基于统计模式识别遥感影像像元分类
遥感影像的分类与识别技术在土地资源调查中的应用
文章编号：1008-0058（2001）03-0261-04遥感影像的分类与识别技术在土地资源调查中的应用李颖1，赵文吉2，李小琳1（1.吉林大学朝阳校区信息科学与技术学院，吉林长春130026；2.首都师范大学地理系，北京100021）摘要：遥感图像记录了地物在空间域、时间域、光谱域的变化信息。
利用图像的分类技术，能够识别土地利用类型。
计算机遥感分类识别原理，是利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息。
根据北京某地遥感图像实例资料，将土地利用类型分为监督分类、非监督分类、最大似然法分类、神经网络分类等。
不同的分类方法有各自的特点且分类结果也有一定的差别，其中神经网络分类与真实情况最为接近。
关键词：分类识别；动态变化；神经网络中图分类号：S127文献标识码：A收稿日期：2000-09-01基金项目：吉林省计委重点资助项目（2000-165）作者简介：李颖（1965-），女，吉林省长春市人，副教授，博士后，主要从事GIS 在矿产预测中的研究.随着遥感图像分辨率的提高，利用遥感图像对耕地和建设用地等土地的变化情况进行及时、直接、客观的定期监测已成为可能，遥感技术逐步成为土地利用动态监测中的主要方法。
如何利用同一区域不同年份同一时相的图像识别土地利用的现状或土地利用的变化信息，成为遥感土地动态监测者研究的重点。
常用方法有：直接提取法（差异主成分法）、影像分类比较、目视解译法、基于知识和GIS 的分类决策等等。
其中计算机图像分类识别技术是最常用的方法之一。
!计算机遥感图像分类识别原理遥感图像记录遥感观测区域内一定时间段内的地物电磁波辐射，其灰度大小及其变化只反映了地物的辐射光谱能量特征，其影纹（纹理）特征代表了地物的光谱结构特征。
因此，遥感图像实质包含了地面地物的三类信息：时间信息、光谱能量信息和结构信息。
图像分类就是利用地物的光谱能量特征差异性和结构特征差异性，来识别在一定时间段内的地物信息。
如何进行遥感影像分类与识别
如何进行遥感影像分类与识别遥感影像分类与识别是一项被广泛应用于环境监测、农业发展、城市规划等领域的技术。
通过将遥感影像进行分类与识别，可以获取地表覆盖信息、监测资源利用情况以及坏境变化趋势等。
本文将探讨如何进行遥感影像分类与识别的相关方法和技术。
一、遥感影像分类与识别的基本原理遥感影像分类与识别的基本原理是基于遥感影像的光谱特征和空间结构特征来进行分类与识别。
光谱特征是指通过遥感技术获取到的不同波段的影像数据，而空间结构特征是指地物在影像上的分布、形状等信息。
通过综合利用这些特征，可以实现对遥感影像中不同地物的分类与识别。
二、遥感影像分类与识别的常用方法1. 基于像元的分类方法基于像元的分类方法是通过对遥感影像中的每个像元进行分类，即将每个像元划分到不同的地物类别中。
该方法的优点是简单而直观，但也存在不足之处，比如在复杂研究区域中，同一类地物的像元可能存在光谱变化、空间紧密等问题。
2. 基于目标的分类方法基于目标的分类方法是通过对遥感影像中的目标进行识别和分类。
该方法的优点是能够捕捉到地物的空间分布和形状信息，可以有效地解决像元分类方法的问题。
通过目标提取和形状识别等技术，可以将遥感影像中的目标进行分类与识别。
3. 基于纹理的分类方法基于纹理的分类方法是通过提取遥感影像中地物的纹理特征，实现对地物的分类与识别。
纹理特征描述了地物表面的复杂度和变化性，通过纹理特征的提取和分析，可以实现对遥感影像中的地物进行准确的分类与识别。
三、遥感影像分类与识别的技术挑战与解决方法遥感影像分类与识别在实际应用中面临一些技术挑战，如遥感影像的多光谱信息的充分利用、分类器的选择和优化等。
针对这些挑战，可以采取一些解决方法，如：1. 多光谱信息的融合通过将遥感影像中不同波段的光谱信息进行融合，可以提高分类与识别的准确性。
常用的融合方法有主成分分析法、综合概率法等。
2. 分类器的选择与优化选择合适的分类器对于分类与识别的准确性至关重要。
基于统计分析的遥感图像分类方法
１ ２ 最 小距 离分类 法 ．
ｘ， ｎ因为 样本 间互 相独 立 ， 有 ｐ Ｘ ） １ｐＸｋｅ ， 则 （ Ｉ 一 １ （ ）式 ｅ Ｉ
