Erdas图像监督分类示例

1. 图像数据输入 (1)

2. 图像几何校正（配准） (2)

3. 图像数据融合 (5)

4. 专题图像编辑 (8)

5. 图像人工解译和实地调查 (11)

6. 图像监督分类 (12)

i. 确定分类特征文件 (12)

ii. 特征文件评价 (17)

iii. 特征可分性评估 (18)

iv. 图像分类 (20)

v. 精度评估 (22)

前言

本次图像监督分类首先将存储为HDF格式的Aster遥感数据进行图像输出，输出的两个图像分别包含Aster VNIR子系统的三个波段数据信息和Aster SWIR 子系统的六个波段数据信息。在进行图像数据融合时先采用几何校正对两副图像进行配准。融合后的图像包含Aster VNIR 和SWIR 两个子系统中的共九个波段的数据信息。随后对图像进行计算机监督分类。监督分类前对图像进行编辑截图打印，可用于在野外实地调查中选取图像监督分类中需要的训练样本数据（包括分类检验的数据）。具体步骤和结果按图像处理次序一一列出：

1.图像数据输入

在ERDAS工具栏中选择数据输入Import，如下图1：

图1：ERDAS 工具栏

打开的窗口如下图2所示。选择数据类型为ASTER EOS HDF 格式，选择媒体为文件File。然后将提供的输入文件XX.hdf 导入。

图2：ERDAS 数据输入栏

在输出文件中指定文件位置并命名，确定后打开的对话框如下图3：

图3：ERDAS EOS HDF格式输入对话框

选择校正Correction来创建图3所示波段组的GCP地面控制点文件。该波段组包含三个波段，它们属于Aster 卫星传感器中的可见光和近红外波段（VNIR）子系统。接着确定写入GCP点文件，同时对文件命名。同样的步骤，选择下一幅图至SWIR短波红外波段组创建另一个GCP文件。

数据输入后分别完成了对Aster VNIR 三个波段数据和对SWIR 6个波段数据的图像输出，生成的GCP文件用于接下来进行的图像几何校正。

2.图像几何校正（配准）

图像几何校正是为了在进行图像信息融合前使两副图像所对应的地物吻合。首先打开上步1中输出的文件vnir201501.img，如下图4所示。

图4：VNIR输出图像（3,2,1 RGB）

在工具栏中的栅格Raster一栏中选择几何校正Geometric Correction，选择几何模型为多项式polynomial。打开的模型属性对话框如下图5：

图5：多项式模型属性对话框

其中参数一栏中的多项式阶默认为1，在投影一栏选择从GCP工具设置投影Set Projection from GCP Tool。选择GCP工具参考点来自GCP文件（.gcc），即步骤1中所创建的GCP点文件。如图6所示，创建的GCP点显示在图vnir201501中，同时弹出GCP工具栏和几何校正工具对话框。其中在GCP工具栏中显示了现在投影属性下的控制点误差，可以看到总误差较大（4.5588）。

本报告中将投影重新设置为UTM Zone 50 Spheroid WGS 84，选择多项式模型属性对话框（图5）中的增加/改变投影Add/Change Projection，弹出投影选择对话框，如下图7：

图6：GCP点，GCP工具栏和几何校正工具对话框

图7：投影选择对话框

将投影类型选为通用横轴墨卡托投影UTM（Universal Transverse Mercator projection），球体和基准面都选为世界测地系统（World Geodesic System）WGS 84的坐标系，UTM投影分度带选为北半球的第50个。

检查控制点的误差，可以看到误差为零，如下图8所示。如果误差不为零，需要调整多项式模型中的多项式阶。本次误差为零，可以进行下一步重采样。选择几何校正对工具话框中的重采样，如下图9。

图8：新投影坐标系WGS 84 UTM ZONE 50N下的控制点误差

图9：几何校正工具对话框

打开重采样的对话框，如图10所示。对输出文件命名。因为原始的像元值需要保留以用于下一步的图像分类，所以选择最邻近法Nearest Neighbor进行重采样。同时因为原始Aster VNIR波段子系统的空间分辨率为15 m，所以改变输出像元的大小在X和Y 方向都为

15 m，以保证重采样旋转后的像元大小不改变。同时选择忽略统计数据中的零值Ignore Zero in Stats.（如图10中所示）。

图10：重采样对话框

退出几何校正工具，不保存改变后的模型和控制点。类似地，对SWIR 波段组的图像进行几何校正，其中因Aster SWIR 波段子系统中的空间分辨率为30 m，因此在重采样过程中将像元大小改为30 m。

