Posted 2023-04-16

非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，依据图像数据本身的结构 ( 统计特征) 和自然点群分布，按照待分样本在多维波谱空间中亮度值向量的相似程度，由计算机程序自动总结出分类参数，即自然聚类的特性进行 “盲目”的分类。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类 ( 集群) 分析，使用的方法有图形识别、系统聚类、分裂法和动态聚类等。
其中，比较实用的是动态聚类。它是首先根据经验和分类数，选定若干个均值向量，作为 “种子”，建立一批初始中心，进行初步概略的分类，然后根据规定的参数 ( 阈值)检验分类结果，逐步修改调整分类中心，再重新分类，并根据各类离散性统计量 ( 如均方差等) 和不同类别之间可分离性统计量 ( 如类间标准化距离等) ，进行类的合并或分裂; 此后再修改中心，直至分类结果合理为止。动态聚类中，聚类中心和分类数可以按客观的波谱特征自动调整，分类效果一般比较好，但分类结果的确切含义 ( 类别的属性)需另作分析，从实况调查或已有的地面资料中去确定它们的地物类型。以下以 ISODATA法和 K － Means 法为例，给出其处理过程。
1. ISODATA 方法
ISODATA 也称迭代自组织数据分析算法，实质是在分类过程中不断对分类参数 ( 如各类别的均值、标准差、类间距离等) 进行调整和确定，通过类分裂、类合并、类删除等方法最终构建所需的判别函数。ISODATA 法的实现主要包括以下步骤 ( 图 4-23) :
( 1) 确定最初类别数和类别中心。最初类别数和类别中心的确定具有较大的随意性，因无先验知识，只能在以后逐步调整。一般可依据原始数据的统计分布特征进行确定。
( 2) 计算每一个像元矢量与各类别中心的距离，将像元矢量归属于距离最小的类别。
( 3) 计算新的类别均值向量。
( 4) 判断新的类别中心是否变化。
( 5) 当新的类别中心发生变化时，以新均值代替旧中心，回到步骤 ( 2) 继续迭代循环; 当新的类别中心不再变化时则停止迭代，输出分类结果。
2. K － Means 方法
K － Means 方法的基本思想是通过迭代移动各基准类别 ( 初始类别) 的中心直至取得最好的聚类结果，分类时新的类别中心的确定是根据该类别内所有像元到类别中心的距离平方和之和最小这一原则。这一原则与 ISODATA 方法并无本质区别。
非监督分类由于事先不需训练样本，故处理速度较快，较客观，并能为监督分类的训练样区选择提供参照，一般在有目的的监督分类之前进行。 参考技术A 期:姓名:学号:13班级:实验名称:遥感图像计算机解译-非监督分类实验序号:9成员人数:实验目的:进一步理解计算机图像分类的基本原理以及非监督分类的过程,初步掌握遥感图像计算机解译的基本方法,加深对非监督分类的理解。实验内容:ERDAS遥感图像非监督分类实验方法和步骤:非监督分类运用ISODATA算法,完全按照像元的光谱特性进行分类,常常用于对分类区没什么了解的情况,使用该方法时,原始图像的所有波段都参与分类运算,分类结果往往是各类像元数等比例。由于人为的干预较少,非监督的分类结果更加精确。非监督分类一般要经过以下几个步骤:初始分类,专题判别,分类合并,色彩确定,分类后处理,色彩重定义,栅格矢量转换,统计分析。实验的过程和结果:分类过程(ClassificationProcedure)第一步:调出非监督分类对话框:在ERDAS图标面板上点击DataPrep图标,→DataPreparation菜单→UnsupervisedClassification菜单项→UnsupervisedClassification对话框,如图1-1所示:图1-1第二步:进行非监督分类→确定初始分类数(Numberofclasses):12分出12个类别实际工作中一般将分类数取为最终分类数的2倍以上。.点击Initializingoptions按钮可以调出Fi1eStatisticsOptions对话框以设置ISODATA的一些统计参数,.点击Co1orSchemeOptions按钮可以调出outputcolorSchemeOptions对话框以决定输出的分类图像是彩色的还是黑白的。这两个设置项使用缺省值。最大循环次数(MaximumIterations)是指ISODATA重新聚类的最多次数,这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。一般在应用中将循环次数都取6次以上。→设置循环收敛阈值(ConvergenceThreshold):(ConvergenceThreshold)是指两次分类结果相比保持不变的像元所占最大百分之此值的设立可以避免ISODATA无限循环下去。→点击OK按钮(关闭UnsupervisedClassification对话框,执行非监督分类,获得一个初步的分类结果)生成如图1-2所示:图1-22、分类评价(EvaluateClassification)第一步:显示原图像与分类图像在同一个窗口中,同时打开两个图像。第二步:打开分类图像属性表并调整字段显示顺序→打开Raster工具面板→点击Raster工具面板的属性图标(RasterAttributes)→打开RasterAttributeEditor对话框(germtm_isodata的属性表),RarsterAttributeEditor对话框菜单条:Edit→ColumnProperties→ColumnProperties对话框在Columns中选择要调整显示顺序的字段,通过UP、DOWN、TOP、BOTTOM等几个按钮调整其合适的位置,通过选择DISPLAYWIDTH调整其显示宽度,通过Alignment调整其对齐方式。如果选择Editable复选框,则可以在Title中修改各个字段的名字及其它内容。在ColumnProperties对话框中,调整字段顺序:依次选择Histogram、Opacity、Color、Class_Names字段,并利用UP按钮移动,使Histogram、Opacity、Color、Class_Names四个字段的显示顺序依次排地前面。→OK(关闭ColumnProperties对话框)如图1-3:图1-3得到的属性表如图1-4:图1-4第三步:给各个类别赋相应的颜色由于初始分类的图像是灰度图像,各类别的显示灰度是系统自动赋予的,为了提高分类图像的直观表达效果,需要重新定义类别颜色。RasterAttributeEditor对话框()→点击一个类别的ROW字段从而选择该类别→右键点击该类别的COLOR字段(颜色显示区)→ASLS色表菜单选择一种合适颜色→重复以上操作,直到给所有类别赋予合适颜色,如图1-5:图1-5第四步:不透明度设置由于分类图像覆盖有原图像上面,为了以单个类别的专题含义与分类精度进行分析,先要把其它所有类别的不透明程序值设为0(即必为透明),而要分析的透明度设为1(即不透明),具体操作如下:RarsterAttributeEditor对话框(germtm_isodata的属性表):→右键点击Opacity字段名→打开ColumnOptions菜单→选择Formula菜单项→打开Formula对话框。 参考技术B 在我们进行用地的解译时，我们一般都会选择ENVI或者ERDAS进行解译，那么其实在ArcGIS中，我们也可以进行解译，包括监督分类与非监督分类，那么这篇就主要介绍一下ArcGIS中的非监督分类，并且将影像中的水域提取出来。