中ｅ 是概率分布模型中待确定参数 ；（ Ｉ 称为 ｅ ｐＸｅ ） 的似 然 度 函数 ， 的最 大似 然 度 估计 则 是 使 Ｐ Ｘ１）最 大 化 ｅ （ ｅ
１ 监督 分类
最 大似 然法 估计 和 贝 叶斯 学 习 的基本 原 理 大致 相
同 ， 区别在 于最 大似 然估计 中 ｅ 而 被认 为是一个 未 知但
固定 的参数 ， 贝叶斯学 习种 ｅ 一个 随机变量 。 而 是 从 数学 的角度 来说 ， 最大 似然法 是至今 发展 出的一 种 最好 的分类 方法 ， 因为 它考 虑 到 了判 别 风 险 的 问题 。 从 理论 上讲 ， 与其他 所 有 的 分类 算 法相 比 ， 贝叶斯 分类
性进 行 分类 的。主要针 对监 督分 类和 非监督 分 类一 些常 用的 方 法加 以说 明 ， 列举 了两种 比较 常用 各
的方法及 其现状 。
关 键词 ： 监督 分 类 ； 非监 督 分类 ； 感 图像 遥 中图分类 号 ： ２ 文 献标识 码 ： 文章编 号 ： 。 ４ ５ １ （ 。 ８ Ｏ 一 Ｏ ３ ～Ｏ Ｐ３ Ｂ １ ０— ７ ６ ２ ０ ） ４ １ Ｏ ４
息， 同时用 这些 种子 类 别对 判 决 函数进 行 训 练 ， 其符 使
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 个位 像 元 和 训练 样本 作 比较 ， 不 同的规则 将其 划分 到 和其 最相 似 的样 按
基于像素的遥感影像分类
基于像素的遥感影像分类
基于像素的遥感影像分类，是一种将遥感影像中每个像素点分为不同类别的任务。
这种分类方法利用遥感影像中的像素信息，通过计算特征并使用合适的分类算法，将每个像素点标记为不同的类别，如建筑物、植被、水体等。
这个任务的关键是提取合适的特征，常用的特征包括颜色、纹理、形状和空间上下文等。
提取的特征可以作为分类算法的输入，常用的分类算法包括支持向量机、随机森林、神经网络等。
基于像素的遥感影像分类有许多应用，如土地利用分类、植被监测、城市规划等。
在这些应用中，准确地将遥感影像中的不同地物分类可以提供重要的空间信息，为决策和规划提供支持。
然而，基于像素的遥感影像分类也存在一些挑战。
由于遥感影像的分辨率普遍较高，像素数目巨大，处理效率较低。
同时，像素分类往往受到光照、阴影、云覆盖等因素的干扰，容易导致分类错误。
因此，一些改进的方法如基于对象的遥感影像分类，将相邻的像素点合并为对象进行分类，能够提高分类的准确性和效率。
遥感图像分类现状及存在的问题
根据有无监督训练样本，可以将遥感图像分类算法分为监督分类和非监督分类两大类。
根据分类的对象，可将遥感分类算法分为基于像元的分类算法、基于对象的分类算法，以及基于混合像元分解算法三大类。
基于像元的分类基于像元的分类，就是分类的研究对象是单个像元，利用像元的光谱信息、纹理信息、空间关联等信息对像元表示的地物类别属性进行判断。
这一类分类算法是目前研究得最多、最深入的分类算法。
在遥感图像自动分类中，传统的基于数理统计的分类方法，主要包括最小距离分类、最大似然分类、波谱角分类、混合距离法分类等，主要依赖地物的光谱属性，基于单个像元进行分类。
统计模式识别方法本身的不足：•最大似然法计算强度大，且要求数据服从正态分布•K-means聚类分类精度低，分类精度依赖于初始聚类中心•最小距离法没有考虑各类别的协方差矩阵，对训练样本数目要求低近年来对于神经网络分类方法的研究相当活跃。
它区别于传统的分类方法：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的。
在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。
人工神经网络（ANN）分类方法一般可以获得更高精度的分类结果，因此ANN方法在遥感分类中被广泛应用，特别是对于复杂类型的地物类型分类，ANN方法显示了其优越性。
专家系统分类法也在遥感分类取得了一定的应用。
专家系统是模拟人类逻辑思维的智能系统，将其应用于遥感分类最大的优点就是可以充分利用更多的辅助分类数据。
不过由于专家系统知识库难以建立，影响了它的进一步发展。
支持向量机（SVM）具有严格的理论基础，能较好地解决小样本、非线性、高维数等问题，被成功地应用到多光谱、高光谱遥感图像分类领域。
