二、 遥感图像非监督分类
2.1 选择非监督分类算法
本次实验选择迭代自组织数据分析算法（ISODATA）：先随意给定初始的类别中心，然后做聚类，通过迭代，不断调整这些类别中心，直到得到最好的聚类中心为止。
通过【Cssification】→【Unsupervised】→【IsoData】，选择原始遥感图像“Miyun_2006”。
相关参数设置：最小输入类别数量设置为6，最大输入类别数量为12，迭代次数设置为15，ge Threshold:当每一类的变化像元数小于阈值时，结束迭代过程，实验设置为5，其他相关设置如图2.1.1所示。
图2.1.1 迭代自组织数据分析参数设置
2.2 类别定义
通过【Options】→【Edit css colors/names】，调出【Css ap Editing】对话框，选择对应的类别，设置所有的类别名称和颜色，点击保存即可。
如图2.2.1，如2.2.2所示。
图2.2.1 编辑分类颜色和名称
图2.2.2 类别定义结果
2.3 合并类别
通过【Cssification】→【Post Cssification】→【bine Csses】，
输入分类后的图像，在【Seleput Css】中选择继续合并的类别，从【Select Output Css】中选择并入的类别，把它们添加到合并方案中，如图2.3.1所示。
图2.3.1 合并子类
接着在【bine Csses Output】对话框中，【Remove Empty Csses】项中选择Yes，移除空白类，最后得到的结果如图2.3.2所示。
图2.3.2 类别合并结果
2.4 评价分类结果
在主图像窗口，通过【Overy】→【Region of I】，在弹出的【ROITool】对话框中点击【File】→【Restore ROIs】，加载监督分类做好的兴趣区数据。
接着通过【Cssification】→【Post Cssification】→【fusion Matrix】→【Using Ground Truth ROIs】，选择类别合并后的图像。
在【Match Csses Parameters】中，设置匹配的类别：在【Select GroundTruth ROI】中输入进行匹配的地物，在【Select Cssifiage】中选择相同地物，将感兴趣区与分类结果相匹配，如图2.4.1所示。
图2.4.1 感兴趣区与分类结果匹配
最后得到非监督分类的精度评价表如图2.4.2所示。
图2.4.2 非监督分类精度评价表
2.5 分类后处理
非监督分类的结果也要进行分类后处理，同样进行主/次要分析，聚类处理，过滤处理。
（1）主/次要分析。在主菜单中点击【Cssification】→【Post Cssification】→【 MajoritylMinority Analysis】，在弹出对话框中选择合并类别后的结果，如图2.5.1所示。
图2.5.1 主要分析
（3）聚类处理。在主菜单中点击【Cssification】→【Post Cssification】→【Clump Csses】，选择上一步主要分析后的图像，如图2.5.2所示。
图2.5.2 聚类处理
（3）过滤处理。在主菜单中点击【Cssification】→【Post Cssification】→【Sieve Csses】，选择聚类处理后的图像，如图2.5.3所示。
图2.5.3 过滤处理
图2.4.4 分类处理后的图像
2.5 分类统计
通过【Cssification】→【Post Cssification】→【Css Statistics】，进行分类统计。
【Cssification Input File】选择处理后的遥感图像，在【Statistiput File】面板中，选择原始影像。在分类选择【Css Sele】面板中，统计所有分类的信息，在【pute Statistics Parameters】面板勾选【Basic Stats】和【Output to the S，点击OK即可。如图2.5.1，图2.5.2所示。
图2.5.1 统计所有类别
图2.5.2 非监督分类统计结果