实习序号及题目 实习人姓名 任课教师姓名 实习地点 榆中校区实验楼 A209
监督分类与非监督分类
专业班级及编号 实习指导教师姓名 实习日期时间 实习目的 2013-12-19
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
基本原理
1、监督分类：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，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数） ，进 而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆 盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影 像的分类。 监督分类的具体步骤：
确定分 类方案 特征选 取 训练样 区选取 与特征 统计 类别可 分性分 析 分类算 法选择 算法实 现 分类后 处理
确定分类方案：要求满足互斥性、完备性和层次性要求 特征选取：选择用于影像分类的最佳波段组合，减少处理数据集的维数（波段数）和分 类处理开销 训练样区选取与特征统计：选择能够代表各种土地覆盖类型的训练样区，并利用训练样 区中的像元矢量数据计算各个土地覆盖类型的多元统计参数， 如均值、 标准差、协方差矩阵、 相关系数矩阵等。 类别可分性分析：根据类型统计参数判别在光谱空间中各个类别之间的距离及其可分性 分类算法选择：最小距离法、最大似然法、平行多面体法，„„ 算法实现：执行分类算法 分类后处理：去除微小图斑，分类精度评价 2、可分性度量： 在任何两个类别之间的分散度（例如 c 和 d） ：
Diver cd
1 1 T tr (c d )(c 1 d 1 ) tr (c 1 d 1 )( M c M d )( M c M d ) 2 2
这里，tr(A)为矩阵的迹（或迹数） ，为线性代数中的一个概念，就是矩阵主对角线（从 左上方至右下方的对角线）上各个元素的总和。 在存在多个类的情况下，需要在类之间进行两两组合计算分散度，最后计算平均分散度
Diver ave
d Divercd c c
1 1
m 1
m
C
ENVI 使用该度量参数进行判别，其参数值的范围在 0～2.0 之间。公式为：
J—M 距离和变换分散度，都是一种特征空间距离度量方法，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(-Divercd/8)],J—M 距离 J=2*(1-e-B)； 3、最大似然分类法是基于概率论中每个像元存在属于所有类别的概率，假设各个类别 训练数据都呈现关于类均值矢量和方差参数的 n 维高斯正态分布，根据像元矢量和上述假设 可利用 n 维正态分布函数计算像
元矢量属于各个类别的概率，比较各个类别的概率值，并将 像元划归到概率最大的那个类别当中去。 4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信 息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩 阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别 训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分 类的总像元数占评价样本像元总数的百分比。 5、Kappa 系数：
Divercd TDivercd 2 1 exp 8
N x kk
k
N2
xk k
xk k
x k
x k
判断不同的模型或者分析方法在预测结果上是否具有一致性、模型的结果与实际结果是 否具有一致性等 6、非监督分类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。 分类监督的步骤： 确定分类数 根据分类数确定各个类别的初始类中心，亦即分类别的均值矢量 依次计算影像上各个像元特征矢量与各集群（cluster）中心之间的距离；进行距 离比较，确定与中心距离最近的类别作为这个像元矢量的所属类别，然后影像像 元全部归并到对应类别中去； 根据各个类别中实际拥有的像元矢量集合的规模和平衡问题，进行大类别分裂和 小类别合并，并计算新的类别均值矢量； 比较新的类别均值与原类别均值的差异，若位置明显发生改变，则以新的类别均 值作为聚类中心，回到第 3 步，进行迭代操作； 否则如果聚类中心不再变化，或者迭代操作到达预定的次数时，计算结束。 7、ENVI 分类后处理: 聚类处理（clump） ：将邻近的类似分类单元进行聚类合并。 过滤处理（Sieve） ：用于解决分类影像中出现的孤岛问题。过滤处理使用斑点分组方 法来消除这些被隔离的分类像元。通过分析周围的 4 或 8 个像元，判定一个像元是否与周围 的像元同组。 如果一类中被分析的像元数少于输入的阈值， 这些像元就会被从该类别中删除， 删除的像元归为未分类的像元。 Majority 分析采用卷积滤波的方法将较大类别中的虚假像元归到这类中，定义一个变 换核尺寸，用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
数据准备
实习 1 选取的研究区 Landsat TM/ETM+数据（512×512）
操作方法及过程
1. 选取研究
区数据（512×512） ，通过目视解译建立分类系统及其编码体系 根据实习要求，在遥感影像上确定并提取出了 12 种地物，分别是居民点、砾石、道路、 河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。同时确定土地的覆盖类型、编 码以及色调。
居民点 道路 水浇地 裸地 滩地 草地
Town Road irrigated land barren land shoaly land grassland
砾石 水稻田 水库 工业区 林地 河流
gravel desert paddy land reservoir industrial area forest stream
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。 加载 512*512 影像，右击 Image 窗体，选择 ROI Tool，进行 ROI 采集，在 Zoom 中选择 样本区，根据地物的情况选择 point、polyline、polygon 方式建立训练区。 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。 ROI Tool 中选 Options 的统计训练区可分性 Compute ROI Separability，选择中卫影像， 点击确定，选择所有训练区，统计 J—M 距离和分散度。 4. 监督分类：利用最大似然法完成分类。 ①具体步骤： Classification|Supervised| Maximum Likelihood， Set Input File 对话框中导 在 入影像。 在打开的对话框中选 Select All Items， 其中 Set Probability Threshold 设为 NO，Output Rule Image 设为 No，选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。具体操作：在监督分类影像中 的 Image 上选择 Overlay|Classification，点击“Supervised” ，选择 Option|Edit class colors/name 等来修改地物的名称和颜色
5. 分类精度评价， 从随机采集 100～200 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。 选择 Classification 中的分类后处理 post classification，选择混淆矩阵 Confusion Matrix 的 Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一 对应加载进来，点击确定，即可生成混淆矩阵
6. 分类后处理（clump—sieve—majority） 。 类别集群：选择 Classification|Post Classification，Clump Classes，在 Select Input File 对 话框中选择 Supervised。最后设定数据输出路径。 类别筛选：选择 Classification|Post Classification|Sieve classes，在 Select Input File 中选择 Supervised，Group Min Threshold 设为 2,Number of Neighbors 为 8，进行保存。 主/次要分析： Classification|Post Classification|Majority/Minority Analysis，在 Select Input File 对话框中选择 Supervised|Select All Items，Analysis Method 设定为 Majority，最后选择保 存路径。
Clump 对话框 Sieve 对话框 Majority 对话框 7.
