什么是监督分类和非监督分类？
监督分类又称训练场地法、训练分类法，是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术，即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。
非监督分类的方法有哪些 非监督分类的方法有哪些类型
非监督分类的方法有哪些 非监督分类的方法有哪些类型
非监督分类的方法有哪些 非监督分类的方法有哪些类型
要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。
定义：
监督分类是遥感图像分类的一种，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。
在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。监督分类可分两个基本步骤：选择训练样本和提取统计信息，以及选择分类算法。
非监督分类是以不同影像地物在特征空间中类别特征的别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。
而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。
定义：
非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。
非监督分类也称聚类分析。 一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。
与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。通过统计计算一些特征参数，如均值，协方等进行分类的。所以也有一些共性。
扩展资料：
监督分类与监督分类的区别：
有监督必须有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律；非监督没有训练集，只有一组数据，在该组数据集内寻找规律。
有监督方法的目的是识别事物，识别的结果表现在给待识别数据加上了标号。因此训练样本集必须由带标号样本组成；非监督方法只有分析数据集本身，无标号。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不以与某种预先的分类标号为目的。
分类方法
（一）波普图形识别分类
（二）聚类分析
动态聚类。聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法（ISODATA）等。
模糊聚类法。模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类.。
系统聚类。这种方法是将影像中每个像元各自看作一类，计算各类间均值的相关系数矩阵，从中选择最相关的两类进行合并形成新类，并重新计算各新类间的相关系数矩阵，再将最相关的两类合并，这样继续下去，按照逐步结合的方法进行类与类之间的合并，直到各个新类间的相关系数小于某个给定的阈值为止。
分裂法，又称等混合距离分类法。
它与系统聚类的方法相反，在开始时将所有像元看成一类，求出各变量的均值和均方，按照一定公式计算分裂后两类的中心，再算出各像元到这两类中心的聚类，将像元归并到距离最近的那一类去，形成两个新类，然后再对各个新类进行分类，只要有一个波段的均方大于规定的阈值，新类就要分裂。
参考资料来源：
1、形式内容不同。有监督必须有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律；非监督没有训练集，只有一组数据，在该组数据集内寻找规律。
2、目的不同。有监督方法的目的是识别事物，识别的结果表现在给待识别数据加上了标号。因此训练样本集必须由带标号样本组成；非监督方法只有分析数据集本身，无标号。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不以与某种预先的分类标号为目的。
3、方法不同。有监督的方法包括平行算法、平行六面体法、似然法、最小距离法、马氏距离法、二值编码分类法、波谱角填图分类法、费歇尔线性判别法等；而非监督方法包括波普图形识别法和聚类分析法。
扩展资料
监督分类的主要优点如下：
（1）可根据应用目的和区域，充分利用先验知识，有选择地决定分类类别，避免出现不必要的类别；
（2）可控制训练样本的选择；
（3）可通过反复检验训练样本，来提高分类精度，避免分类错误；
（4）避免了非监督分类中对光谱集群组的重新归类。
非监督分类也称聚类分析。 一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。