非监督分类，又称“聚类分析或者点群分析”。在多光谱图像中搜寻、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，仅依靠图像上不同地物光谱信息进行特征提取，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。ISODATA就是一种分监督分类的方法，它通过计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元再进行分类。

操作开始之前，我们需要获取卫星遥感数据，那么可以在地理空间数据云、USGS、EARTHDATA下载到LandSat的遥感影像，在这里以LandSat8 OLI影像为例，图示区域大概覆盖珠江三角洲。

1、首先将下载的影像所有波段加载到ArcGIS中，当然也可以选择自己需要的波段。

2、然后进行一个波段合成，data management-栅格-栅格处理-波段合成，同样的也可以只选择需要的波段，比如432波段。

得到合成后的影像图：

然后选择spatial analyst tools-多元分析-ISO聚类非监督分类

这样我们就得到了非监督分类之后的影像，可以看出，精度还是不错的，那么粉色的就是水域，那么我们可以把河流提取出来。

重分类，河流设为1，其他设为2，背景值1设为Nodata。

那么我们就得到了河流区域和非河流区域：

然后进行栅格转面，就可以将河流区域提取出来。

然后打开属性表，按属性选择，选择gridcode=1，右键导出：

这样我们便迅速得到了水域，是不是很简便呢？

我们在卫星图上显示看一下： 参考技术C 分类过程中存在错分漏分现象,分类后的图像同一种地 物属于不同类别,造成同种类别中有多种地物。 实验结论:非监督分类直接对输入的分类过程中存在错分漏分现象,分类后的图像同一种地 物属于不同类别,造成同种类别中有多种地物。 实验结论:(1)非监督分类直接对输入的 参考技术D 在我们进行用地的解译时，我们一般都会选择ENVI或者ERDAS进行解译，那么其实在ArcGIS中，我们也可以进行解译，包括监督分类与非监督分类，那么这篇就主要介绍一下ArcGIS中的非监督分类，并且将影像中的水域提取出来。

非监督分类，又称“聚类分析或者点群分析”。在多光谱图像中搜寻、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，仅依靠图像上不同地物光谱信息进行特征提取，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。ISODATA就是一种分监督分类的方法，它通过计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元再进行分类。

操作开始之前，我们需要获取卫星遥感数据，那么可以在地理空间数据云、USGS、EARTHDATA下载到LandSat的遥感影像，在这里以LandSat8 OLI影像为例，图示区域大概覆盖珠江三角洲。

监督学习和非监督学习

监督学习：

       监督学习就是分类，把人们已经处理好的训练样本（即已知数据和对应输出）给计算机，计算机通过规律训练出一个最佳模型，再用这个模型对输入的数据进行分类，得出对应的输出。

从而使计算机具有对未知数据进行分类的功能。

 特点：目标明确

            需要带标签的训练样本

            分类效果很容易评估

 

非监督学习：

        非监督学习没有训练样本，人们把数据输入到计算机，计算机直接对数据进行建模，不用知道类别是什么，只是把相似度高的东西归到一个类。

 特点：没有明确目标

            不需要带标签的数据

            分类效果难以评估