监督分类实验报告
监督分类实习报告
随着遥感技术的飞速发展，遥感图像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
为了提高遥感图像分类的准确性和效率，我参加了为期一个月的监督分类实习，旨在学习遥感图像处理与分析的基本原理，掌握监督分类方法，并应用于实际项目中。
二、实习内容1. 遥感图像处理基础实习初期，我学习了遥感图像处理的基本原理，包括图像的几何校正、辐射校正、增强处理等。
通过实际操作，我掌握了ENVI、ArcGIS等软件的基本操作，能够对遥感图像进行预处理。
2. 监督分类方法学习在了解了遥感图像处理的基础知识后，我重点学习了监督分类方法。
实习期间，我学习了最大似然法、支持向量机（SVM）等常用的监督分类方法。
通过实际操作，我了解了不同分类方法的特点和适用场景。
3. 实际项目应用在实习的最后阶段，我参与了实际项目的监督分类工作。
该项目旨在利用遥感图像对某地区进行土地利用分类。
在导师的指导下，我选取了合适的训练样本，运用SVM方法对遥感图像进行了分类，并对分类结果进行了精度评估。
三、实习成果1. 理论掌握通过实习，我对遥感图像处理与分析的基本原理有了更深入的了解，掌握了监督分类方法，为今后的工作打下了坚实的基础。
2. 实践能力提升在实习过程中，我学会了使用ENVI、ArcGIS等软件进行遥感图像处理与分析，提高了自己的实践能力。
3. 项目经验积累通过参与实际项目，我积累了项目经验，学会了如何将理论知识应用于实际工作中。
1. 理论与实践相结合实习过程中，我深刻体会到理论与实践相结合的重要性。
只有将理论知识应用于实践，才能真正掌握遥感图像处理与分析技术。
2. 团队协作精神在实习过程中，我学会了与团队成员沟通协作，共同完成项目任务。
3. 不断学习遥感图像处理与分析技术发展迅速，作为一名实习生，我深知自己需要不断学习，才能跟上时代发展的步伐。
五、总结本次实习让我受益匪浅，不仅提高了自己的专业素养，还积累了宝贵的实践经验。
在今后的学习和工作中，我将继续努力，为遥感图像处理与分析领域的发展贡献自己的力量。
监督分类实验报告
监督分类实验报告监督分类实验报告一、引言监督分类是机器学习领域中的一项重要任务，它的目标是根据已知的样本和标签，构建一个能够自动对新样本进行分类的模型。
在本次实验中，我们使用了一个基于监督学习的分类算法，并通过对不同数据集的实验进行评估，来探索该算法的性能和适用范围。
二、数据准备在实验中，我们使用了两个不同的数据集，分别是鸢尾花数据集和手写数字数据集。
鸢尾花数据集包含了150个样本，每个样本有4个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。
手写数字数据集则包含了1797个样本，每个样本是一个8x8的灰度图像，表示了一个手写数字。
三、实验方法我们选择了支持向量机（SVM）作为分类算法，并使用Python中的scikit-learn 库进行实现。
SVM是一种二分类模型，通过在特征空间中构建一个最优超平面来实现分类。
在实验中，我们将SVM应用于鸢尾花数据集和手写数字数据集，并对其进行了以下几个方面的评估。
1. 特征选择在实验中，我们首先进行了特征选择，以确定对于不同数据集来说，哪些特征是最具有区分性的。
通过计算特征的方差和相关系数等指标，我们确定了鸢尾花数据集的四个特征都是有用的，而手写数字数据集的某些特征则可以被忽略。
2. 模型训练在特征选择之后，我们使用了80%的数据作为训练集，剩余的20%作为测试集。
通过调整SVM的参数，如核函数类型、正则化参数等，我们训练了不同的模型，并选择了最优模型进行评估。
3. 模型评估为了评估模型的性能，我们使用了准确率、召回率和F1值等指标。
准确率表示模型正确分类的样本比例，召回率表示模型正确预测正例的能力，而F1值则综合考虑了准确率和召回率。
通过计算这些指标，我们可以对模型的分类能力进行全面的评估。
四、实验结果与分析在鸢尾花数据集上，我们的SVM模型达到了97%的准确率，表现出很好的分类能力。
然而，在手写数字数据集上，模型的准确率仅为90%，略低于我们的期望。
遥感监督分类实习报告
实习报告：遥感监督分类实习一、实习目的本次遥感监督分类实习的主要目的是通过实际操作，掌握遥感监督分类的基本原理和方法，提高对遥感影像进行分类和解析的能力。
通过实习，我们希望能够学会使用遥感相关软件对遥感影像进行处理和分析，掌握遥感野外调查的方法和注意事项，以及根据土地利用现状分类标准对遥感影像进行目视解译和划分，最终制作出土地利用现状分类专题图。
二、实习内容（一）遥感影像处理1. 遥感影像预处理：我们在envis软件中进行遥感影像的预处理，包括辐射校正和几何校正。
辐射校正主要进行传感器校正、大气校正、太阳高度及地形校正。
几何校正是指纠正由系统或非系统因素引起的图像几何变形。
我们将实习所用到的遥感图像坐标系确定为UTMWGS84坐标系。
2. 遥感影像裁剪：我们使用envis软件中的感兴趣区域选取功能，对预处理过的遥感影像进行裁剪，选取出本次实习的区域范围。
（二）外业建标调查1. 建立目视解译标志：我们根据《土地利用现状分类-GB2007》标准，对所调查区域的遥感影像地物进行初步目视解译、划分，从而建立外业目视解译标志表。
2. 野外调查：我们根据建立的目视解译标志，进行野外调查，验证和解译遥感影像中的地物类别。
（三）遥感影像的监督分类1. 训练样本选择：我们根据野外调查的结果，选择代表性的训练样本，用于遥感影像的监督分类。