然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。
参考资料来源：
参考资料来源：
监督分类是基于对于遥感图像上样本区内的地物的类属已有先验的知识，即已经知道它所对应的地物类别，于是可以利用这些样本类别的特征作为依据来判断非样本数据的类别。
非监督分类是遥感图像地物的属性不具有先验知识，纯粹依靠不同光谱数据组合在统计上的别来进行“盲目分类”，事后再对已分出各类的地物属性进行确认的过程。
监督分类和非监督分类的区别：
监督分类对于遥感图像上样本区内的地物的类属已有先验的知识，即已经知道它所对应的地物类别；非监督分类对于遥感图像地物的属性不具有先验知识。
监督分类以样本类别的特征作为依据可直接判断判断非样本数据的类别；非监督分类仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。
共同点：都是依据地物的光谱特性的点原则来分类的，且都采用的是统计方法。
参考：
监督分类是基于对于遥感图像上样本区内的地物的类属已有先验的知识，即已经知道它所对应的地物类别，于是可以利用这些样本类别的特征作为依据来判断非样本数据的类别。
非监督分类是遥感图像地物的属性不具有先验知识，纯粹依靠不同光谱数据组合在统计上的别来进行“盲目分类”，事后再对已分出各类的地物属性进行确认的过程。
扩展资料：
一、监督分类与监督分类的区别：
1、有监督必须有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律；非监督没有训练集，只有一组数据，在该组数据集内寻找规律。
2、有监督方法的目的是识别事物，识别的结果表现在给待识别数据加上了标号。因此训练样本集必须由带标号样本组成；非监督方法只有分析数据集本身，无标号。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不以与某种预先的分类标号为目的。
二、督分类算法：
1、平行算法
又称盒式决策规则，是根据训练样本的亮度值范围形成一个数据空间。其他像元的光谱值如果落在训练样本的亮度值所对应的区域，就被划分到其对应的类别中。这种算法简明、直接，能将大多数像元划分到一个类别。缺点是当类别较多时，各类别所定义的区域容易重叠。
2、平行六面体法
平行六面体将用一条简单的判定规则对多光谱数据进行分类。判定边界在影像数据空间中是否行成了一个N维的平行六面体。平行六面体的尺度是由标准阈值所确定的，而该标准阈值则是根据每种所选类的均值求出的。
三、非监督分类方法
1、动态聚类。聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法（ISODATA）等。
2、系统聚类。这种方法是将影像中每个像元各自看作一类，计算各类间均值的相关系数矩阵，从中选择最相关的两类进行合并形成新类，并重新计算各新类间的相关系数矩阵，再将最相关的两类合并，这样继续下去，按照逐步结合的方法进行类与类之间的合并，直到各个新类间的相关系数小于某个给定的阈值为止。
参考资料来源：
参考资料来源：
中文名称：监督分类 英文名称：supervised classification 定义1：根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对各待分类影像进行的图像分类。 应用学科：测绘学（一级学科）；摄影测量与遥感学（二级学科） 定义2：在遥感影像的计算机分类过程中，采用一定数量的影像分类标准样板，作为计算机分类的训练基准的技术，即一种有已知类别标准的分类方法，或具有先验知识的分类方法。 应用学科：地理学（一级学科）；遥感应用（二级学科）
监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、似然分析、特征分析、序贯分析和图形识别等。
中文名称：非监督分类 英文名称：unsupervised classification 定义1：以不同影像地物在特征空间中类别特征的别为依据的一种无先验类别标准的图像分类。 应用学科：测绘学（一级学科）；摄影测量与遥感学（二级学科） 定义2：在遥感影像的计算机分类过程中，无需采用训练样板的分类技术，或没有先验知识的分类方法。 应用学科：地理学（一级学科）；遥感应用（二级学科）
非监督分类 (Unsupervised Classification ) 是以不同影像地物在特征空间中类别特征的别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。
监督分类是：需要学习训练的分类方法,如似然分类,人工神经网络分类,即是需要事先为每类地物在遥感图像上采集样本数据,之后通过学习训练过程才来分类;
