1504班第三小组遥感原理实习报告
小组成员分工数据采集：张正博K均值法遥感影像分类：杨德臻，董港ISODATA法遥感影像分类：张雨姝，张涵笑最大似然法遥感影像分类：汤舒畅，陈川PPT制作：张正博
CONTENTS01K均值法PartOne02ISODATAPartTwo03最大似然法PartThree
CONTENTS01K均值法PartOne杨德臻，董港
K均值法参数的确定各种类别在波段上可行性分析
K均值法参数的确定调整各项参数，多次试验后发现，迭代次数太少分类效果不好，迭代次数太多，分类时间太长且效果提示不明显，于是选择了迭代5次。
432波段合成图像764波段合成图像K均值法可行性分析
K均值法可行性分析整体效果。经过多次尝试，最终发现：对432波段合成的图像进行K均值分类，农田类分类效果较好。
K均值法可行性分析对764波段合成的图像进行K均值分类，河流湖泊类分类效果较好。。对764波段合成的图像进行K均值分类，城市群类分类效果较好。
CONTENTS02ISODATAPartTwo张雨姝，张涵笑
ISODATA预处理—关于条带预处理—波段合成非监督分类—ISODATA分类后处理
ISODATA预处理—关于条带打开下载的原始影像，发现有”裂缝“，使图像成为条带状。上网搜索后发现原因如下。使用插件进行了修复。
ISODATA预处理—波段合成TM/ETM+的波段设置如下：1—蓝2—绿3—红4—近红外5—中红外6—热红外7—中红外8(Pan)—全色经查找资料和尝试，发现band5+4+3的合成图像不仅类似于自然色，较为符合人类的视觉习惯，而且其信息量丰富，能充分显示各种地物影像特征的差别，对影像分类十分有利。故采用543合成图像进行分类，合成图效果如下：
ISODATA非监督分类—ISODATA原始影像的大小为7991×6941，即包含五千多万像素，543合成图同样如此。ISODATA需设置的基础参数有6个，而如此巨大的样本容量不利于每类最小像素数、类内标准差阈值、聚类中心距离阈值等参数的设置。经尝试，直接对原图分类的效果的确不理想。故截取了图上512×512的一块区域，对它进行分类。
ISODATA非监督分类—ISODATA在ENVIClassic主菜单栏点击Classification/Unsupervisied/IsoData，选择待分类的512×512图像。
ISODATA非监督分类—ISODATA接下来输入参数。最初，观察图像后，欲分为水体、植被、建筑物三类，考虑到图中像素约25万，将每类最小像素数设为4万，其它参数设置如图。由上而下依次为：—允许的类别数目—最大迭代次数—改变阈值（当迭代次数达到最大，或当次迭代中，每类类别变化的像素比例都小于改变阈值，则结束迭代）—每类最小像素数—每类样本标准差阈值—聚类中心之间距离的阈值—一次迭代中可以归并的类别的最多对数
ISODATA非监督分类—ISODATA分类结果如下。我们认为软件默认配色效果不理想，故重新配色如右（左图为默认配色）。
ISODATA非监督分类—ISODATA在分类后图像的窗口中，选择Overlay/Classification，在InteractiveClassTool窗口中，可对分类结果进行操作。如编辑类名、颜色：
ISODATA非监督分类—ISODATA改变某些参数后，图像被分为4类，而对比原图，发现其将房屋与裸地（如道路）分离，而两者在3类时均隶属于建筑物（左为原图）。
ISODATA分类后处理观察上述分类结果，发现存在不少细碎“图斑”，这很大程度上是因为某些地物孤悬在外，未连成片。（回看图）如，在成片的植被（耕地、林地等）中有一些独幢的房屋。从某种意义上来说，这体现了ISODATA分类的准确性和细致性；但从专题制图和实际应用的角度，这些孤立地物可以适当地忽略不计。故我们对分类结果进行再处理，剔除这些细碎图斑。我们采用ENVI提供的Majority分析，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。即，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（小图斑）的类别。类似于滤波，变换核尺寸越大，则处理后结果越平滑。
ISODATA分类后处理考虑到裸地的相当一部分为道路，比较细长，故在选择被平滑的类别时可以不选裸地，以免将道路平滑掉。各种平滑处理后的效果如后。
ISODATA分类后处理未平滑3x3_全部平滑
ISODATA分类后处理3x3_全部平滑3x3_不处理裸地（右图