对于高光谱数据而言，由于波段多、数据量大、数据不确定性等，易受Hughes现象（即训练样本固定时，分类精度随特征维数的增加而下降）影响。
而样本的获取在高光谱分类中往往是一项比较困难的工作，特别是采用高维特征向量时要求每类的样本数都要比特征维数高，因此在高维信息处理中的精度与效率和高光谱遥感信息精细光谱与大数据量之间仍然存在着极大的矛盾。
遥感图像分类方法与准确性评价指标
遥感图像分类方法与准确性评价指标遥感图像分类是利用遥感数据进行地物分类的过程，其目的是将遥感图像中的不同地物进行识别与分类。
在遥感图像分类中，有效的分类方法和准确性评价指标对于获得准确的分类结果至关重要。
一、常用的遥感图像分类方法1. 监督分类方法监督分类方法是指在进行分类之前，通过在选定的地物样本中确定其类别，并利用这些样本进行分类算法的训练。
常用的监督分类方法包括最大似然分类、支持向量机、决策树等。
最大似然分类是一种基于统计理论的方法，其基本假设是不同类别地物的像元值符合某种概率分布。
支持向量机是一种基于几何学原理的分类方法，其核心思想是将不同类别地物的像元用超平面分割成两个部分，以实现分类。
决策树是一种基于判定树的分类方法，通过根据不同属性进行逐级判定，最终将地物分类。
2. 无监督分类方法无监督分类方法是指在进行分类之前不需要先进行样本标签的确定，而是根据图像中像元之间的相似性和差异性进行聚类。
常用的无监督分类方法包括K-means 聚类、高斯混合模型等。
K-means聚类是一种基于距离度量的分类方法，其核心思想是将图像中的像元根据相似性进行分组，形成不同的类，实现地物分类。
高斯混合模型是一种基于概率统计的分类方法，通过假设图像像元符合多个高斯分布的线性组合，确定不同类别地物的概率分布。
二、遥感图像分类准确性评价指标1. 精度（Accuracy）精度是指分类结果中被正确分类的像元数占总像元数的比例。
精度越高，表示分类结果越准确。
在实际应用中，精度常常使用整体精度（Overall Accuracy）和Kappa系数进行评价。
整体精度是指分类正确的像元数占总像元数的比例，其范围为0到1之间，1表示分类完全正确。
Kappa系数是基于整体精度的一种校正指标，它考虑了分类结果与随机分类之间的差异性，范围也在0到1之间，1表示没有误分类。
2. 生产者精度（Producer's Accuracy）生产者精度是指在分类结果中，某一类地物被正确分类的像元数占该类地物实际像元数的比例。
遥感影像分类算法及数据融合技术
遥感影像分类算法及数据融合技术随着遥感技术的不断发展，遥感影像分类成为了遥感数据处理的重要任务之一。
遥感影像分类算法的研究不仅能提高遥感数据的后续应用效果，也为资源调查、环境监测等领域提供了可靠的数据支持。
本文将主要探讨遥感影像分类算法的发展以及数据融合技术的应用。
一、遥感影像分类算法的发展遥感影像分类算法是指将遥感影像数据划分为不同的类别或类型的方法。
在遥感影像分类中，常用的算法包括传统的基于像元的分类算法和基于对象的分类算法。
1.1 基于像元的分类算法基于像元的分类算法是按照图像的像素信息直接进行分类判定的方法。
常见的基于像元的分类算法有最大似然法、支持向量机、随机森林等。
这些算法主要依靠像素的统计特性、频域分析等方法进行分类。
最大似然法是一种经典的分类算法，它基于像素的概率分布模型进行分类判定。
该方法利用已知训练样本的统计特征，计算待分类像素在每个类别中出现的概率，并选择概率最大的类别作为分类结果。
支持向量机是一种常用的监督学习算法，它通过找到一个最优的超平面将不同类别的样本间隔最大化来实现分类任务。
该算法具有强大的分类性能和泛化能力，广泛应用于遥感影像分类领域。
随机森林是一种基于决策树的分类算法，它通过构建多个决策树并对其结果进行投票来实现分类。
随机森林具有较好的鲁棒性和准确性，对于遥感影像的非线性分类任务有良好的效果。
1.2 基于对象的分类算法基于对象的分类算法是将邻域像素合并为对象，以对象为基本单位进行分类。
与基于像元的分类算法相比，基于对象的分类算法能更好地捕捉到地物的空间信息和上下文特征。
常见的基于对象的分类算法包括分水岭算法、形态学算法、区域生长算法等。
这些算法通常通过分割影像图像得到对象，然后通过计算对象的特征参数进行分类。
分水岭算法是一种基于区域的图像分割算法，它通过模拟灌水过程将图像分割为不同的区域。