非监督分类是：以不同影像地物在特征空间中类别特征的别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。
监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、似然分析、特征分析、序贯分析和图形识别等。
非监督分类是以不同影像地物在特征空间中类别特征的别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。
监督分类和非监督分类的研究现状？
非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。通过统计计算一些特征参数，如均值，协方等进行分类的。所以也有一些共性。
监督分类非监督分类区别
监督分类是需要学习训练的分类方法，需要自己选择样本，需要先学习后分类；非监督分类不需要人工采集地物样本点数据，多是通过聚类的方法来自动分类，可以边学习边分类。
监督分类：又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。
非监督分类：以不同影像地物在特征空间中类别特征的别为依据的一种无先验类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。
实验十八 遥感图像非监督分类处理
一、实验目的
通过使用ENVI的两种遥感非监督分类器——IsoData非监督分类和K-Means非监督分类命令，加深对遥感非监督分类原理和对地质应用的理解，了解其技术实现过程，初步掌握其ENVI功能命令的基本使用作。
二、实验内容
①桂林市TM 遥感影像数据IsoData非监督分类；②桂林市TM 遥感影像数据KMeans非监督分类；③IsoData非监督分类与K-Means非监督分类效果比较分析。
三、实验要求
（①预习ISODATA和K-Means两种算法原理；②掌握ISODATA和K-Means分类处理的基本作；③对两种分类结果进行比较分析；④编写实验报告。
四、技术条件
①计算机；②桂林市TM 遥感影像数据；③ENVI软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。
五、实验步骤
非监督分类是根据图像数据的本身统计特征及点群的情况，从纯统计学的角度对图像数据进行类别划分。非监督分类不需要事先给定类别，由图像数据的统计特征来决定，即同类地物在相同的成像条件下具有相同或相近的光谱特征（如DN 值），归属于同一个光谱空间区域；不同地物由于光谱信息特征不同，归属于不同的光谱空间区域。
非监督分类一般可分为四个步骤：执行非监督分类、类别定义、合并子类和评价结果。
（一）执行非监督分类
ENVI有ISODATA和K-Means两种非监督分类方法。
1.ISODATA非监督分类
ISODATA（iterative self-organizing data ysis technique）属于聚类分析方法。是按照像元之间的联系程度（亲疏程度）来进行归类的一种多元统计分析方法。ISODATA非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。具体作步骤如下：
在ENVI主菜单栏中选择“Classification>Unsupervised>ISODATA”，在“Classificatoin Input File”对话框中选择待分类遥感影像，打开“ISODATA Parameters”对话框，如图18-1所示。
图18-1 ISODATA参数对话框
对图18-1中的参数进行如下说明：
（1） Number of Classes：类数范围（最小值和值），一般输入最小数量不能小于最终分类数量，数量为最终分类数量的2～3倍。
（2） Maximum Iterations：迭代次数值，迭代次数越大，得到的结果越。
（3） Change Threshold%（0～100）：变化阈值（0～），当每一类的变换像元数小于阈值时，结束迭代过程，该值越小得到的结果越。
（4） Minimum #Pixel in Class：形成一类需要的最少像元数，如果某一类中的像元数少于最少像元数，该类将被删除，其中的像元被归并到距离最近的类中。
（5） Maximum Class St：分类标准，以像素值为单位，如果某一类的标准比该阈值大，该类将被拆分成两类。
（6） Minimum Class Distance：类均值之间的最小距离，如果类均值之间的距离小于输入的最小值，则这一类就会被合并。
（7） Maximum #Merge Pairs：合并成对的数。
（8）Maximum Stdev From Mean：距离类别均值的标准，为可选项，筛选小于这个标准的像元参与分类。
