遥感实验
科学遥感地理实验报告
一、实验背景随着遥感技术的飞速发展，其在地理学、环境科学、农业等领域中的应用越来越广泛。
本实验旨在探讨利用遥感技术监测农作物生长状况，预测作物产量，并分析不同遥感观测时期对产量预测精度的影响。
二、实验目的1. 研究不同遥感观测时期对作物产量预测精度的影响。
2. 确定作物产量预测的最佳遥感观测时期。
3. 探索高频次遥感观测在作物产量预测中的应用潜力。
三、实验材料与方法1. 实验材料- 玉米种植区：实验地点位于我国某玉米种植区，面积为10平方公里。
- 无人机：采用多光谱无人机进行遥感观测。
- 遥感数据处理软件：ENVI、ArcGIS等。
2. 实验方法（1）高频次无人机遥感观测在玉米生长的关键时期，进行9次无人机多光谱观测，每次观测覆盖整个玉米种植区。
观测参数包括：波段、分辨率、飞行高度等。
（2）遥感数据处理- 生成正射影像图：对无人机获取的多光谱影像进行几何校正、辐射校正等预处理，生成正射影像图。
- 计算遥感指标：根据遥感影像，计算用于随机森林产量预测模型建模的遥感指标，如光谱指数、纹理指数等。
（3）产量预测模型建立- 建立随机森林产量预测模型：利用ENVI软件，将遥感指标输入随机森林模型，进行作物产量预测。
- 模型参数优化：通过交叉验证等方法，优化模型参数，提高预测精度。
四、实验结果与分析1. 不同遥感观测时期对产量预测精度的影响实验结果表明，与单一生长阶段的观测相比，多个发育阶段的观测组合能显著提高玉米产量预测的精度。
具体表现为：- 第3次观测（拔节期）的预测精度最高，达到85.3%。
- 第6次观测（抽雄期）的预测精度次之，为82.7%。
- 第1次观测（播种期）和第9次观测（成熟期）的预测精度相对较低。
2. 高频次遥感观测在作物产量预测中的应用潜力本实验结果表明，高频次遥感观测在作物产量预测中具有以下优势：- 提高预测精度：通过多个发育阶段的观测组合，可提高作物产量预测的精度。
- 及时获取信息：高频次遥感观测可及时获取作物生长状况信息，为农业生产提供决策支持。
遥感原理及应用实验报告-V1
遥感原理及应用实验报告-V1遥感原理及应用实验报告遥感是指通过对地球表面的遥感器获取数据，对地球资源和环境进行监测和研究的一种技术。
在遥感中，主要采用遥感仪器和卫星发射器等装置，并通过遥感技术对获取的数据进行处理和分析，以实现对地球表面的监控和感知。
本实验中我们通过学习遥感原理，并运用相关仪器进行实验，以更深入地了解遥感技术的基本原理和应用。
实验过程实验步骤如下：1.准备工作首先，我们需要进行一些准备工作，包括将遥感仪器和其他相关设备准备好，同时还需要校准测量设备，以确保实验数据的准确度。
2.选择实验区域接下来，我们需要选择一个适合的实验区域，以便进行实验。
在这一步中，我们可以通过查阅相关资料和地图来选择一个地点，并记录其经纬度信息。
3.数据采集在实验区域确定之后，我们开始进行数据采集。
这一步需要使用遥感仪器，并通过其收集特定范围内的地表数据。
我们需要测量并记录数据，以便后续分析。
4.数据处理和分析一旦完成了数据采集，我们需要对其进行处理和分析，以提取出对应的信息。
在处理和分析过程中，我们可以使用一些常用的遥感软件和算法，如NDVI算法，来实现数据处理和分析。
我们可以通过查看结果图像，了解地表状况，如地表覆盖情况、土地利用状态、植被生长情况等信息。
实验结果通过本次实验，我们了解了遥感技术的基本原理，并掌握了遥感仪器和软件的使用方法。
通过数据采集和分析，我们可以得到该实验区域的地表信息，如地表覆盖情况、土地利用状态、植被分布情况等。
结论综上所述，遥感技术是一种重要的地球监测和研究技术，可以通过遥感仪器和软件等工具对地表进行监测和分析，为环境保护、农业生产、城市规划、自然资源管理等提供重要支持。
本次实验通过学习遥感原理和仪器的使用方法，为我们了解遥感技术及其应用提供了重要基础。
遥感实验报告裁剪拼接(3篇)
第1篇一、实验目的本次实验旨在学习遥感影像处理中的裁剪与拼接技术，通过对遥感影像进行裁剪和拼接，提高遥感数据的可用性和分析效率。
二、实验背景遥感技术是获取地球表面信息的重要手段，广泛应用于资源调查、环境监测、灾害评估等领域。
遥感影像经过处理和提取后，才能为实际应用提供有价值的信息。
裁剪与拼接是遥感影像处理中的基本操作，通过对影像进行裁剪和拼接，可以去除无关信息，提高影像的可用性。