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。 1、选择 Classification 的非监督分类 Unsupervised，选择者 IsoData，选择 512*512 子区， 设置参数。
Number of classes 为 分类的数目； Maximum iterations 为 迭代次数
2、在 Overlay 下选择 Classification，选择之前的非监督分类影像，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 Classification 中的分类后处 理 post classification，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、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。
特征统计表
Stats for ROI: greval desert [Yellow1] 1325 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 63.00 60.00 76.00 64.00 69.00 60.00 Max 89.00 93.00 117.00 98.00 124.00 113.00 Mean 76.79 76.14 95.99 82.60 97.56 86.65 Stdev 4.63 6.78 8.34 7.16 13.95 13.01 Eigenvalue 535.02 10.10 4.03 1.35 0.98 0.69
Stats for ROI: road [Cyan2] 181 points Basic Stats Band 1 Band 2 Min 51.00 43.00 Max 78.00 79.00 Mean 63.13 57.26 Stdev 6.05 6.92 Eigenvalue 489.67 161.11
Band 3 Band 4 Band 5 Band 6
37.00 43.00 41.00 25.00
102.00 108.00 102.00 93.00
61.31 80.10 64.22 48.97
12.05 12.02 11.49 12.58
10.03 1.59 1.32 0.57
Stats for ROI: paddy land [Green] 2024 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 48.00 39.00 34.00 45.00 23.00 16.00 Max 82.00 75.00 87.00 129.00 75.00 63.00 Mean 52.57 46.54 43.92 74.29 41.43 26.55 Stdev 2.66 3.21 5.40 7.95 7.34 5.62 Eigenvalue 128.67 54.25 10.07 0.88 0.77 0.54
Stats for ROI: irrigated land [Green3] 456 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 46.00 39.00 32.00 90.00 48.00 24.00 Max 58.00 53.00 48.00 131.00 64.00 42.00 Mean 50.23 44.43 38.70 109.39 53.85 29.95 Stdev 1.57 2.17 2.98 5.20 2.51 2.48 Eigenvalue 27.76 21.76 4.00 0.85 0.63 0.51
Stats for ROI: reservior [Black] 8 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 52.00 49.00 48.00 54.00 38.00 26.00 Max 68.00 69.00 77.00 82.00 77.00 65.00 Mean 60.88 60.13 64.63 70.88 51.88 40.50 Stdev 5.03 7.72 9.96 8.59 11.92 11.89 Eigenvalue 410.52 104.13 25.11 1.46 0.11 0.00
Stats for ROI: barren land [Yellow2] 4468 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 57.00 51.00 52.00 39.00 38.00 36.00 Max 95.00 101.00 134.00 107.00 134.00 121.00 Mean 77.73 77.81 97.26 82.73 97.43 85.77 Stdev 4.09 5.66 9.72 8.30 13.31 13.08 Eigenvalue 496.83 33.58 21.34 6.23 1.42 0.67
Stats for ROI: industrial area [Blue2] 21
6 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 50.00 41.00 36.00 35.00 33.00 30.00 Max 81.00 77.00 99.00 99.00 93.00 80.00 Mean 64.65 58.67 65.60 72.61 64.91 51.34 Stdev 6.66 7.84 12.47 17.87 13.05 10.37 Eigenvalue 499.91 343.06 11.57 2.32 1.23 0.55
Stats for ROI: shoaly land [Red] 147 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 53.00 46.00 50.00 61.00 51.00 35.00 Max 65.00 61.00 72.00 83.00 89.00 69.00 Mean 58.61 51.82 58.67 69.18 71.04 52.00 Stdev 2.55 3.55 4.90 3.20 10.73 8.57 Eigenvalue 190.30 39.17 9.64 1.63 0.63 0.58
Stats for ROI: forest [Cyan] 60 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 50.00 43.00 37.00 86.00 54.00 27.00 Max 62.00 61.00 67.00 104.00 80.00 58.00 Mean 56.83 52.82 55.02 92.95 67.02 43.57 Stdev 2.53 3.20 5.31 3.83 4.87 5.29 Eigenvalue 90.37 14.23 3.93 1.45 0.87 0.42
Stats for ROI: grassland [Blue] 7 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 53.00 45.00 42.00 92.00 62.00 35.00 Max 63.00 60.00 69.00 111.00 87.00 61.00 Mean 57.29 51.86 53.43 100.43 72.14 46.71 Stdev 4.35 6.82 10.91 6.97 9.75 10.01 Eigenvalue 400.17 25.41 1.53 0.92 0.24 0.06