分水岭算法具有较好的分割效果和边界保持能力，常用于遥感影像目标提取和分类。
卫星遥感数据处理技术的使用方法
卫星遥感数据处理技术的使用方法卫星遥感是通过卫星搭载的传感器获取地球表面信息的一种技术手段。
借助卫星遥感数据处理技术，我们能够有效地处理和分析海量的遥感图像数据，从而获得对地球表面特征和变化的详细了解。
本文将为您介绍卫星遥感数据处理技术的使用方法。
第一步：获取卫星遥感数据要进行卫星遥感数据处理，首先需要获取适用于您研究领域的卫星遥感数据。
通常情况下，这些数据可以通过各类数据共享平台、卫星数据提供商或地球观测卫星的官方网站获得。
一旦您获取到了需要的卫星遥感数据，将其下载到您的计算机中备用。
第二步：数据预处理在进行卫星遥感数据处理之前，通常需要对数据进行预处理，以去除可能的噪声、纠正影像几何形变等。
预处理的具体步骤包括：1.空间参考校正：将遥感数据的像元与地理坐标系统对应起来，以使其能够准确表示地球表面的位置。
2.大气校正：由于大气对卫星遥感数据的影响，需要进行校正以减少大气造成的误差。
3.影像校正：包括几何校正和辐射校正，以纠正影像的形变和辐射度。
第三步：影像分类与解译卫星遥感数据处理的重要一步是对遥感影像进行分类与解译，以提取出感兴趣的地物类型和特征。
常用的影像分类方法包括：1.基于统计的分类方法：根据遥感数据的统计特征，如像素的散布规律、光谱参数等，进行分类分析。
2.基于机器学习的分类方法：利用机器学习算法，通过训练样本对遥感影像进行分类预测。
3.基于专家判读的分类方法：由专家根据经验和知识对遥感影像进行目视解译和标注。
第四步：地理信息系统（GIS）分析卫星遥感数据处理的另一个重要应用领域是地理信息系统（GIS）分析。
借助GIS软件，我们可以对处理后的遥感数据进行进一步分析和可视化。
常见的GIS分析包括：1.空间分析：通过空间叠加、缓冲区分析等方式，从遥感数据中提取出地理空间上的关系和特征。
2.地形分析：根据地形数据和高程信息，对地表的高程特征进行分析和可视化。
3.变化检测：通过比较不同时期的遥感影像，检测地球表面的变化情况，如土地覆盖变化、城市扩张等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实习1基于统计模式识别遥感影像像元分类1.1问题提出（1）将地物分为8类：有作物农田（cultivated_farmland）、无作物农田（uncultivated_farmland）、林地（woodland）、草地（grassland）、水体（waterbody）、人工建筑（artificial_building）、裸土（nudeland）和道路（road）；（2）在创建感兴趣区时，要求每类地物ROI数量不少于3个，人工建筑类地物ROI数量不少于5个，人工建筑类用地的颜色种类较多，ROI应包含所有颜色的人工建筑；（3）在进行非监督分类时，类别的数量范围最小不能小于最终分类数量，最大应为最终分类数量的2~3倍。
1.2实验分析遥感影像分类是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种算法化为不同的类别，然后获得遥感图像中与实际地物的对应信息，实现遥感图像的分类。
一般分类方法有监督分类和非监督分类。
本实验主要分为三个部分，首先对所给图像数据进行监督分类，其次再进行非监督分类，最后验证不同分辨率的图像对分类精度的影响，由于本实验所给数据分别是多波段数据和全色波段数据，所以在这一部分首先需要对两幅图像进行融合，其次对得到的融合图像降低空间分辨率，得到一幅5m和15m的图像，再对这三幅图像进行监督分类，最后进行分类精度的评价。
1.3实验目标（1）掌握地物的监督分类方法；（2）掌握地物的非监督分类方法；（3）验证不同空间分辨率的遥感影像对分类精度的影响。
1.4实验数据IKONOS多光谱影像；IKONOS全色波段影像；<class1.roi>：1m空间分辨率的参考分类ROI模板。
1.5实验方案设计（1）利用IKONOS多光谱影像进行监督分类；（2）利用IKONOS多光谱影像进行非监督分类；（3）将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合；（4）将融合图像降低空间分辨率，分别得到分辨率为5m和15m的影像；（5）对空间分辨率为1m、5m和15m的影像进行分类；（6）分别对1m、5m和15m的图像进行分类精度评价。