三、实验材料1. 遥感影像数据：包括多景遥感影像，如Landsat、Sentinel-2等；2. 裁剪与拼接软件：如ENVI、ArcGIS等；3. 实验环境：计算机、遥感数据处理软件等。
四、实验步骤1. 数据准备（1）选择遥感影像数据，确保影像质量良好、覆盖范围完整；（2）对遥感影像进行预处理，包括辐射校正、大气校正等，提高影像质量。
2. 裁剪操作（1）确定裁剪范围：根据实验需求，选择合适的裁剪范围，如行政区域、研究区域等；（2）使用裁剪工具对遥感影像进行裁剪，生成新的影像。
3. 拼接操作（1）选择拼接方式：根据实际情况，选择合适的拼接方式，如同名像元拼接、重叠区域拼接等；（2）使用拼接工具对遥感影像进行拼接，生成新的影像。
4. 质量评估（1）检查拼接后的影像是否完整，是否存在缝隙、错位等问题；（2）分析拼接区域的地物特征，确保拼接效果良好。
五、实验结果与分析1. 裁剪结果经过裁剪操作，生成了新的遥感影像，去除了无关信息，提高了影像的可用性。
2. 拼接结果经过拼接操作，生成了新的遥感影像，拼接区域地物特征良好，拼接效果满意。
3. 质量评估（1）拼接后的影像完整，无缝隙、错位等问题；（2）拼接区域地物特征良好，拼接效果满意。
六、实验结论通过本次实验，掌握了遥感影像的裁剪与拼接技术，提高了遥感数据的可用性和分析效率。
在实际应用中，可根据具体需求选择合适的裁剪与拼接方法，为遥感数据处理提供有力支持。
七、实验心得1. 裁剪与拼接是遥感影像处理中的基本操作，对于提高遥感数据的可用性具有重要意义；2. 在实际操作中，应根据具体需求选择合适的裁剪与拼接方法，确保拼接效果良好；3. 学习遥感影像处理技术，有助于提高遥感数据的分析和应用水平。
遥感实验课总结与反思报告
遥感实验课总结与反思报告一、实验概述遥感实验课是为了加深对遥感原理和技术的理解，提高遥感数据的处理和分析能力所设计的一门实践性课程。
通过此次实验课，我对遥感技术有了更深入的了解，在实践中不断积累经验，也收获了一些收获。
二、实验内容本次实验课主要包括遥感数据获取、遥感影像处理和遥感应用三个方面的实验内容。
其中，遥感数据获取实验是通过收集卫星影像数据，探究遥感数据的获取方式；遥感影像处理实验是通过对影像进行预处理、分类和解译等操作，学习遥感数据的处理技术；遥感应用实验是通过选取一个具体的应用场景，利用遥感数据进行应用分析。
三、实验收获1. 对遥感原理和技术的理解通过实验课，我不仅深入了解了遥感的原理和技术，还学习到了很多遥感数据处理的方法。
在数据获取实验中，我了解到不同遥感平台对应不同的数据类型和空间分辨率，以及如何选择适合的数据源；在遥感影像处理实验中，我学会了如何对影像进行预处理、分类和解译，并使用软件进行操作；在遥感应用实验中，我掌握了如何将遥感数据应用于具体问题分析中。
2. 实践能力的提升通过实验课的实践操作，我逐渐掌握了一些遥感数据处理的技巧和方法，并具备了一定的数据分析和处理能力。
在数据获取实验中，我学会了利用卫星数据下载工具获取遥感数据；在遥感影像处理实验中，我熟悉了遥感图像的处理流程，并能够独立完成影像的预处理和解译工作；在遥感应用实验中，我学会了将遥感数据应用于实际问题的分析与解决。
3. 团队协作意识的培养在实验过程中，我与同学们共同合作，相互交流，共同面对问题，解决问题。
通过与同学们的合作，我体会到了团队协作的重要性，也学会了如何与他人合作，互相支持和帮助，共同完成实验任务。
在这个过程中，我不仅提高了自己的实践能力，还培养了团队合作和沟通的能力。
四、实验反思1. 实验准备不充分在实验中，我发现自己的实验准备工作不够充分，对实验的背景知识了解不够深入，导致在实验中出现了一些困惑和困难，需要花费更多的时间去学习和掌握。
《遥感原理与应用》实验报告
《遥感原理与应用》实验报告实验报告：遥感原理与应用一、实验目的通过实验了解遥感的基本原理，掌握遥感技术的基本应用方法。
二、实验仪器和材料1.遥感软件：ENVI、ERDAS、IDRISI等2.遥感数据：卫星遥感影像数据三、实验内容1.遥感影像地理信息提取通过遥感软件导入遥感影像数据，利用图像处理方法提取地理信息，如土地利用类型、植被覆盖度等。
2.遥感影像分类利用遥感影像数据进行分类分析，将影像中的不同对象或地物进行分类，如建筑物、农田、水域等。
3.遥感影像变化检测利用不同时间的遥感影像数据进行变化检测，观察地物变化的情况，如城市扩张、植被变化等。
