标签：分类 Classification 图像 遥感 ENVI Classes 聚类 类别 PCA
操作步骤
1、PCA变换。将实验数据20180419.dat导入ENVI，如果没有数据统计文件（.sta文件），通过Transform->PCA Rotation->Forward PCA Rotation New Statistics and Rotate计算数据特征值、协方差或相关系数矩阵后进行Forward PCA Rotation。在Forward PC Parameters窗口中可以根据需要剪裁输出区域；调整重采样系数；选择主成分计算方式以及确定输出波段数。逆PCA变换。在输入对应的统计文件（.sta文件）后，Inverse PCA Rotation工具可将主成分图像变换回原始数据空间。在Inverse PC Parameters窗口中选择的计算矩阵需与正向PC旋转使用的计算矩阵相同。
2、IsoData Classification非监督分类。通过Classification -> Unsupervised Classification->IsoData Classification使用IsoData方法进行非监督分类。Number of Classes：输入类别数量的最小值和最大值来确定其范围；Maximum Iterations：确定迭代次数；Change Threshold：当每一类的像元变化小于阈值时结束迭代；Minimum # Pixel in Class：确定形成一类需要的最少像元数；Maximum Class Stdv：如果一类的阈值比这一阈值大，则将其拆分成两类；Minimum Class Distance：如果类均值之间的距离小于这一阈值，则将其合并；Maximum # Merge Pairs：合并成对的最大值。
3、K-Means Classification非监督分类。通过Classification->Unsupervised Classification->K-Means Classification选择K - Means 方法。Number of Classes：输入类别数量，输入10；Maximum Iterations：确定迭代次数，输入10；Change Threshold：当每一类的像元变化小于阈值时结束迭代。
4、类别更改及合并。在分类结果的Classes上右键，然后点击Edit Class Names and Colors，在弹出的窗口中更改类别名称及颜色。通过Classification->Post Classification->Combine Classes进行类别合并。在Combine Classes Parameters窗口中，确定将哪几类合并成一类，点击OK后，在Combine Classes Output窗口中设置输出文件名和是否移除空类。
5、分类统计分析。通过Classification->Post Classification->Class Statistics进行各类别的统计分析。
6、小图斑处理。可通过Classification->Post Classification中的Majority/Minority Analysis和Clump Classes将周围的小图斑合并到大类中，也可通过Sieve Classes将不符合的小图斑直接剔除。
7、栅矢转换。通过Classification->Post Classification->Classification to Vector将分类结果转化为矢量文件。
分析讨论
1、PCA变换。PCA全称Principal Component Analysis，即主成分分析，是一种常用的数据降维方法。它可以通过线性变换将原始数据变换为一组各维度线性无关的表示，以此来提取数据的主要线性分量。如下图所示，样本点分布为斜45°的蓝色椭圆区域。PCA算法认为斜45°为主要线性分量，与之正交的虚线是次要线性分量（应当舍去以达到降维的目的）。PCA解释方差并对离群点很敏感：少量原远离中心的点对方差有很大的影响，从而也对特征向量有很大的影响。
2、聚类K-Means算法。属于非监督学习（unsupervised learning）,是无类别标记（class label）。K-means算法是聚类（clustering）中的经典算法，数据挖掘的十大经典算法之一。算法接收参数K，然后将事先输入的n个数据划分为K个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高，而不同聚类中的对象相似度较低。算法思想：以空间中K个点作为中心进行聚类，对最靠近它们的对象进行归类； 通过迭代的方法，逐渐更新各聚类中心的值，直至得到最好的聚类结果。流程图如下图所示：
优点：速度快、简单缺点：最终结果跟初始点选择相关，容易陷入局部最优，需要知道K值，有可能在分类之前不知道要分成几类。下图是ENVI在使用K-Means方法过程中的迭代次数进度。
3、ISODATA分类法。K-Means分类方法的一个重要缺点是：分类的类别数目事先必须确定下来，而作为非监督分类，事先我们很难去确定待分类的集合（样本）中到底有多少类别，基于这一缺点，提出了另外一种非监督分类方法：迭代自组织数据分析算法（ISODATA），它在K-均值算法的基础上，对分类过程增加了“合并”和“分裂”两个操作，并通过设定参数来控制这两个操作的一种聚类算法。
ISODATA的聚类的类别数目随着聚类的进行，是变化着的，因为在聚类的过程中，对类别数有一个“合并”和“分裂”的操作。合并是当聚类结果某一类中样本数太少，或两个类间的距离太近时，将这两个类别合并成一个类别；分裂是当聚类结果中某一类的类内方差太大，将该类进行分裂，分裂成两个类别。
优缺点：ISODATA 可以在聚类过程中自动调整类别个数和类别中心，使聚类结果能更加靠近客观真实的聚类结果。ISODATA算法需要设置的参数比较多，参数值不好确定。不同的参数之间相互影响，而且参数的值和聚类的样本集合也有关系，要得到好的聚类结果，需要有好的初始设置值，可以通过多次设置不同的值进行不同的实验，然后取一些已知的样本来检验聚类结果的精度，以最后取得更好的分类结果的那次实验为准；或者考虑和其他方法相结合来得到更好的分类结果。
4、分类后处理。
主要分析Majority 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该类中，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。
次要分析Minority 用变换核中占次要地位的像元的类别代替中心像元的类别。
聚类处理Clump 运用数学形态学算子（腐蚀和膨胀），将临近的类似分类区域聚类并进行合并。首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类图像进行腐蚀操作。优点：分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。
过滤处理Sieve 使用斑点分组方法来消除这些被隔离的分类像元。类别筛选方法通过分析周围的4个或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中删除，删除的像元归为未分类的像元（Unclassified） 解决分类图像中出现的孤岛问题。
标签：分类,Classification,图像,遥感,ENVI,Classes,聚类,类别,PCA 来源： https://www.cnblogs.com/yuukirito/p/14749301.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。