Stats for ROI: stream [Blue] 351 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 66.00 71.00 93.00 80.00 16.00 11.00 Min 63.00 60.00 76.00 64.00 69.00 60.00 Max 84.00 91.00 121.00 96.00 41.00 30.00 Max 89.00 93.00 117.00 98.00 124.00 113.00 Mean 70.11 74.71 100.98 83.10 19.81 14.91 Mean 76.79 76.14 95.99 82.60 97.56 86.65 Stdev 2.77 2.78 3.27 2.32 3.19 2.72 Stdev 4.63 6.78 8.34 7.16 13.95 13.01 Eigenvalue 38.32 8.27 0.90 0.61 0.48 0.43 Eigenvalue 535.02 10.10 4.03 1.35 0.98 0.69
Stats for ROI: gravel desert [Yellow1] 1325 points
【结果与分析】 ：12 种地物中根据统计折线图走势可以大体分为 2 类：黄蓝橙色（地物 为乡村、裸地、河流，其在 345 波段形成中间凹型）和其余的（地物上均含有绿色植被、在 345 波段形成中间凸型） ，其主要区别就是土地上是否有绿色植被，因为绿色植被能强烈吸收 第四波段；
河流的方差最小，说明在地物选择过程中，河流的杂质最少，而裸地、工业区、小型水 库、砾石的方差较大，则在选择过程中，地物杂质较多，由于裸地与砾石较难区分，容易混 淆，而工业区、小型水库面积较小，容易选取其它杂质； 2、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。 其中 1=town、 2=gravel desert、 3=road、 4=paddy land、 5=irrigated land、 6=reservoir、 7=barren land、8=industrial area、9=shoaly land、10=forest、11=grassland、12=stream Jeffries-Matusita： 1 1 \ 2 1.63 2 \ 3 4 5 6 7 8 9 10 11 12 1.63 1.55 2.00 2.00 1.99 1.07 1.46 1.98 2.00 2.00 2.00 1.92 2.00 2.00 2.00 1.12 1.93 2.00 2.00 2.00 2.00 \ 1.69 1.89 1.98 1.73 0.79 1.96 1.60 1.92 2.00 \ 1.97 1.
94 2.00 1.89 1.94 1.94 1.99 2.00 \ 2.00 2.00 1.99 2.00 1.95 2.00 2.00 \ 1.99 1.98 1.97 2.00 2.00 2.00 \ 1.69 1.99 2.00 2.00 2.00 \ 1.83 1.69 1.89 2.00 \ 2.00 2.00 2.00 \ 1.94 2.00 \ 2.00 \
3 1.55 1.92
4 2.00 2.00 1.69
5 2.00 2.00 1.89 1.97
6 2.00 2.00 1.98 1.94 2.00
7 1.07 1.12 1.73 2.00 2.00 1.99
8 1.46 1.93 0.79 1.89 1.99 1.98 1.69
9 1.98 2.00 1.96 1.94 2.00 1.97 1.99 1.83
10 2.00 2.00 1.60 1.94 1.95 2.00 2.00 1.69 2.00
11 2.00 2.00 1.92 1.99 2.00 2.00 2.00 1.89 2.00 1.94 Transformed Divergence：
12 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00
1 2 3 4 5 6 7 8 9 10 11 12 1 \ 1.98 1.83 2.00 2.00 2.00 1.14 1.67 2.00 2.00 2.00 2.00 2 1.98 \ 2.00 2.00 2.00 2.00 1.65 2.00 2.00 2.00 2.00 2.00 3 1.83 2.00 \ 1.91 2.00 2.00 1.92 0.89 2.00 1.99 2.00 2.00 4 2.00 2.00 1.91 \ 2.00 2.00 2.00 1.98 2.00 2.00 2.00 2.00 5 2.00 2.00 2.00 2.00 \ 2.00 2.00 2.00 2.00 1.99 2.00 2.00 6 2.00 2.00 2.00 2.00 2.00 \ 2.00 2.00 2.00 2.00 2.00 2.00 7 1.14 1.65 1.92 2.00 2.00 2.00 \ 1.91 2.00 2.00 2.00 2.00 8 1.67 2.00 0.89 1.98 2.00 2.00 1.91 \ 1.99 2.00 2.00 2.00 9 2.00 2.00 2.00 2.00 2.00 2.00 2.00 1.99 \ 2.00 2.00 2.00 10 2.00 2.00 1.99 2.00 1.99 2.00 2.00 2.00 2.00 \ 2.00 2.00 11 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 \ 2.00
【结果与分析】 ：多数值都集中在 1.9 左右，为了区分没有将其只保留两位小数。根据 J—M 距离的定义，其值大于 1.9 则两种地物具有很好的可分性，若介于 1.5 到 1.8 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。由导出 的结果可以看出，大多数地物经过目视解译和监督分类后都具有很好的可分性，其中道路 与工业区可分性较低外，其余地物也都比较容易辨别。 3、监督分类：
原始影像分类后影像 经过最大似然法的监督分类后，主要地物可以被分类出来，可以看出大概的分类结果和 各种主要地物的分布情况，但由于算法本身存在问题和在选取训练区时的人为因素造成很严 重椒盐现象并且由于人为因素使得居民点划分有很大误差。 4、分类精度评价 Overall Accuracy = (7639/9947) 76.7970% Kappa Coefficient = 0.7046 Ground Truth (Pixels)
Class Unclassified town greval desert road paddy land irrigated lan reservoir 0 barren land industrail ar shoaly land forest grssland stream Total Class Unclassified town greval desert road paddy land irrigated land 0 0 0 0 0 0 704 0 0 0 1325 76 45 0 0 0 0 181 0 9 0 0 2024 forest 0 0 3 25 0 0 1 4 1 0 0 0 2 0 1 0 0 0 33 0 0 0 118 3 543 7 0 22 1182 0 0 0 0 5 19 0 8 0 0 456 124 7 5 16 1 14 17 2 0 towngraveldesert 0 9 3 75 1886 5 0 0 0 0 road 0 2 0 3 5 446 paddy landirrigated land 0 0 0 0