四、实验步骤1.打开遥感软件，导入遥感影像数据。
2.使用图像处理方法提取地理信息，如选择适当的阈值进行植被覆盖度的提取。
3.利用分类分析方法将影像中的不同对象进行分类，可以使用最大似然分类方法或支持向量机分类方法等。
4.比较不同时间的遥感影像数据，通过图像差异分析方法进行变化检测。
五、实验结果通过实验，我们成功使用遥感软件导入遥感影像数据，并提取了植被覆盖度等地理信息。
同时，我们还使用分类分析方法将影像中的不同对象进行了分类，得到了建筑物、农田、水域等分类结果。
最后，我们通过比较不同时间的遥感影像数据，成功进行了变化检测，观察到了城市扩张和植被变化的情况。
六、实验感想通过这次实验，我们深入了解了遥感技术的基本原理和应用方法。
遥感技术具有非常广泛的应用领域，如环境监测、农业管理、城市规划等。
遥感影像数据可以提供大量的地理信息，通过图像处理和分类分析可以提取出有用的地理信息，同时通过变化检测可以观察到地物的变化情况。
掌握遥感技术对于我们理解地球变化、环境保护和资源利用具有重要意义。
总结：通过这次实验，我们不仅学习到了遥感技术的基本原理和应用方法，还亲自进行了实验操作，掌握了使用遥感软件进行遥感影像地理信息提取、分类分析和变化检测的基本技能。
希望今后能够将所学的遥感知识应用到实际工作中，为地球环境的保护和资源的利用做出贡献。
遥感实验报告实验成果
一、实验背景随着遥感技术的不断发展，遥感技术在环境监测、资源调查、灾害预警等领域得到了广泛应用。
本实验旨在通过遥感技术，对某地区进行地表覆盖分类，为该地区的环境监测和资源调查提供数据支持。
二、实验目的1. 熟悉遥感图像处理软件的基本操作；2. 掌握遥感图像分类方法；3. 对某地区进行地表覆盖分类，为该地区的环境监测和资源调查提供数据支持。
三、实验内容1. 数据准备本实验选用某地区Landsat 8卫星影像作为实验数据，该影像覆盖范围约为1000平方公里，分辨率为30米。
实验过程中，首先对影像进行预处理，包括辐射校正、几何校正和大气校正等。
2. 遥感图像分类（1）选择合适的分类器本实验选用支持向量机（SVM）作为分类器，因为SVM在处理小样本数据时具有较好的性能。
（2）训练样本选择为提高分类精度，需要选择具有代表性的训练样本。
本实验采用随机抽样方法，从预处理后的影像中随机选取1000个样本作为训练样本。
（3）分类结果分析将训练样本输入SVM分类器进行训练，得到分类模型。
然后，将测试样本输入分类模型进行分类，得到分类结果。
3. 分类结果验证为验证分类结果的准确性，采用混淆矩阵对分类结果进行评价。
混淆矩阵是一种用于评估分类结果的方法，它能够直观地反映分类精度、召回率和F1值等指标。
四、实验结果与分析1. 分类精度通过计算混淆矩阵，得到分类精度为90.5%。
这说明本实验采用SVM分类器对某地区进行地表覆盖分类的效果较好。
2. 分类结果分析（1）地表覆盖类型分布通过分析分类结果，可以看出该地区地表覆盖类型主要有耕地、林地、草地、水域、建筑用地和未利用地等。
（2）地表覆盖变化分析与历史影像对比，可以看出该地区耕地面积有所增加，林地和草地面积有所减少，建筑用地面积显著增加。
这可能与当地经济发展和城市化进程有关。
3. 分类结果应用（1）环境监测通过地表覆盖分类结果，可以监测该地区土地利用变化，为环境监测提供数据支持。
卫星遥感实验报告
卫星遥感实验报告
一、实验目的
本实验旨在通过使用卫星遥感技术，了解地表物体的特征、变化情况，提高对地球表面环境的监测能力，同时掌握遥感影像的获取和处理方法。
二、实验设备和材料
1. 计算机
2. 遥感软件
3. 卫星遥感影像数据
三、实验步骤
1. 下载卫星遥感影像数据：选择合适的地区和卫星，下载对应的遥感影像数据文件。
2. 打开遥感软件：将下载的遥感影像数据文件导入到遥感软件中。
3. 图像预处理：对遥感影像进行预处理，包括辐射校正、大气校正等。
4. 影像增强：根据实验要求对影像进行增强处理，突出感兴趣的地物信息。
5. 地物分类：利用遥感软件进行地物分类，将影像中的不同地物进行划分和标注。
6. 结果分析：对分类结果进行分析，了解地表物体的分布情况和变化情况。
7. 撰写实验报告：根据实验结果撰写实验报告，总结实验过程和结果。
四、实验结果与分析
经过对遥感影像数据的处理和分析，我们成功获取了地表物体的分类信息，包括植被、水体、建筑等不同地物类型。