1.6实验步骤1.6.1 利用IKONOS多光谱影像进行监督分类。
（1）打开图像multispectral.img，波段4、3、2合成RGB显示在Display中。
（2）通过分析影像，定义8种地物样本为有作物农田（cultivated_farmland）、无作物农田（uncultivated_farmland）、林地（woodland）、草地（grassland）、水体（waterbody）、人工建筑（artificial_building）、裸土（nudeland）和道路（road）。
（3）在主图像窗口中，选择点击ENVI主菜单Basic Tools→Region of Interest→ROI Tool，在Window选项中点选Zoom，表示在Zoom窗口绘制ROI。
图1-1ROI Tool对话框（4）在Zoom窗口绘制ROI。
例如水体的绘制，选择Ellipse进行绘制，绘制好图形后点击右键确认，将绘制好的ROI更名为waterbody，颜色改为蓝色。
（5）绘制好水体的ROI后，点击ROI Tool对话框的New Region按钮，继续绘制其它类地物的ROI。
如果ROI绘制错误，可以利用ROI Tools中的Go To键，找到选错的那个样本区域，Delete即可。
最终得到如图1-2所示的结果。
图1-2定义训练样本图1-3感兴趣区（6）在ROI Tool对话框中点击File→Save ROIs，保存ROI文件。
（7）根据分类的精度要求不同，可以选择不同方法，这里用马氏距离法执行监督分类。
在ENVI主菜单，点击Classification→Supervised（监督分类）→MahalanobisDistance（马氏距离），选择输入文件multispectral，在接下来弹出的MahalanobisDistance Parameters对话框中，按图1-4设置参数，点击OK。
图1- 4参数设置对话框（8）评价分类结果。
打开ENVI主菜单，点击C lassification→Post Classification→Confusion Matrix→Using Ground Truth ROIs。
（9）在Match Classes Parameters对话框中，选择要匹配的名称，单击Add Combination，将真实感兴趣区与分类结果相匹配。
单击OK按钮，输出混淆矩阵。
图1- 5分类匹配设置窗口（10）分类精度评价表、分类结果图如图1-6、1-7所示。
图1- 6分类精度评价表图1-7分类结果图1.6.2利用IKONOS多光谱影像进行非监督分类（1）在主菜单上，选择Classification→unsupervised→IsoData，在Classification Input File对话框中，选择文件multispectral.img。
单击OK按钮，打开ISODATAParameters对话框，设置相关参数。
图1-8ISODA TA分类器参数设置（2）接下来进行类别定义。
用ENVI软件打开原图像并在Display中显示，在主图像窗口中，选择Overlay→Classification，在Interactive Class Tool Input File选择框中选择非监督分类结果。
单击OK打开Interactive Class Tool对话框。
（3）在Interactive Class Tool对话框中，勾选类别前面的“ON”选择框，能将结果叠加显示在Display窗口。
（4）在Interactive Class Tool对话框，选择Options→Edit class colors/names，调出Class Color Map Editing对话框。
（5）在Class Color Map Editing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，同时修改颜色。
（6）重复上述步骤，直到所有的类别定义完毕。
图1- 9编辑分类名称和颜色（7）在Interactive Class Too l对话框中，选择File→Save Chang es to File，保存修改结果。
（8）合并子类。