Ground Truth (Pixels)
reservoir barren landindustrial areashoaly land 0 450 1022 46 0 13 0
reservoir barren land industrial area shoaly land forest grassland stream 0 Total Class town gravel desert road paddy land irrigated land reservoir
barren land industrial area shoaly land forest grassland stream [Blue] 44.55 50.00 68.00 6.93 59.87 0.68 Commission 8 0 0
8 0 0 0 5 3 0 4468 Omission (Percent) 22.87 10.79 31.49 6.82 2.19 0.00 38.38 65.09 16.86 6.67 0.00 0.00 3.25
1 2753 176 12 21 4 0 216
0 5 140 0 0 0 147
0 0 3 143 0 0 0 60 56
0 0 1 0
Commission (Pixels) 496/1039 1035/2217 185/309 13/1899 15/461 17/25 205/2958 261/401 29/172 45/101 7/14 0/351 0.00
Omission (Pixels) 161/704 143/1325 57/181 138/2024 10/456 0/8 1715/4468 76/216 4/147 4/60 0/7 0/351
(Percent) 47.74 46.68
35.19 2.72
制图精度： Class
Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) town 77.13 52.26 543/704 543/1039 gravel desert 89.21 53.32 1182/1325 1182/2217 road 68.51 40.13 124/181 124/309 paddy land 93.18 99.32 1886/2024 1886/1899 irrigated land 97.81 96.75 446/456 446/461 reservoir 100.00 32.00 8/8 8/25 barren land 61.62 93.07 2753/4468 2753/2958 industrialarea 64.81 34.91 140/216 140/401 shoaly land 97.28 83.14 143/147 143/172 forest 93.33 55.45 56/60 56/101 grassland 100.00 50.00 7/7 7/14 stream 100.00 100.00 351/351 351/351 植被整体漏粉和错分现象比较少；道路，居民地，工业区存在好多漏分和错分现象。 5、分类后处理（clump—sieve—majority） 。
分类后影像 clump 后影像 【结果与分析】 ：聚类处理将邻近的类似分类单元进行聚类合并，可以看到影像中比较 小的地物被合并，但是也将一些比较孤立的地物被错分。
分类后影像 sieve 后影像 【结果与分析】 ：过滤处理解决分类影像中出现的孤岛问题。过滤处理使用斑点分组方 法来消除这些被隔离的分类像元。但是使得影像更为破碎，出现了更多的黑点（在影像北方 的裸地与砾石更加明显） ，椒盐现象更明显。
分类后影像 Majority 后影像 【结果与分析】 ：主要分析后的影像效果较好，椒盐现象得到一定程度的避免，并且将 一些影像里小的地块进行合并，使影像更加光滑。 7. 运用 ISODATA 方法进行非监督分类：
监督分类影像非监督分类影像非监督分类处理影像 【结果与分析】 ：非监督分类影像中共 30 种根据摇感光谱划分的地物，明显可以感觉到 地物分离太过破碎，并且由于“同物异谱”、“异物同谱”等原因使得同一地物被划分成不 同类别或者不同地物被划分为同一地物；非监督分类处理影像将 30 类进行处理与合并，将 名称与颜色进行重处理，然后得到影像，但是由于一些地物（水库、草地）等分布较少、破 碎，所以被漏分，并且由于非监督分类后，30 种地物有的颜色一致，在后期处理里存在很大 的问题，使得同一个地物不知道是何种。
存在问题与解决办法
1、在监督分类进行训练样本数据采集时，由于对影像的地理信息不是很清楚，导致地 物选取有很大
的误差，城镇居民区、工业区选区不能有效地区分，裸地与砾石也比较难以辨 别。 解决办法：加载结果影像，观察错分的地物，然后在人为的将错选的地物归类到合适的 ROI； 2、在非监督分类中由于“同物异谱”、“异物同谱”等原因使得同一地物被划分成不 同类别或者不同地物被划分为同一地物，并且由于 30 种颜色有的重复，不能确定对应关系， 操作很麻烦； 解决办法：每一种颜色变动后，在重新加载，观察前后两张影像变动地方，然后在进行 归类，但是由于地物较多，并且地物破碎，所以操作量较大；
3、对 J—M 距离、分散度理解不能完全理解，不明白他们的含义。
总结
选取训练区的时候容易错分和漏分，在后面调整的时候就需要不断地修改 ROI，并且有 的细小地物如道路，很容易被错分；在非监督分类中由于“同物异谱”、“异物同谱”等原 因使得同一地物被划分成不同类别或者不同地物被划分为同一地物，并且由于 30 种颜色有 的重复，不能确定对应关系，操作很麻烦，需要变动每一种颜色，重新加载，观察前后两张 影像变动地方，然后确定每种颜色代表的地物在进行归类。 通过实习的操作过程，对监督分类和非监督分类的原理有了更深入的理解。根据各种不 同分类的效果，能够很好的知道不同分类方法的各自的有点和缺点。
实习序号及题目 实习人姓名 任课教师姓名 实习地点 榆中校区实验楼 A209
监督分类与非监督分类
专业班级及编号 实习指导教师姓名 实习日期时间 实习目的 2013-12-19
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
基本原理
1、监督分类：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，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数） ，进 而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆 盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影 像的分类。 监督分类的具体步骤：
确定分 类方案 特征选 取 训练样 区选取 与特征 统计 类别可 分性分 析 分类算 法选择 算法实 现 分类后 处理
确定分类方案：要求满足互斥性、完备性和层次性要求 特征选取：选择用于影像分类的最佳波段组合，减少处理数据集的维数（波段数）和分 类处理开销 训练样区选取与特征统计：选择能够代表各种土地覆盖类型的训练样区，并利用训练样 区中的像元矢量数据计算各个土地覆盖类型的多元统计参数， 如均值、 标准差、协方差矩阵、 相关系数矩阵等。 类别可分性分析：根据类型统计参数判别在光谱空间中各个类别之间的距离及其可分性 分类算法选择：最小距离法、最大似然法、平行多面体法，„„ 算法实现：执行分类算法 分类后处理：去除微小图斑，分类精度评价 2、可分性度量： 在任何两个类别之间的分散度（例如 c 和 d） ：
