最后,我们将介绍本教程的最后一节,在此期间,我们将展示三种常见的识别和分类图像中特征的方法。我们解释无监督和监督的方法。

2.16. 无监督分类

在无监督分类中,目的是将多波段光谱响应模式分组为统计上可分离的簇。因此,例如3个波段的小范围数字(DNS)可以建立一个集群,该集群与另一个集群的指定范围组合(等等)分开设置。分离将取决于我们选择区分的参数。我们可以借助这张图表,从Sabins的“遥感:原理和解释”中看到这一过程。第二版,分为四类:A=农业;D=沙漠;M=山脉;W=水。

|无监督分类图|

摘自F.F.Sabins,Jr.,“遥感:原理与解释”,第2版,1987年。经纽约市W.H.Freeman&Co.许可转载。

我们可以修改这些集群,使它们的总数可以任意变化。当我们在一台计算机上进行分离时,图像中的每个像素都被分配给其中一个簇,因为在dn组合值中与它最相似。通常,在图像中的一个区域中,同一个簇中的多个像素对应于某些(最初未知的)地面特征或类别,从而使灰度模式产生一个描述簇的空间分布的新图像。然后可以为这些级别分配颜色,以生成群集映射。然后,这个技巧就变成了尝试将不同的集群与有意义的地面类别联系起来的一个技巧。我们可以通过充分熟悉现场预期的主要课程,或者在可行的情况下,通过参观现场来做到这一点。( 地面 真理 )并将地图模式与地面对应物进行视觉关联。由于事先没有选择类,因此后一种方法称为无监督。

iDRISI图像处理程序采用了一种简化的无监督分类方法。输入数据由3个波段的注册像素的dn值组成,这些波段用于制作任何颜色合成。算法从这些波段计算聚类值。它根据处理中选择的参数自动确定最大集群数。这一过程通常会产生如此多的集群,从而导致分类图像变得过于杂乱,因此更难用指定的类来解释。为了提高解释能力,我们将课堂数量限制在15个(从28个减少到15个)。

1-20: What's to be done if one uses more than three bands to make an unsupervised classification? `ANSWER <answer.html#1-20>`__

第一个无监督分类是对由波段2、3和4组成的彩色合成物进行操作。检查生成的图像。

|加利福尼亚莫罗湾无监督分类(A)。|

试着把颜色模式理解为从前面段落中知道的基本类的指示器。你可能会得出这样的结论:一些模式很好地将莫罗湾次新世部分地区的某些特征进行了分类。但是,许多由集群表示的单个区域似乎与您认为存在的地方没有很好的关联。不幸的是,正在发生的是一个相当人工的细分光谱响应的小部分的表面。在某些情况下,我们看到的只是表面方向的微小变化的影响,这些变化会改变反射比,或者我们在概述中所说的影响是“混合像素”。当我们尝试另一个组合(波段4、7和1)时,产生的新分类与第一个分类有很多相同的问题。我们得出的结论是,无监督分类太过泛化,并且集群只大致匹配一些实际类。它的价值主要是作为对场景光谱内容的指导,以帮助在进行更强大的监督分类程序之前进行初步解释。

|加州莫罗湾无监督分类(B)。|

1-21: Critique these two unsupervised classifications. What is shown well; poorly? Do you find it very helpful in pinpointing potential classes to be identified and then used in carrying out a supervised classification? `ANSWER <answer.html#1-21>`__

主要作者:Nicholas M.Short,高级电子邮件: nmshort@epix.net

合作者: Code 935 美国国家航空航天局 GSTUSAF Academy
上次更新时间:99年9月
站长:小比尔·狄金森。
现场负责人:Nannette Fekete
请将任何评论发送至 rstweb@gst.com.