在主菜单中，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 弹出Combine Classes Parameters对话框。
（9）在Combine Classes Parameters对话框中，从Select Input Class中选择合并的类别，从Select Out Class中选择并入的类别，单击Add Combination，把它们添加到合并方案中。
图1- 10分类类别的合并（10）点击OK,在Combine Classes Output对话框的Remove Empty Classes项中选择“YES”，移除空白类。
（11）选择输出路径，单击OK。
（12）评价分类结果与监督分类方法一样，可参考前面步骤。
1.6.3 将IKONOS多光谱影像4个波段与全色波段数据进行融合（1）打开ENVI软件，点击File→Open Image File，打开图像konospan.img，在Available Band List对话框中，选中konospan.img，点击右键，选择Edit header，点击OK，得到konospan.hdr。
（2）新建一个记事本，将konospan.hdr拖入其中，查看konospan.img的头文件，如图1-11所示。
图1- 11头文件（3）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择multispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径。
将重置了大小后的图像bj_resize按432的RGB模式显示，如图1-12所示。
图1- 12 Band4、3、2合成RGB（4）将bj_resize图像以432的RGB模式在Display#1中显示，在ENVI主菜单，启动融合功能，点击Transform→Image Sharpening→HSV。
在弹出High Resolution Input File的对话框中，选择konspan.img文件，OK。
（5）通过融合，获得空间分辨率为1m的多波段图像，如图1-13。
图1- 13以432的RGB模式显示1.6.4将1m的融合图像降低空间分辨率，得到5m和15m的图像。
（1）在ENVI主菜单，点击Basic Tools→Resize Data，选择输入文件为bj_HSV，在Resize Data Parameters对话框中，点击Set Output Dims by Pixel Size，将像元大小改为5米。
图1- 14修改像元大小（2）点击OK，设置存储路径，得到空间分辨率为5米的影像。
图1- 15设置重置图像参数（3）用相同的办法得到空间分辨率为15米的影像。
图1- 16修改像元大小1.6.5对空间分辨率为1m、5m和15m的影像进行分类。
（1）首先对空间分辨率为1m的图像进行监督分类，可参照1.6.1的步骤。
（2）利用相同的分类模板对5m分辨率的图像进行分类。
首先需要进行转换，在Display#1中显示5m分辨率的图像，在Display#2中显示1m分辨率的图像，分别打开两窗口的ROI工具，在Display#2的ROI Tool对话框中点击File→RestoreROI，加载之前采集的ROI，如图1-17。
图1- 17两幅图像的ROI Tool对话框（3）在#2ROI Tool中点击File→Export ROIs to EVF，在File→Export ROIs to EVF 对话框设置相关参数，如图1-18所示。
图1- 18设置转换参数（4）点击OK，在弹出的Available Vectors List对话框中，选择图层1，点击Load Selected。
这样矢量格式的ROI显示在Display#1中，如图1-19。
图1- 19带有矢量ROI的图层（5）在Vector Parameters对话框中，点击File→Export Active Layer to ROIs，这样在Display#1中就生成了与Display#2中对应的ROI，在Display#2中点击右键Geograghic Link，在#1ROI Tool中，选中一个ROI，点击Goto，窗口中会显示该ROI的位置，根据右侧Display#2的颜色修改#1ROI Tool中的ROI的颜色，直到#1ROI Tool中所有的ROI颜色修改完毕，如图1-20所示。