上一篇:遥感图像处理——数据拉伸、主成分分析、裁剪
要点:K-Means算法,IsoData算法,IsoData聚类,IsoData聚类非监督分类,最大似然法分类,主成分分析下的聚类。
本文所用数据为landsat8,福州平潭,。
本文用到的遥感图像处理工具是 ArcMap 10.4.1
文章目录
1、K-Means算法2、IsoData算法3、Iso聚类4、最大似然法分类5、Iso聚类非监督分类聚类操作查看属性表计算面积6、主成分分析下的聚类遥感中的非监督分类指人们事先对分类过程没有任何的先验知识,根据遥感影像地物的光谱特征的分布规律,对其特征值进行分类。
1、K-Means算法
K-Mean算法,即 K 均值算法,是一种常见的聚类算法。算法会将数据集分为 K 个簇,每个簇使用簇内所有样本均值来表示,将该均值称为“质心”。
算法步骤是:
1)任意选择k个聚类中心(任意、随机)
2)迭代,未知样本分到距离最近的类中
3)根据第二步的结果,重新计算聚类中心
4)每一类的像元数目变化达到要求,算法end。
2、IsoData算法
IsoData算法实在k-means算法的基础上加入了试探性的步骤,能够吸收中间成果的经验,在迭代的过程中可以进行类别的分离和合并,具有“自组织性”,是目前应用最广泛的非监督分类算法。影响该分类算法分类结果的有迭代次数、类别数、参加分类的波段数目。
算法步骤是:
1)选择初始的类别平均值
2)在多维数据空间中,依据像元距离训练样本类别中心最短距离划分像元类别。
3)根据第二步的像元分类结果,重新计算每个类别的平均值。
4)2和3类别平均值相同或相近,3即为分类结果。否则的话,回到2重新进行计算和判断,直到类别新中心点与前一次的中心点相同或相近。
3、Iso聚类
空间分析工具-多元分析-iso聚类
这里选择的是7类,有林地、水体等,最小类大小是规定最小类的像元个数,波段多的话可以填多一点,采样间隔是n×n的一个采样区间,默认10就可以,每10×10作为一个采样样本。输出特征文件会输出一个gsg文件。
聚类后,用记事本打开生成的特征文件
可以看到波段、协方差矩阵等信息
4、最大似然法分类
空间分析工具-多元分析-最大似然法分类
上面iso聚类用的输入文件是753合成的波段,这里还要多输入一个文件,就是上面iso聚类生成的gsg特征文件
分别右键最大似然和iso两个文件,打开两个文件的属性表,单击左上角-排列表-新建选项,对两个表做一个对比
可以看到,两种方法分类的结果几乎是相同的
5、Iso聚类非监督分类
是Iso聚类与最大似然工具的结合。
聚类操作
空间分析工具-多元分析-iso聚类非监督分类
不用输出gsg
生成文件
查看属性表
右键打开属性表
单击每一类,可以看到图中对应的类别范围,count表示的是对应的栅格像元的个数。
计算面积
——栅格像元的数目×30×30
单击左上角表选项-添加字段-名称area,类型双精度
单击area-右键字段计算器-选择count-乘30*30
得到面积,单位平方米。
注:这里选择30,因为这里学习用的影像是30米的分辨率
6、主成分分析下的聚类
主成分分析具有增强影响的作用,在进行影像分类时会分的更好一点。
按照刚才的iso聚类非监督分类操作步骤,输入图像更改为主成分分析后的影像。
图像不再像之前分的那么细碎(左一:主成分)