两副图像的几何校正完成，接下来将两个几何校正后图像中的波段组融合到一副图像中。

3.图像数据融合

将VNIR和SWIR两个波段组融合至一个图像中。其中SWIR波段组的像元大小融合后变为15 m。在ERDAS 工具栏中的图像解译Image Interpreter下选择实用工具Utilities，选择图层叠加Layer Stack。打开图层叠加对话框，如下图11所示。

输入文件先选择VNIR波段组的vnir201501.img。图层Layer选择全部三个波段，点击添加Add将vnir201501.img的文件路径添加进去。接着选择SWIR波段组的图像（swir201501.img），也选择所有六个波段，点击添加swir201501.img的文件路径，如图11 中所示。在输出选项中也选择忽略零值，对输出文件命名为as201501（.img）。

图11：图层叠加对话框

打开图像as201501.img，查看图像信息，如下图12所示：

图12：图像信息对话框

融合后的图像包含了9个波段，但两个波段组数据的匹配在本次融合中不能满足要求。用VNIR和SWIR两组中的波段进行RGB波段组合后的图像出现了在X和Y方向上对应地物

的错位，其中X方向错位较明显。因此又将VNIR中的三个波段左上角X和Y坐标（Upper left X, Y）依照SWIR波段中对应地物的坐标依次进行调整，如下图13所示。

图13：图像坐标信息调整

调整后的最终图像如下图14所示：

图14：波段融合和调整后的图像（3,4,1 RGB）

4.专题图像编辑

选择ERDAS工具栏中的专题地图编辑器Map Composer，新建一个新的地图New Map Composition。为保证A4（21cm x 29.7cm）打印能将图像完全显示，将图像单位选择为厘米，宽度设为28 cm，高度设为20 cm，显示尺度设为3.00，并对地图命名，如下图15所示:

图15：地图编辑对话框

打开的是地图编辑窗口和注释工具板，如下图16所示。本次制图选用as201501.img，波段组合选择为3,4,1 RGB。从注释工具板中选择地图框架工具在地图编辑窗口画一个地图边界，保证白色窗口的右侧和下部空出至少2 cm以保证有足够的位置添加地图坐标和比例尺等内容。接下来选择地图的数据来源为图像as201501。

图16：地图编辑窗口和注释工具板

打开地图框架编辑对话框，如下图17所示，选择改变比例尺和地图面积Change Scale and Map Area（保留地图框架面积Maintain Frame Area）来保证图16中地图编辑器窗口的地图框架尺寸不变。

Aster 获得图像的最大放大尺度约为1: 20,000，当尺度继续增大时会分辨出像元不利于

观察。为了涵盖野外实习采点区域同时保证能较好的识别地物，将图像尺度设为1:80,000，如图17所示。另外在图像窗口中也会出现一个光标框，移动框至实习区域，如图18。

图17：地图框架编辑对话框

图18：地图编辑参考图

确认后参考图里光标框（图18中所示内框）中的区域则显示在地图编辑框架中，继续添加网格线和坐标。从注释工具板中选择网格/记号，点击地图框架内的地方确认要添加网格和坐标的区域，打开的网格/记号信息设置对话框如下图19所示。

确认选择Use Full Grid来创建水平网格线，为保证网格不过于密集影响视图，将网格间距设为2000。点击Copy to Vertical选项将水平轴方向设置复制应用到垂直轴方向。

图19：网格记号信息设置对话框

接着添加比例尺。在注释工具板中选择比例尺工具，打开比例尺属性对话框如下图20。在标题栏中输入Scale 1:80000，单位选择为千米Kilometers，确定后标注的大小和位置重新调整以适应整幅地图框架。

图20：比例尺属性对话框

然后添加地图标题，在注释工具板中选择添加文字，输入Haidian Aster 3,4,1 RGB，如下图21所示：

图20：文字注释对话框

最终经过调整后制成的专题图像如图21所示，地图可以进行打印用于后续的实地调查。

图21：专题地图

5.图像人工解译和实地调查

图像人工解译主要根据人的经验和知识，通过对遥感影像的光谱特征如色调颜色和空间特征如大小，形状，纹理，阴影，位置等进行目标识别，建立解译标志。本次分类主要是通过计算机监督分类来完成，人工目视解译主要用来实地调查前的准备工作。通过对两副不同时相的地图对比初步判读了一些地物目标的土地覆盖和利用类型，然后通过实地调查确认目标地物的类型。同时利用GPS定位这些确认后目标地物的坐标，作为接下来进行图像监督分类所需要的训练样本和分类精度评估数据。