通过对比不同地物的分布情况，我们可以发现地表环境的变化情况，为环境监测和资源管理提供了重要参考。
五、实验总结
通过本次卫星遥感实验，我们学习了遥感技术的基本原理和应用方法，掌握了遥感影像的处理和分析技能。
遥感技术在环境监测、资源管理等领域具有重要作用，希望通过今后的学习和实践进一步提升自己的遥感应用能力。
六、参考文献
1. 《遥感原理与应用》
2. 《遥感图像处理与分析》
以上为本次卫星遥感实验的实验报告。
最新《遥感技术》实验报告
最新《遥感技术》实验报告实验目的：本实验旨在通过实际操作，加深对遥感技术基本原理的理解，并掌握遥感数据的获取、处理与分析方法。
通过实验，学习如何利用遥感技术进行地表覆盖分类、资源评估和环境监测。
实验内容：1. 遥感数据的获取与预处理- 从国家遥感中心或其他数据平台下载适用于实验的遥感影像数据。
- 对下载的遥感影像进行必要的预处理，包括辐射校正、大气校正和几何校正。
2. 遥感影像的解译与分类- 利用遥感影像解译软件，如ENVI或ERDAS IMAGINE，对预处理后的影像进行目视解译。
- 采用非监督分类和监督分类方法，对遥感影像中的地表覆盖类型进行分类。
3. 分类结果的精度评估- 通过实地调查或其他高精度数据，收集地面真实情况作为参考。
- 利用混淆矩阵等统计工具，对遥感分类结果进行精度评估。
4. 遥感技术在资源评估和环境监测中的应用- 选取特定区域，运用遥感技术进行植被覆盖度、土壤湿度等环境因子的监测。
- 分析遥感监测数据，评估资源状况和环境变化趋势。
实验结果：通过本次实验，成功获取并预处理了所需遥感影像数据。
在解译与分类阶段，非监督分类结果显示了地表覆盖的大致分布，而监督分类则提供了更为精确的分类结果。
精度评估表明，监督分类的总体精度达到了85%。
在资源评估和环境监测应用中，遥感技术能够有效地监测到植被覆盖度的季节性变化和土壤湿度的空间分布情况。
结论：实验验证了遥感技术在地表覆盖分类、资源评估和环境监测中的有效性和实用性。
通过本次实验，不仅提高了对遥感技术操作的熟练度，也为后续相关研究提供了实验基础和技术支持。
未来的工作可以进一步探索更先进的分类算法和数据分析方法，以提高遥感应用的精度和效率。
- 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)。
实验二：遥感图像的增强处理1.实验目的和意义（1）理解遥感图像的增强处理的方法和原理；（2）理解遥感图像彩色合成的原理，掌握遥感图像彩色合成的方法；（3）掌握遥感图像的增强处理，包括对比度变换（直方图）、空间滤波、HSL变换、多光谱变换（K-L变换，即主成分分析，PCA.；K-T变换，即缨帽变换）。
2、相关实验原理和步骤（1）图像的彩色合成A原理：色彩变换（RGB TO IHS）是将遥感图像从红(Ｒ)绿(Ｇ)蓝(Ｂ)三种颜色组成的色彩空间转换到以亮度（I），色度(Ｈ)，饱和度(Ｓ)作为定位参数的色彩空间，以便使图像的颜色与人眼看到的更接近。
其中，亮度表示整个图像的明亮程度，取值范围是0-1；色度代表像元的颜色，取值范围是0-360；饱和度代表颜色的纯度，取值范围是0-1.B:步骤：Transform-color transform-RGB to HLS，如图：真彩色与假彩色的对比真彩色假彩色（2）主成分分析A原理：主成分变换（Principal Component Analysis）是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像数据更易于解释。
ERDAS IMAGE提供的主成分变换功能最多能对256个波段的图像进行转换压缩。
B步骤：transform-principal component-Forward PC Rotation-compute New Statistics and Rotate；如图：最后得到的分析结果图（3）缨帽变换练习A原理：采用缨帽变换可以将ＴＭ图像除热红外波段的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红外与较长的红外的差值，它对土壤湿度和植物湿度最为敏感。
这样的三个分量就是ＴＭ数据进行缨帽变换后的新空间，它可以对植被、土壤等地面景物作更为细致、准确的分析，应用这种处理方法可增强影像上深色区域的信息。