Diver cd
1 1 T tr (c d )(c 1 d 1 ) tr (c 1 d 1 )( M c M d )( M c M d ) 2 2
这里，tr(A)为矩阵的迹（或迹数） ，为线性代数中的一个概念，就是矩阵主对角线（从 左上方至右下方的对角线）上各个元素的总和。 在存在多个类的情况下，需要在类之间进行两两组合计算分散度，最后计算平均分散度
Diver ave
d Divercd c c
1 1
m 1
m
C
ENVI 使用该度量参数进行判别，其参数值的范围在 0～2.0 之间。公式为：
J—M 距离和变换分散度，都是一种特征空间距离度量方法，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(-Divercd/8)],J—M 距离 J=2*(1-e-B)； 3、最大似然分类法是基于概率论中每个像元存在属于所有类别的概率，假设各个类别 训练数据都呈现关于类均值矢量和方差参数的 n 维高斯正态分布，根据像元矢量和上述假设 可利用 n 维正态分布函数计算像
元矢量属于各个类别的概率，比较各个类别的概率值，并将 像元划归到概率最大的那个类别当中去。 4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信 息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩 阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别 训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分 类的总像元数占评价样本像元总数的百分比。 5、Kappa 系数：
Divercd TDivercd 2 1 exp 8
N x kk
k
N2
xk k
xk k
x k
x k
判断不同的模型或者分析方法在预测结果上是否具有一致性、模型的结果与实际结果是 否具有一致性等 6、非监督分类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。 分类监督的步骤： 确定分类数 根据分类数确定各个类别的初始类中心，亦即分类别的均值矢量 依次计算影像上各个像元特征矢量与各集群（cluster）中心之间的距离；进行距 离比较，确定与中心距离最近的类别作为这个像元矢量的所属类别，然后影像像 元全部归并到对应类别中去； 根据各个类别中实际拥有的像元矢量集合的规模和平衡问题，进行大类别分裂和 小类别合并，并计算新的类别均值矢量； 比较新的类别均值与原类别均值的差异，若位置明显发生改变，则以新的类别均 值作为聚类中心，回到第 3 步，进行迭代操作； 否则如果聚类中心不再变化，或者迭代操作到达预定的次数时，计算结束。 7、ENVI 分类后处理: 聚类处理（clump） ：将邻近的类似分类单元进行聚类合并。 过滤处理（Sieve） ：用于解决分类影像中出现的孤岛问题。过滤处理使用斑点分组方 法来消除这些被隔离的分类像元。通过分析周围的 4 或 8 个像元，判定一个像元是否与周围 的像元同组。 如果一类中被分析的像元数少于输入的阈值， 这些像元就会被从该类别中删除， 删除的像元归为未分类的像元。 Majority 分析采用卷积滤波的方法将较大类别中的虚假像元归到这类中，定义一个变 换核尺寸，用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
数据准备
实习 1 选取的研究区 Landsat TM/ETM+数据（512×512）
操作方法及过程
1. 选取研究
区数据（512×512） ，通过目视解译建立分类系统及其编码体系 根据实习要求，在遥感影像上确定并提取出了 12 种地物，分别是居民点、砾石、道路、 河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。同时确定土地的覆盖类型、编 码以及色调。
居民点 道路 水浇地 裸地 滩地 草地
Town Road irrigated land barren land shoaly land grassland
砾石 水稻田 水库 工业区 林地 河流
gravel desert paddy land reservoir industrial area forest stream
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。 加载 512*512 影像，右击 Image 窗体，选择 ROI Tool，进行 ROI 采集，在 Zoom 中选择 样本区，根据地物的情况选择 point、polyline、polygon 方式建立训练区。 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。 ROI Tool 中选 Options 的统计训练区可分性 Compute ROI Separability，选择中卫影像， 点击确定，选择所有训练区，统计 J—M 距离和分散度。 4. 监督分类：利用最大似然法完成分类。 ①具体步骤： Classification|Supervised| Maximum Likelihood， Set Input File 对话框中导 在 入影像。 在打开的对话框中选 Select All Items， 其中 Set Probability Threshold 设为 NO，Output Rule Image 设为 No，选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。具体操作：在监督分类影像中 的 Image 上选择 Overlay|Classification，点击“Supervised” ，选择 Option|Edit class colors/name 等来修改地物的名称和颜色
5. 分类精度评价， 从随机采集 100～200 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。 选择 Classification 中的分类后处理 post classification，选择混淆矩阵 Confusion Matrix 的 Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一 对应加载进来，点击确定，即可生成混淆矩阵
6. 分类后处理（clump—sieve—majority） 。 类别集群：选择 Classification|Post Classification，Clump Classes，在 Select Input File 对 话框中选择 Supervised。最后设定数据输出路径。 类别筛选：选择 Classification|Post Classification|Sieve classes，在 Select Input File 中选择 Supervised，Group Min Threshold 设为 2,Number of Neighbors 为 8，进行保存。 主/次要分析： Classification|Post Classification|Majority/Minority Analysis，在 Select Input File 对话框中选择 Supervised|Select All Items，Analysis Method 设定为 Majority，最后选择保 存路径。
Clump 对话框 Sieve 对话框 Majority 对话框 7.