6.图像监督分类

i.确定分类特征文件

融合后的图像as201501与提供的数据检验图像haidian31aug04进行了对比，两幅图可以较好地吻合，满足要求，但为保证监督分类效果，本次监督分类选择提供的文件haidian31aug04。打开文件haidian31aug04.img，选择波段3,4,1分别赋予红绿蓝三色，图像如下图22所示。

图22：监督分类图haidian31aug04

首先从ERDAS工具栏中的分类器Classifier下打开特征文件编辑器Signature Editor，如下图23所示。然后在其中的视图View下打开列Columns将图23中的红绿蓝三列删除。在监督分类图窗口Viewer的工具栏中选择AOI（Area Of Interest）工具来选取训练样本，如图24。

图23：特征文件编辑器

图24：AOI工具栏

利用AOI工具中的多边形工具在图像中选取监督分类的训练样本。对地物的分类主要是依据实地调查采样点的地物类型进行的，同时结合对图像的目视判断其他地物类型。在选取每一个地物类型的训练样本时，主要依据实地采样点所在的区域以及判读的跟采样点具有相同地物类型的区域，然后将若干小区域合并为一个大的地物类型。这样是为了增加样本的数量，同时可以扩大相同地物所具有的DN值范围，以防漏分。同时也需要确保相同地物大类型下的小类都是相似的，以免造成同一地物类型的训练样本DN值标准偏差过大而造成错分。

每一类的训练区文件aoi与特征文件sig一一对应，并将每一类对应的训练区和特征文件都保存为一个单独的文件，以便在调整训练区的时候进行修改。如图25所示，在对地物类型水稻进行训练样本选取时，先选取了8个小类，然后统一放在了一个特征文件rice.sig 中（图26所示）。

图25：训练样本选取

图26：特征文件建立

查看训练样本选取精度。选择特征文件编辑器视图中的统计项，打开统计数据对话框，如图27所示。图中列出了图像所有九个波段各自的DN值统计数据，包括最小值Minimum，最大值Maximum，平均值Mean和标准偏差Std. Dev.，同时还有所有波段的协方差Covariance 矩阵。从图27可以看到该小类Class 1的精度可以满足要求。然后对其他小类也进行精度检查评估。

图27：训练样本精度统计

建立完地物类型水稻的特征文件后，对其他地物也类似地选取对应的训练样本区域并分别保存在特征文件中。最后将每一地物类型分别合并为大类然后依次放入同一个特征文件total.sig中。合并过程首先新建立一个特征文件编辑器，打开如图26中的rice.sig，接着选择全部7个小分类，利用编辑器工具栏中的合并分类工具将小分类合为一个总体的rice大分类，如图28所示。接着删除原有的7个小分类，再继续选择添加Append（不是Replace）导入其他地物类型的特征文件进行相同操作。

结果如下图29所示，本次监督分类划分了8个地物类型，分别是水体Water，水稻Rice，小树林Small_trees，未利用土地Unused，玉米Maize，林地Forest，建筑物Building和贫瘠种植区Bare_agri。

每一地物类型的标注颜色选为跟原始图像中对应地物类型相反的颜色，例如水体在图像haidian31aug04中由于对光谱的反射率很低而基本显现为暗黑色，因此在建立的特征文件里水体颜色标注为白色。其他地物类型颜色也类似的进行标注，并将Value值依次改为1-8，如图29所示。

图28：训练样本分类合并

图29：总体特征文件建立

ii.特征文件评价

接下来利用特征文件编辑器中的视图Viewer|Image Alarm对样本区进行评价。该方法可以在图像中分别高亮显示根据平行六面体决策规则确定或者估计的属于某一个或多个地物类型的像元。

图30：特征文件评价

如图30，Signature Alarm可以对平行六面体决策规则的上下界进行编辑，本次评价中保留缺省值不变。确定后被划分为水稻类型的区域在图像中高亮显示出青色，如下图31所示。利用图像窗口中的动态功能（Utility|Flicker）观察像元的分类前后情况。

图31：水稻训练区评价

类似的，将总体特征文件中的所有8类地物类型都选取后同时进行评价。利用图像窗口中的动态刷屏功能（Utility|Swipe）来观察所有地物类型分类的情况，如下图32所示。