B步骤：transform-tasseled cap-can_tmr.img。
如图：（4）锐化处理；A原理：调整图像的锐化程度使地物在图像上的差别便于人眼识别，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差，从而达到突出图像细节的目的。
B步骤：transform-image sharpening。
具体步骤及其效果图如下所示：（5）直方图均衡化A原理：直方图均衡化实质上是对图像进行非线性拉伸，重新分配图像像元值，是一定灰度范围内的像元数量大致相同。
这样，原理直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一较平的分段直方图。
B步骤：Enhance--Interactive Stretching。
对其进行均衡化后的效果图打开can-tmr.img，在image主影像视图中，tools -- color mapping -- envi clor tables -- red temperature。
移动 stretch bottom 和 stretch top 可以改变颜色：3、实验小结通过这一章内容的学习，了解了遥感图像处理的基本方法，此后，可以对基本的处理步骤及其原理有所了解。
但实验的内容对于图像处理的其他方面来说，实在是太少了，要想真正掌握，还需要我们自己对其进行进一步的探索。
实验三遥感图像的目视解译与制图1.实验的目的和任务（1）理解遥感图像目视解译的原理和方法；（2）掌握ROI的获取和保存方法。
2、相关实验原理和步骤（1）与目视解译相关的理论知识储备A目视解译：指专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程。
遥感图像计算机解译：以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据遥感图像中目标地物的各种影像特征，结合专家知识库中目标地物的解释经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解释。
B方法直接判读法：根据遥感影像目视判读直接标志，直接确定目标地物属性与范围的一种方法。
对比分析法：包括同类地物对比分析法、空间对比分析法和时相动态对比法。
信息复合法：利用透明专题图或地形图与遥感图像重合，根据专题图或地形图提供的多种辅助信息，识别遥感图像上目标地物的方法。
综合推理法：综合考虑遥感图像多种解译特征，结合生活常识，分析、推断某种目标地物的方法。
地理相关分析法：根据地理环境中各种地理要素之间的相互依存，相互制约的关系，借助专业知识，分析推断某种地理要素性质、类型、状况与分布的方法。
（2）实验步骤利用ROI方法，目视解译以下地物类型：河流；植被；建筑用地等。
把ROI存为.ROI文件和.shp文件，具体操作步骤如下图：打开can_tmr.img,在img中右击出现ROI TOOL窗口，然后画图。
红色代表河流，绿色代表植被，蓝色代表建筑用地。
将所画的图保存为.shp格式。
File-Export ROIs to shapefile-select AllItems-All point as one report-ok-文件名将所得的图进一步保存为.enf后缀名形式的文件：basic tools -subset data via rois - can_tmr.img -select by band -选择432-OK-select all itrms --memory--OK.得到如下所示的图，再打开原先保存的shp文件可以看到叠加后的效果，如下图：3、实验小结通过这一节实验内容的学习，了解了遥感图像目视解译基本方法，此后，可以对基本的处理步骤及其原理有所理解，并进行简单的图像处理。
这一节实验，使我进一步加深了对矢量图像含义的理解，以及目视解译在遥感图像处理中的重要作用。
实验四遥感图像的非监督分类1.实验的目的和任务（1）理解遥感图像计算机分类的原理和方法；（2）掌握非监督分类的步骤和方法。
2. 实验内容：（1）影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