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。 1、选择 Classification 的非监督分类 Unsupervised，选择者 IsoData，选择 512*512 子区， 设置参数。
Number of classes 为 分类的数目； Maximum iterations 为 迭代次数
2、在 Overlay 下选择 Classification，选择之前的非监督分类影像，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 Classification 中的分类后处 理 post classification，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、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。
特征统计表
Stats for ROI: greval desert [Yellow1] 1325 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 63.00 60.00 76.00 64.00 69.00 60.00 Max 89.00 93.00 117.00 98.00 124.00 113.00 Mean 76.79 76.14 95.99 82.60 97.56 86.65 Stdev 4.63 6.78 8.34 7.16 13.95 13.01 Eigenvalue 535.02 10.10 4.03 1.35 0.98 0.69
Stats for ROI: road [Cyan2] 181 points Basic Stats Band 1 Band 2 Min 51.00 43.00 Max 78.00 79.00 Mean 63.13 57.26 Stdev 6.05 6.92 Eigenvalue 489.67 161.11
Band 3 Band 4 Band 5 Band 6
37.00 43.00 41.00 25.00
102.00 108.00 102.00 93.00
61.31 80.10 64.22 48.97
12.05 12.02 11.49 12.58
10.03 1.59 1.32 0.57
Stats for ROI: paddy land [Green] 2024 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 48.00 39.00 34.00 45.00 23.00 16.00 Max 82.00 75.00 87.00 129.00 75.00 63.00 Mean 52.57 46.54 43.92 74.29 41.43 26.55 Stdev 2.66 3.21 5.40 7.95 7.34 5.62 Eigenvalue 128.67 54.25 10.07 0.88 0.77 0.54
Stats for ROI: irrigated land [Green3] 456 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 46.00 39.00 32.00 90.00 48.00 24.00 Max 58.00 53.00 48.00 131.00 64.00 42.00 Mean 50.23 44.43 38.70 109.39 53.85 29.95 Stdev 1.57 2.17 2.98 5.20 2.51 2.48 Eigenvalue 27.76 21.76 4.00 0.85 0.63 0.51
Stats for ROI: reservior [Black] 8 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 52.00 49.00 48.00 54.00 38.00 26.00 Max 68.00 69.00 77.00 82.00 77.00 65.00 Mean 60.88 60.13 64.63 70.88 51.88 40.50 Stdev 5.03 7.72 9.96 8.59 11.92 11.89 Eigenvalue 410.52 104.13 25.11 1.46 0.11 0.00
Stats for ROI: barren land [Yellow2] 4468 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 57.00 51.00 52.00 39.00 38.00 36.00 Max 95.00 101.00 134.00 107.00 134.00 121.00 Mean 77.73 77.81 97.26 82.73 97.43 85.77 Stdev 4.09 5.66 9.72 8.30 13.31 13.08 Eigenvalue 496.83 33.58 21.34 6.23 1.42 0.67
Stats for ROI: industrial area [Blue2] 21
6 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 50.00 41.00 36.00 35.00 33.00 30.00 Max 81.00 77.00 99.00 99.00 93.00 80.00 Mean 64.65 58.67 65.60 72.61 64.91 51.34 Stdev 6.66 7.84 12.47 17.87 13.05 10.37 Eigenvalue 499.91 343.06 11.57 2.32 1.23 0.55
Stats for ROI: shoaly land [Red] 147 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 53.00 46.00 50.00 61.00 51.00 35.00 Max 65.00 61.00 72.00 83.00 89.00 69.00 Mean 58.61 51.82 58.67 69.18 71.04 52.00 Stdev 2.55 3.55 4.90 3.20 10.73 8.57 Eigenvalue 190.30 39.17 9.64 1.63 0.63 0.58
Stats for ROI: forest [Cyan] 60 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 50.00 43.00 37.00 86.00 54.00 27.00 Max 62.00 61.00 67.00 104.00 80.00 58.00 Mean 56.83 52.82 55.02 92.95 67.02 43.57 Stdev 2.53 3.20 5.31 3.83 4.87 5.29 Eigenvalue 90.37 14.23 3.93 1.45 0.87 0.42