（9） Maximum Distance Error：允许的距离误，为可选项，筛选小于这个距离误的像元参与分类。
（10）选择输出路径及文件名，单击【OK】按钮，执行ISODATA非监督分类。
2.K-Means非监督分类
K-Means算法接受输入量K；然后将n个数据对象划分为K个聚类以便使所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。具体作步骤如下：
在ENVI主菜单栏中选择“Classification>Unsupervised>K-Means”，在“Classification Input File”对话框中选择待分类遥感影像，打开“K-Means Parameters”对话框，如图18-2所示。
图18-2 K-Means分类器参数设置对话框
（1） Number of Classes：分类数量，一般输入为最终分类数量的2～3倍。
（2） Maximum Iterations：迭代次数值，迭代次数越大，得到的结果越。
（3） Maximum Stdev From Mean：距离类别均值的标准，为可选项，筛选小于这个标准的像元参与分类。
（4） Maximum Distance Error：允许的距离误，为可选项，筛选小于这个距离误的像元参与分类。
（5）选择输出路径及文件名，单击【OK】按钮，执行K-Means非监督分类。
（二）定义类别与子类合并
执行非监督分类后，得到的只是一个初步的分类结果，需要进行类别定义域合并子类的作。
1.类别定义
类别定义的根据可以通过更高分辨率图像上目视解译获得，也可以通过野外实地调得。
（1）打开分类图像即灌阳地区QuickBird遥感数据，并使之显示在“Display”中。
（2）在分类图像的主窗口中，选择“Overlay>Classification”，在“Interactive Class Tool Input File”对话框中选择非监督分类结果，单击【OK】按钮打开“Interactive Class Tool”对话框，如图18-3所示。
图18-3 交互式分类工具对话框
（3）在“Interactive Class Tool”对话框中，勾选类别前面的“On”选择框，就能将此类结果叠加显示在“Display”分类图像窗口上，识别此分类类别。
（4）在“Interactive Class Tool”对话框中，选择“Options>Edit Class Colors/Names”，打开“Class Color Map Editing”对话框，如图18-4所示。
在“Class Color Map Editnig”对话框中，选择对应的类别，在“Class Name”中输入重新定义的类别名称，同时可以修改此类别显示的颜色，修改后点击【OK】按钮完成修改。
（5）重复步骤（3）～步骤（4），定义其他类别。
（6）完成各类别定义后，在“Interactive Class Tool”对话框中，选择“File>Se Change to File”，保存修改结果。
2.合并子类
在选择非监督分类类别数量时，一般选择为最终分类数量的2～3倍，因此在定义类别之后，需要将相同类别合并。
（1）在 ENVI 主菜单栏中，选择“Classification > Post Classification > Combine Classes”，在“Combine Classes Input File”对话框中选择定义好的分类结果，单击【OK】按钮打开“Combine Classes Parameters”对话框（图18-5）。
图18-4 编辑分类名称和颜色对话框 图18-5 分类类别的合并对话框
（2）在“Combine Classes Parameters”对话框中，从“Select Input Class”中选择合并的类别，从“Select Output Class”中选择并入的类别，单击【Add Combination】按钮添加到合并方案中，合并方案显示在“Combine Classes”列表中。
（3）合并方案确定后，点击【OK】按钮，打开“Combine Classes output”对话框，在“Remove Empty Classes”选项中选择“Yes”，将无用类移除。
（4）选择输出合并结果路径及文件夹名，点击【OK】按钮，执行合并子类。
（三）分类后处理和评价分类结果
分类后处理和评价分类结果的方法同监督分类一样，可参考实验十七中的“遥感影像监督分类”。
完成遥感影像非监督分类后，分别利用ISODATA 和K-Means非监督分类方法对灌阳地区QuickBird遥感影像进行非监督分类处理，利用混淆矩阵对两种分类结果进行评价，得出总体分类精度和Kappa系数。比较两种分类结果，用W ORD文件记录，取名为《灌阳地区QuickBird遥感影像两种非监督分类方法分类结果评价》，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①根据实验作步骤及各步骤之间的关系，分析两种非监督分类方法具有的共同特点。②通过目视解译定性比较两种非监督分类方法的效果。