（2）分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，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进行迭代聚合，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。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，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，然后迭代地重新配置他们，完成分类过程。
（3）影像分类A实验步骤：1、打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。
这里选择软件自带的Can_tmr.img，按默认设置，之后跳出参数设置，如图这里主要设置类别数目（Number of Classes）为5-15、迭代次数（Maximum Iteration）为10。
其他选项按照默认设置，输出文件。
2、类别定义在display中显示原始影像，在display->overlay->classification，选择ISODATA分类结果，如图所示，在Interactive Class Tool面板中，可以选择各个分类结果的显示。
Interactive Class Tool面板中，选择Option->Edit class colors/names。
通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。
未进行定义之前定义之后注意：在类别定义时候，可以利用Mode：Polygon Add to Class、Edit->Mode：Polygon Delete from Class或者Set delete class value把很明显的错误分类结果并入或者删除。
3、类别合并选择主菜单->Classification->Post Classification ->Combine Classes。
把同一类的类别合并成一类，如图所示。
在点击ok后，需要选择输出文件和Remove Empty Class选择YES，可以得到结果。
4、分类后处理A更改类别颜色可以在Interactive Class Tool面板中，选择Option->Edit class colors/names更改，也可以在Display->Color Mapping->Class Color Mapping。
如下图所示，直接可以在对应的类别中修改颜色。
也可以根据一个显示的RGB 影像来自动分配类别颜色，打开主菜单->Classification->Post Classification->Assign Class Colors。
将林地改为紫色之前改为紫色之后5、分类统计分析主菜单->Classification->Post Classification->Class Statistics。
如图11所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。
6、小斑点处理（类后处理）运用遥感影像分类结果中，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和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过滤（Sieve）。
这些工具都可以在主菜单->Classification->Post Classification中找到。
Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。
如下图为Majority分析的结果。
类后处理结果图7、栅矢转换打开主菜单->Classification->Post Classification->Classification to Vector，可以将分类后得到的结果转化为矢量格式，或者主菜单->Vector->Raster to Vector，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件.栅矢转换面板转换为矢量图之后的效果图3、实验小结该章节的内容极为丰富，涉及了非分类监督的特定分析方法，实用性较强，而且操作步骤繁杂；但若掌握了该方法，对遥感图像的处理上将获益匪浅。