图32：多训练区评价

iii.特征可分性评估

利用特征空间图（feature space plots）对特征文件中各类地物类型的可区分性进行评价。

首先从特征文件编辑器中选择特征Feature | 建立Create | 特征空间层Feature Space Layers。

导入图像文件haidian31aug04，选择将输出结果保存并打开到窗口Output To Viewer，如下图33所示。

图33：特征空间图创建对话框

在特征空间层下方的栏中选择第二行haidian31aug04_1_3.fsp，选择1,3波段组合是因为

这个组合下地物类型的光谱特征区别较大，能在特征空间图中比较好的识别出来。确定后生成的特征空间图如图34所示。

图34：特征空间图

为了能对比不同地物特征间的统计数据，利用特征文件编辑器中的特征Feature|对象Objects工具。每一个地物特征的椭圆型图像依据其DN平均值和标准偏差分布，选择所有8个地物特征，在特征对象对话框中选择特征空间图所在的窗口编号（如图34为1），调整标准偏差为4，选择显示标注Label，如图35所示。

图35：特征对象对话框

Erdas非监督分类全过程

Erdas基础教程: 非监督分类来源：师大学旅游与环境学院 1．图像分类简介（Introduction to classification）图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。非监督分类运用1SODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。监督分类比非监督分类更多地要求用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。 2 非监督分类（Unsupervised Classification） ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。聚类过程始于任意聚类平均值或一个己有分类模板的平均值：聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。 ISODATA实用程序不断重复，直到最大的循环次数已达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。 2．1分类过程（classification ProcedUre ）第一步：调出非监督分类对话框调出非监督分类对话框的方法有以下两种：方法一：在ERDAS图标面板工具条中，点击Dataprep图标 → Data Preparation →unsupervised Classification →Unsupervised Classification对话框如下：

遥感图像分类

实验四遥感图像分类一、背景知识图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。二、实验目的理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）；四、实验准备实验数据：非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

实验六：遥感图像监督分类与非监督分类

成都信息工程学院遥感图像处理实验报告实验6：遥感图像监督分类与非监督分类专业：遥感科学与技术班级： 092班姓名：李翔学号：2009043063 实验名称：遥感图像监督分类与非监督分类实验教室： 5404教室指导老师：刘志红实验日期：2011年4月6日和4月13日

遥感数字图像处理实验报告一、项目名称遥感图像监督分类与非监督分类二、实验目的学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。三、实验原理同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的过程，称为图像的分类。根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。四、数据来源 1．下载网站：https://www.360docs.net/doc/e03779842.html,/admin/dataLandsatMain.jsp 2．波段数为6个。 3．分辨率为28.50,米。 4．投影为UTM, Zone48。五、实验过程一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标，打开对话框， 2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，确定循环次数和阈值。如图所示：

遥感影像分类envi

遥感课程教学实验之二：遥感影像分类实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采集的窗口类型，用Zoom（缩放窗口）进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每个类别重复该步骤。最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

遥感图像几种分类方法的比较

摘要遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。关键词:TM遥感影像，图像分类，最大似然法，决策树题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

实验四遥感图像的监督分类和非监督分类

实验四遥感图像的非监督分类与监督分类一、实验目的 1．非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织数据分析技术（ISodata）和K均值算法（K-Means）； 2．分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息，统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进行分析。 3．对训练区中的像元进行分类； 4．用训练数据集估计查看监督分类后的统计参数； 5．用不同方法进行监督分类，如最小距离法、马氏距离法和最大似然法。二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes 中输15即分为15类，Change Iterations中输6，即最大迭化量为6次， Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定保存结果后New display →Load Band，双击查看Cursor Location/V alue，发现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击 Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行大量的野外调查，确定同一类码所代表的地物是什么

监督分类

实验十监督分类实例与练习：某地区的遥感影像监督分类背景：现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。本例中使用监督分类的方法，实现土地利用类型的划分。目的：通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。监督分类流程图：监督分类过程 1 定义分类模板（1）在viewer窗口中选择打开smtm.img，在raster options选择fit to frame

（2）单击classifer|classification|signature editor，打开分类模板编辑器（signature editor）（3）在viewer窗口中打开raster|tools，打开raster工具面板（4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中（5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中（6）用同样的方法加载9个深蓝色多边形AOI （7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板（8）单击其signature name属性进入编辑状态，输入water，单击color属性，选择深蓝色（9）在signature editor菜单条，单击edit|delete，删除合并前的模板（10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident）（11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板(all)，并保存分类模板文件的目录 2评价分类模板（1）分类预警评价 ①选中water类别 ②在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开 signature alarm对话框 ③选中indicate overlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框设置为黄色 ④点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum，并选择使用的模板：current（当前模板） ⑤设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm 对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signature alarm对话框