实验报告格式见附录一。
什么是监督分类和非监督分类
监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、似然分析、特征分析、序贯分析和图形识别等。
非监督分类是以不同影像地物在特征空间中类别特征的别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。
专题图像处理
利用制作好的TM基础影像图目视解译后，仍有某些难以确定的重要地质要素、地质特征需进行相应的数字图像增强处理，以有效地突出有用信息，抑制植被、冰雪等其他干扰因素，改善图像的视觉效果，提高重现图像的逼真度，增强信息提取与识别能力。
为了突出岩石地层、控煤构造和含煤区小构造、含煤地层及煤层等信息，增加图像的可解译程度，提高解译效果，针对地质条件复杂和重点含煤区，利用ENVI遥感图像处理软件作进一步的数字图像增强处理，以达到有效提取相关信息的目的。处理方法主要有主成分分析、直方图均衡化、定向滤波、比值处理和锐化增强等十余种方法，达到了对地质体、煤层分类和识别的目的，完善了解译效果。
图像增强处理虽然不能增加图像数据中的相关信息，但它能够增加所选特征的动态范围，从而使这些特征的检测和识别更加容易。在芒棒区、中甸区和永胜区共选取20个子区进行处理（表2-1），目的有三：①对影像中的模糊区进行处理，增强其可解译程度；②对与煤田地质关系密切的研究对象进行处理，提高可解译程度；③对直接和间接地反映煤及其他矿产异常的影像特征进行处理，增强目视解译的识别能力。使用的主要方法有：主成分分析、去相关拉伸、比值运算、芒塞尔彩色空间变换、非监督分类等。具体作时，为了获取理想的效果，往往以其中一种方法为主，叠加其他方法进行运算，选择效果较好的处理结果进行输出。现将所使用主要处理方法及各子区特征分述如下：
表2-1 子区编号、位置及提取信息内容
（一）KL变换（主成分分析）
KL（Karen-LoTransform，卡洛南—洛伊变换）变换是遥感图像增强和信息提取中常用的波谱信息线性投影变换，在尽可能不减少信息量的前提下，将原图像的高维多光谱空间像元亮度值投影到新的低维空间，减少特征空间维数，达到数据压缩、提高信噪比、降维处理和提取图像特征信息的目的。它可使原来多波段图像经变换后提供出一组不相关的图像变量，最前面的主分量具有较大的方，包含了原始影像的主要信息，此方法对于原始图像上那些信息微弱、模糊、离散度大的地质信息的增强处理，能够起到聚集和归并的作用，同时也能够压制阴影、云雾和雪盖的显示强度。所以要集中表达信息，突出图像的某些细部特征，可采用KL变换处理（图2-2）。芒棒全区经过KL变换后的图像，影纹结构细腻，水系、地貌等特征反映更加明显；对永胜金沙江背斜采用主成分分析＋直方图均衡化的方法进行处理，褶皱和断裂特征非常明显，玄武岩组各段的分界清晰。
（二）去相关拉伸变换
对相关性高的波段进行去相关拉伸处理，减弱它们之间的相关性，从而使深域的地物异界线反映得更加清楚。勐连盆地子区经过去相关拉伸变换后盆地边界与周围岩层异明显，盆地边界清晰，隐伏断裂也更容易识别（图2-3）；永胜全区经去相关拉伸变换后，有效地突出了各岩石地层及构造的影像特征。
图2-2 芒棒区KL变换图像
（三）纹理特征提取变换
纹理特征提取方法是用一个活动的窗口在图像上连续滑动，分别计算出窗口中的方、均值、值、最小值及二者之和信息熵等，形成相应的纹理图像，当目标的光谱特性比较接近时，纹理特征对于区分目标可以起到积极的作用。选取适当的数据动态变化范围，进行纹理特征提取后，使影像的纹理特征得到突出，有利于提取构造信息。对中甸幅的小中甸东子区进行纹理特征提取变换后，子区的信息丰富，线性特征明显；永胜子区采用纹理特征提取变换后，松桂组含煤地层与其上覆、下伏地层的纹理特征异明显，提高了图像的可解译程度（图2-4）。
（四）锐化增强
调整图像的锐化程度使地物在图像上的别便于人眼识别，可达到信息增强的目的。对图像进行锐化增强实际上是利用变换函数把原图像进行灰度级转换，增大相邻像元的灰度值之，从而达到突出图像细节的目的，对中甸幅尼西盆地子区进行锐化增强后，盆地边界清晰，影纹细腻（图2-5）。
图2-3 勐连盆地子区去相关拉伸图像
（五）定向滤波
利用定向滤波对TM图像频率特征进行筛选，将图像中的线与边缘特征信息增强，突出给定方向的线性影像信息，抑制其他方向的无用信息。对芒棒盆地子区采用45°方向滤波后，突出了断裂的线性影像，断裂两侧的影像色调、花纹明显不同，断裂造成的山脊错断等特征在影像上非常明显；采用该方法处理后，程海逆冲断裂的位置、走向及其展布特征非常明显，外来系统与原地系统的岩石组合和构造发育特征截然不同（图2-6）。