Stats for ROI: grassland [Blue] 7 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 53.00 45.00 42.00 92.00 62.00 35.00 Max 63.00 60.00 69.00 111.00 87.00 61.00 Mean 57.29 51.86 53.43 100.43 72.14 46.71 Stdev 4.35 6.82 10.91 6.97 9.75 10.01 Eigenvalue 400.17 25.41 1.53 0.92 0.24 0.06
Stats for ROI: stream [Blue] 351 points Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Basic Stats Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Min 66.00 71.00 93.00 80.00 16.00 11.00 Min 63.00 60.00 76.00 64.00 69.00 60.00 Max 84.00 91.00 121.00 96.00 41.00 30.00 Max 89.00 93.00 117.00 98.00 124.00 113.00 Mean 70.11 74.71 100.98 83.10 19.81 14.91 Mean 76.79 76.14 95.99 82.60 97.56 86.65 Stdev 2.77 2.78 3.27 2.32 3.19 2.72 Stdev 4.63 6.78 8.34 7.16 13.95 13.01 Eigenvalue 38.32 8.27 0.90 0.61 0.48 0.43 Eigenvalue 535.02 10.10 4.03 1.35 0.98 0.69
Stats for ROI: gravel desert [Yellow1] 1325 points
【结果与分析】 ：12 种地物中根据统计折线图走势可以大体分为 2 类：黄蓝橙色（地物 为乡村、裸地、河流，其在 345 波段形成中间凹型）和其余的（地物上均含有绿色植被、在 345 波段形成中间凸型） ，其主要区别就是土地上是否有绿色植被，因为绿色植被能强烈吸收 第四波段；
河流的方差最小，说明在地物选择过程中，河流的杂质最少，而裸地、工业区、小型水 库、砾石的方差较大，则在选择过程中，地物杂质较多，由于裸地与砾石较难区分，容易混 淆，而工业区、小型水库面积较小，容易选取其它杂质； 2、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。 其中 1=town、 2=gravel desert、 3=road、 4=paddy land、 5=irrigated land、 6=reservoir、 7=barren land、8=industrial area、9=shoaly land、10=forest、11=grassland、12=stream Jeffries-Matusita： 1 1 \ 2 1.63 2 \ 3 4 5 6 7 8 9 10 11 12 1.63 1.55 2.00 2.00 1.99 1.07 1.46 1.98 2.00 2.00 2.00 1.92 2.00 2.00 2.00 1.12 1.93 2.00 2.00 2.00 2.00 \ 1.69 1.89 1.98 1.73 0.79 1.96 1.60 1.92 2.00 \ 1.97 1.
94 2.00 1.89 1.94 1.94 1.99 2.00 \ 2.00 2.00 1.99 2.00 1.95 2.00 2.00 \ 1.99 1.98 1.97 2.00 2.00 2.00 \ 1.69 1.99 2.00 2.00 2.00 \ 1.83 1.69 1.89 2.00 \ 2.00 2.00 2.00 \ 1.94 2.00 \ 2.00 \
3 1.55 1.92
4 2.00 2.00 1.69
5 2.00 2.00 1.89 1.97
6 2.00 2.00 1.98 1.94 2.00
7 1.07 1.12 1.73 2.00 2.00 1.99
8 1.46 1.93 0.79 1.89 1.99 1.98 1.69
9 1.98 2.00 1.96 1.94 2.00 1.97 1.99 1.83
10 2.00 2.00 1.60 1.94 1.95 2.00 2.00 1.69 2.00
11 2.00 2.00 1.92 1.99 2.00 2.00 2.00 1.89 2.00 1.94 Transformed Divergence：
12 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00
1 2 3 4 5 6 7 8 9 10 11 12 1 \ 1.98 1.83 2.00 2.00 2.00 1.14 1.67 2.00 2.00 2.00 2.00 2 1.98 \ 2.00 2.00 2.00 2.00 1.65 2.00 2.00 2.00 2.00 2.00 3 1.83 2.00 \ 1.91 2.00 2.00 1.92 0.89 2.00 1.99 2.00 2.00 4 2.00 2.00 1.91 \ 2.00 2.00 2.00 1.98 2.00 2.00 2.00 2.00 5 2.00 2.00 2.00 2.00 \ 2.00 2.00 2.00 2.00 1.99 2.00 2.00 6 2.00 2.00 2.00 2.00 2.00 \ 2.00 2.00 2.00 2.00 2.00 2.00 7 1.14 1.65 1.92 2.00 2.00 2.00 \ 1.91 2.00 2.00 2.00 2.00 8 1.67 2.00 0.89 1.98 2.00 2.00 1.91 \ 1.99 2.00 2.00 2.00 9 2.00 2.00 2.00 2.00 2.00 2.00 2.00 1.99 \ 2.00 2.00 2.00 10 2.00 2.00 1.99 2.00 1.99 2.00 2.00 2.00 2.00 \ 2.00 2.00 11 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 2.00 \ 2.00
【结果与分析】 ：多数值都集中在 1.9 左右，为了区分没有将其只保留两位小数。根据 J—M 距离的定义，其值大于 1.9 则两种地物具有很好的可分性，若介于 1.5 到 1.8 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。由导出 的结果可以看出，大多数地物经过目视解译和监督分类后都具有很好的可分性，其中道路 与工业区可分性较低外，其余地物也都比较容易辨别。 3、监督分类：
原始影像分类后影像 经过最大似然法的监督分类后，主要地物可以被分类出来，可以看出大概的分类结果和 各种主要地物的分布情况，但由于算法本身存在问题和在选取训练区时的人为因素造成很严 重椒盐现象并且由于人为因素使得居民点划分有很大误差。 4、分类精度评价 Overall Accuracy = (7639/9947) 76.7970% Kappa Coefficient = 0.7046 Ground Truth (Pixels)