遥感图像的监督分类与处理_赵文彪

杭州师范大学《遥感原理与应用》实验报告题目：遥感图像的监督分类与处理实验姓名：赵文彪学号： 2014212425 班级：地信141 学院：理学院

1实验目的运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述分类方法：监督分类和非监督分类监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。光谱特征空间同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。特征点集群的分布情况：理想情况：至少在一个子空间中可以相互区分典型情况：任一子空间都有相互重叠，总的特征空间可以区分一般情况：任一子空间都存在重叠现象监督分类，又称训练分类法，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。在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多）以下为剪切出来的遥感影像

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：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（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；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。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；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；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

实验三监督分类

实验三：遥感图像计算机分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。二、实验内容 ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。三、实验原理监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。其前提是假定训练区地物的光谱特征近似服从正态分布。训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。四、实验步骤 1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段 ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框

分类模板编辑器第三步：获取分类模板信息 (1)删除对分类意义不大的字段 Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。点击Apply按钮，点击Close按钮。从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。 (2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板 →点击Raster 工具面板的图标 →在视窗中选择一类地物，绘制一个多边形AOI。 →在Signature Editor窗口，单击Create New Signature图标，将多边形AOI 区域加载到Signature Editor分类模板属性表中。

envi遥感图像监督分类与非监督分类

envi遥感图像监督分类监督分类，又称训练分类法，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。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。（2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本；（3）如下图为选好好的样本。

遥感图像分类后处理

遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；

三、实验设备与材料 1.实验设备装有ENVI 5.1的计算机 2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采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，定义一个变换核尺寸，主要分析（Majority Analysis）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的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。下面介绍详细操作流程：（1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"；（2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK；（3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。

监督分类中常用的具体分类方法

监督分类中常用的具体分类方法包括：最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。最小距离分类包括最小距离判别法和最近邻域分类法。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。最近邻域分类法是上述方法在多波段遥感图像分类的推广。在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。多级切割分类法（multi-level slice classifier）：是根据设定在各轴上值域分割多维特征空间的分类方法。通过分割得到的多维长方体对应各分类类别。经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。多级切割分类法要求训练区样本选择必须覆盖所有

的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。最大似然分类法(maximum likelihood classifier)：最大似然分类法是经常使用的监督分类方法之一，它是通过求出每个像元对于各类别归属概率（似然度）（likelihood），把该像元分到归属概率（似然度）最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然分类法。最大似然分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分象元的归

遥感实习遥感图像监督分类

实验五：监督分类与非监督分类一、实验目的采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。二、实验数据与原理美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：

Erdas监督分类和非监督分类

华北水利水电大学资环学院遥感数字图像处理专业：地理信息科学班级：2013012班学号：201301218 姓名：杨力华指导老师：黄会平老师

实验五丹江库水库湿地解译一实验目的 1 熟练掌握Erdas的基本操作，包括图像裁剪、图像拼接、彩色合成、假彩色合成、创建AOI区域、创建训练区等。 2理解监督分类和非监督分类的原理，能够运用Erdas软件操作进行监督分类和非监督分类。 3 完成丹江口水库湿地的分类和分类后评价。 4生成丹江口湿地专题地图。二实验内容 1 丹江口水库湿地图边界配准以及矢量化； 2丹江口水库湿地在遥感图像上的裁剪； 3.对遥感图像进行监督分类并对分类结果作出评价，并生成专题地图； 4.对遥感图像进行非监督分类并对分类结果作出评价，并生成专题地图。三实验原理监督分类又称训练场地法，是一种以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，建立判别函数对各待分类像元进行的分类。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对模板进行评价后再对其进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification）。非监督分类运用 ISODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换和统计分析等。

遥感图像的分类实验报告

精心整理一、实验名称遥感图像的监督分类与非监督分类二、实验目的理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。三、四、五、 1. 1.1打开并显示影像文件，选择合适的波段组合加载影像打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。 1.2使用感兴趣区（ROI）工具来选择训练样区 1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。出现ROI Tool对话框， 2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。

由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。 1.3选择分类方法进行分类 1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。以最小距离法（Minimum Distance）为例进行说明。选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。 2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择点击 2. 1 2 3. 。 1 选择Mode :polygon delete from class将错误点剔除。 2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。图为采用八联通域将像素小于5的点删除。 3.3混淆矩阵精度验证 1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。 2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。

遥感监督分类

实验遥感图像监督分类实验目的：通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。实验内容：监督分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的象元建立模板，然后基于该模板使计算机自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。实验步骤：第一步：定义分类模板 ERDAS IMAGINE 的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来负责的。在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。因此，显示这两种图像的窗口也是进行监督分类的重要组件 1、显示需要分类的图像在窗口中显示图像germtm.img。具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。

图5－1 设置图像显示参数点击OK，打开图像（图5－2）。图5－2 打开图像 2、打开分类模板编辑器两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。