РNР图2.1 ISODATA算法流程图Р2.2.2 具体操作Р实验区及遥感数据:本算法同样选取了郑州尖岗水库周边地区的遥感影像。Р数据预处理:使用遥感图像处理软件erdas9.2对影像进行了增强和降噪等预处理。Р图像分类:使用erdas9.2非监督分类中K-means算法,结果如下:Р Р 2.2 原始图像 2.3 K-means分类后图像Р2.4 分类属性图Р2.3 分类效果分析Р这两种算法都具备监督分类的主要优点,即无需对分类区域有广泛地了解,仅需一定的知识来解释分类出的集群组;人为误差的机会减少,需输入的初始参数较少;可以形成范围很小但具有独特光谱特征的集群,所分的类别比监督分类的类别更均质;独特的、覆盖量小的类别均能够被识别。同时,此类方法也存在分类出的集群与地类间,或对应、或不对应,加上普遍存在的“同物异谱”及“异物同谱”现象,使集群组与类别的匹配难度大、不同图像间的光谱集群组无法保持其连续性,难以对比等问题。Р 当然,K-means与ISODATA在遥感图像的分类效果上也有很多不同之处。下图为两种方法分类精度对比表。Р图3.1 分类精度图Р3 监督分类Р3.1最近邻模糊分类器Р3.1.1分类器原理Р该分类器首先把待识别目标的组合特征与训练模板中的组合特征样本的平均值一一进行比较,从而得到了一个特征差矩阵。用模糊分布函数在同类特征差之间进行处理,生成一个隶属度矩阵,再用算术平均法对隶属度矩阵进行处理,并用最大隶属度准则来进行分类判决[6]。本文以郑州市尖岗水库周边地区的遥感图像为例,具体步骤如下:Р3.1.2 图像处理Р图像分类:图像分类利用了matlab上的一些函数,进行编程实现的,核心程序如下[8]:Рfunction nnClassifierРclear allРload Irisdata.txt;Рdata=Irisdata(:,1:4);Рdim=3;
全文预览