Class Unclassified town greval desert road paddy land irrigated lan reservoir 0 barren land industrail ar shoaly land forest grssland stream Total Class Unclassified town greval desert road paddy land irrigated land 0 0 0 0 0 0 704 0 0 0 1325 76 45 0 0 0 0 181 0 9 0 0 2024 forest 0 0 3 25 0 0 1 4 1 0 0 0 2 0 1 0 0 0 33 0 0 0 118 3 543 7 0 22 1182 0 0 0 0 5 19 0 8 0 0 456 124 7 5 16 1 14 17 2 0 towngraveldesert 0 9 3 75 1886 5 0 0 0 0 road 0 2 0 3 5 446 paddy landirrigated land 0 0 0 0
Ground Truth (Pixels)
reservoir barren landindustrial areashoaly land 0 450 1022 46 0 13 0
reservoir barren land industrial area shoaly land forest grassland stream 0 Total Class town gravel desert road paddy land irrigated land reservoir
barren land industrial area shoaly land forest grassland stream [Blue] 44.55 50.00 68.00 6.93 59.87 0.68 Commission 8 0 0
8 0 0 0 5 3 0 4468 Omission (Percent) 22.87 10.79 31.49 6.82 2.19 0.00 38.38 65.09 16.86 6.67 0.00 0.00 3.25
1 2753 176 12 21 4 0 216
0 5 140 0 0 0 147
0 0 3 143 0 0 0 60 56
0 0 1 0
Commission (Pixels) 496/1039 1035/2217 185/309 13/1899 15/461 17/25 205/2958 261/401 29/172 45/101 7/14 0/351 0.00
Omission (Pixels) 161/704 143/1325 57/181 138/2024 10/456 0/8 1715/4468 76/216 4/147 4/60 0/7 0/351
(Percent) 47.74 46.68
35.19 2.72
制图精度： Class
Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) town 77.13 52.26 543/704 543/1039 gravel desert 89.21 53.32 1182/1325 1182/2217 road 68.51 40.13 124/181 124/309 paddy land 93.18 99.32 1886/2024 1886/1899 irrigated land 97.81 96.75 446/456 446/461 reservoir 100.00 32.00 8/8 8/25 barren land 61.62 93.07 2753/4468 2753/2958 industrialarea 64.81 34.91 140/216 140/401 shoaly land 97.28 83.14 143/147 143/172 forest 93.33 55.45 56/60 56/101 grassland 100.00 50.00 7/7 7/14 stream 100.00 100.00 351/351 351/351 植被整体漏粉和错分现象比较少；道路，居民地，工业区存在好多漏分和错分现象。 5、分类后处理（clump—sieve—majority） 。
分类后影像 clump 后影像 【结果与分析】 ：聚类处理将邻近的类似分类单元进行聚类合并，可以看到影像中比较 小的地物被合并，但是也将一些比较孤立的地物被错分。
分类后影像 sieve 后影像 【结果与分析】 ：过滤处理解决分类影像中出现的孤岛问题。过滤处理使用斑点分组方 法来消除这些被隔离的分类像元。但是使得影像更为破碎，出现了更多的黑点（在影像北方 的裸地与砾石更加明显） ，椒盐现象更明显。
分类后影像 Majority 后影像 【结果与分析】 ：主要分析后的影像效果较好，椒盐现象得到一定程度的避免，并且将 一些影像里小的地块进行合并，使影像更加光滑。 7. 运用 ISODATA 方法进行非监督分类：
监督分类影像非监督分类影像非监督分类处理影像 【结果与分析】 ：非监督分类影像中共 30 种根据摇感光谱划分的地物，明显可以感觉到 地物分离太过破碎，并且由于“同物异谱”、“异物同谱”等原因使得同一地物被划分成不 同类别或者不同地物被划分为同一地物；非监督分类处理影像将 30 类进行处理与合并，将 名称与颜色进行重处理，然后得到影像，但是由于一些地物（水库、草地）等分布较少、破 碎，所以被漏分，并且由于非监督分类后，30 种地物有的颜色一致，在后期处理里存在很大 的问题，使得同一个地物不知道是何种。
存在问题与解决办法
1、在监督分类进行训练样本数据采集时，由于对影像的地理信息不是很清楚，导致地 物选取有很大
的误差，城镇居民区、工业区选区不能有效地区分，裸地与砾石也比较难以辨 别。 解决办法：加载结果影像，观察错分的地物，然后在人为的将错选的地物归类到合适的 ROI； 2、在非监督分类中由于“同物异谱”、“异物同谱”等原因使得同一地物被划分成不 同类别或者不同地物被划分为同一地物，并且由于 30 种颜色有的重复，不能确定对应关系， 操作很麻烦； 解决办法：每一种颜色变动后，在重新加载，观察前后两张影像变动地方，然后在进行 归类，但是由于地物较多，并且地物破碎，所以操作量较大；
3、对 J—M 距离、分散度理解不能完全理解，不明白他们的含义。
总结
选取训练区的时候容易错分和漏分，在后面调整的时候就需要不断地修改 ROI，并且有 的细小地物如道路，很容易被错分；在非监督分类中由于“同物异谱”、“异物同谱”等原 因使得同一地物被划分成不同类别或者不同地物被划分为同一地物，并且由于 30 种颜色有 的重复，不能确定对应关系，操作很麻烦，需要变动每一种颜色，重新加载，观察前后两张 影像变动地方，然后确定每种颜色代表的地物在进行归类。 通过实习的操作过程，对监督分类和非监督分类的原理有了更深入的理解。根据各种不 同分类的效果，能够很好的知道不同分类方法的各自的有点和缺点。