（六）缨帽变换
采用缨帽变换可将TM图像除热波段的6个波段压缩成3个分量，其中的土壤亮度指数分量是6个波段的加权和，反映了总体的反射值；绿色植被指数分量反映了绿色生物量的特征；土壤特征分量反映了可见光和近与较长光的值，它对土壤湿度和植物湿度最为敏感。这样的3个分量就是TM数据进行缨帽变换后形成的新空间，它可以对植被、土壤等地物做更为细致、准确的分析，应用这种处理方法可增强影像上深域的信息。对腾冲火山机构子区进行缨帽变换后，再进行对比度增强处理，图像中火山岩岩体边界、火山口形态、纹理以及色调都得到了有效的突出（图2-7）；金棉逆冲断裂经缨帽变换后信息丰富，特征明显。
图2-4 永胜子区纹理特征提取变换图像 图2-5 中甸子区锐化增强图像
图2-6 程海逆冲断裂135°定向滤波图像 图2-7 腾冲火山机构子区缨帽变换图像
（七）芒塞尔彩色空间变换
在计算机内定量处理色彩时通常采用红、绿、蓝三原色组成的彩色空间RGB表色系统，但在视觉上定性的描述色彩时，采用HSV（Hue〈色度〉、Saturation〈饱和度〉、Value〈纯度〉）显色系统更直观些。Munsell HSV变换就是对彩色合成图像在红、绿、蓝编码赋色方面的一种彩色图像增强方法，它是借助于改变彩色合成过程中光学参数的变化来扩展图像色调异，将图像彩色坐标中的RGB（Red Green Blue）空间变换为HSV色彩模型。其目的是为了更有效地抑制地形效应和增强岩石单元的波段异，并通过彩色编码增强处理达到的图像显示效果。对中甸幅雪盖区进行处理后可以看出，雪盖区可识别程度比原来大大提高，被雪覆盖的山脊清晰可辨；对永胜区竹山、山的阴影区进行芒塞尔彩色空间变换处理，有效突出了阴影区的微地貌及其纹理特征，地质体边界更加清晰，可解译程度大大提高（图2-8）。
图2-8 永胜区竹山阴影区芒塞尔彩色空间变换
（八）非监督分类
由于遥感图像上的同类地物在相同的表面结构、植被覆盖、光照等条件下有相同或相近的光谱特征，而相似波谱的像元点必然在光谱空间的相应部位集结成群。因此可按这些自然集群划分类别，然后与野外实际调查的地面情况进行对比，确定各类地物属性。这种方法能把样本区分为若干类别，却不能给出样本的描述。对中甸区的小中甸盆地子区采用非监督分类中的K-均值算法，其基本思想是通过迭代，逐次移动各类的中心，直至得到的聚类结果为止，这种算法是一个迭代算法，迭代过程中类别中心按最小二乘误的原则进行移动，因此类别中心的移动是合理的。其缺点是要事先已知类别数，在实际中类别数通常根据试验的方法来确定，本次工作经过多次试验采用类别数为15的算法。小中甸盆地子区的分类结果与野外情况基本相符，不足之处是对相同或相近波谱特征的不同地物容易产生分类误（图2-9）。
（九）波段彩色合成
对两个波段的图像进行波段合成，可突出类别或目标信息，消除山影、云影等的影响，区分易混淆的地物，从芒棒区蒲川盆地子区处理的结果可以看出，盆地的边界和植被信息得到了增强，从而使盆地边界的圈定更加直观；对永胜宁利子区采用该方法处理后，黑泥哨组和松桂组含煤地层的影像特征更加明显，走向及边界更为清晰（图2-10）。
图2-9 中甸子区K-均值算法非监督分类图像 图2-10 芒棒区蒲川盆地子区波段彩色合成图像
（十）对数变换
对数变换的主要作用是压缩图像亮区的灰阶值，拉伸暗区的灰阶值，从而突出暗区的构造形迹。对中甸北老地层子区进行对数变换后可以看出，子区的色彩丰富，影纹清晰，有利于岩性的识别（图2-11）。
（十一）比值处理
比值处理采用高质量比值功能，使图像得到拉伸，有效消除地形影响，使阴影区的结构得到显示。处理出来的图像既保留了原有地貌特征，又突出了线环构造，为盆地的研究提供了更为直观可靠的资料，中甸盆地子区经过比值处理后，立体感得到增强，阴影区结构清楚，盆地边界一目了然；采用7/4、5/2、5/3比值运算增强处理方法对宝坪铜矿区及米厘 宝坪铜矿远景区的围岩蚀变信息进行增强处理，其蚀变信息丰富，特征非常明显（图2-12）。
图2-11 中甸北老地层子区对数变换图像 图2-12 永胜区宝坪铜矿区围岩蚀变信息比值运算图像
（十二）对比度扩展
对图像统一采用一种灰度标尺的变换，使影像反扩展到整个动态范围，这种反处理根据一个固定的变换关系，逐个像素地改变灰度值，提高地物反，以达到反增强的目的，本次工作选取的变换关系有线性扩展、非线性函数变换和直方图均衡化处理。
（十三）波段运算
即对各相关波段进行数算，通过运算有效地消除或减弱对主题目标干扰的无用信息，使得处理后的图像既保留原有总体特征，又突出了个别有用信息。
另外，本次工作还进行了拉普拉斯卷积滤波、罗伯特卷积滤波、中值滤波、低通滤波、高通滤波及图像融合等多种图像处理方法，也取得了较好的效果，在此不再赘述。