2. 监督分类：我们使用ENVI软件中的监督分类功能，对遥感影像进行分类。
在分类过程中，我们根据训练样本的特点，选择合适的分类算法和参数。
3. 分类结果评估：我们使用混淆矩阵和Kappa系数等指标，对监督分类的结果进行评估，以判断分类的精度。
三、实习总结通过本次遥感监督分类实习，我们掌握了遥感影像处理的基本方法，学会了使用envis和ENVI等软件进行遥感影像的预处理、裁剪和监督分类。
同时，我们也学会了如何进行野外调查和目视解译，以及如何选择训练样本和评估分类结果。
通过实习，我们对遥感监督分类的原理和方法有了更深入的了解，提高了实际操作能力。
遥感实验报告-监督分类
实验报告书（验证性实验）题目图像分类——监督分类成绩姓名专业班级学号指导教师日期年月日1．实验目的从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。
2．实验准备工作准备一张卫星高清图像以及ERDAS软件，统筹观测目测一下图像，大体了解地物的种类及种类数目，做到心中有数，为训练区的选取做准备。
3．实验步骤第一步：打开卫星拍摄的高清图像，同时打开工具栏classifier中的signature editor，会蹦出分类标签框。
然后打开viewer上的工具栏，在卫星图像上进行训练区第一种地物（如小麦）样本的选取，找到该类地物面积较大的区域，放大后用多边形截图工具截取，然后在标签框上选择添加，之后继续选样本，重复以上步骤，直到选择到十几个有代表性的样本为止。
之后在标签栏里选中所有样本，点击图标合并，删除原样本，只保留合并之后的，再在name栏里填上此种地物的名称。
这样第一个地物的样本选取完毕，进行第二个地物样本的选取，以此类推，直到把图像中包含的所有地物样本选出得到完整的分类标签为止，将分类标签保存在目标文件夹中。
地物样本的选择：第二步：打开classifier中的supervised classification，在导入原始文件栏里选择卫星图像，在导入signature栏里选择刚才做好的分类标签，之后选择导出的目标文件夹，在parametric中可以选择不同的选项（这里以maximum likelihood为例），确定后导出了开始。
第三步：打开导出的图像，这就是监督分类后的图像，然后进行检验。
在已打开的分类后的图像中再打开未分类的原始图像，这里要注意把raster option中的clear display前的对号去掉。
在view中的arrange layers上安排一下图层的顺序，使分类后的图像在上面，打开utility中的swipe，通过移动滚条并放大进行前后两张图像的对照，达到检验效果。
监督分类实习报告
实习报告一、实习背景及目的近年来，随着我国经济的快速发展，各行各业对数据分析的需求日益增长。
监督分类作为一种常见的数据分析方法，在遥感、图像处理、机器学习等领域具有重要应用价值。
为了提高自己在监督分类领域的实际操作能力，我参加了本次监督分类实习，旨在掌握监督分类的基本原理、常用算法及其应用。
二、实习内容与过程1. 实习前的准备在实习开始前，我首先对监督分类的基本概念、原理和常用算法进行了系统学习，包括最小距离分类、最大似然分类、支持向量机分类等。
同时，为了更好地开展实习，我还学习了相关软件的使用方法，如ENVI、ArcGIS等。
2. 实习过程实习过程中，我主要完成了以下几个任务：（1）数据准备：我下载了一组遥感图像，包括多光谱、高光谱等数据。
为了进行监督分类，我需要对这些数据进行预处理，如波段选择、数据标准化等。
（2）样本制备：在监督分类中，样本的制备至关重要。
我根据实际需求，从遥感图像中选取了具有代表性的样本，并对每个样本进行了标签分类。
（3）模型训练与验证：利用制备好的样本，我分别采用了最小距离分类、最大似然分类和支持向量机分类等算法进行了模型训练。
为了评估模型的分类性能，我还进行了交叉验证。
（4）遥感图像分类：在模型训练与验证通过后，我应用这些模型对整个遥感图像进行了分类。
为了评价分类结果，我还进行了混淆矩阵分析、Kappa系数计算等。
3. 实习成果通过本次实习，我完成了遥感图像的预处理、样本制备、模型训练、交叉验证和图像分类等任务。
实习成果主要包括以下几点：（1）掌握了监督分类的基本原理、常用算法及其应用；（2）学会了遥感图像处理软件的使用，如ENVI、ArcGIS等；（3）提高了自己在监督分类领域的实际操作能力；（4）为实际项目中的应用提供了有益的参考。
三、实习总结通过本次监督分类实习，我对监督分类有了更深入的了解，从理论到实践都取得了一定的进步。
同时，我也认识到监督分类在实际应用中存在的局限性，如样本制备的困难、算法选择的复杂性等。
监督分类 实验报告.
监督分类实验报告.本次实验我们研究的是监督分类算法。
监督分类是一种基于训练数据集的分类方法，即通过给定的训练数据集学习构建分类器，再将分类器应用于测试数据集，从而实现对新数据进行分类的过程。
监督分类算法具有广泛的应用，如文本分类、图像分类等领域。
本实验中我们选取了两种常用的分类算法：决策树和朴素贝叶斯分类器。
决策树是一种树状结构，其中每个节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点表示一个类别。
朴素贝叶斯分类器是一种基于概率论的分类器，利用贝叶斯定理来预测给定数据的分类。
我们选取了一个公开数据集Iris（鸢尾花数据集），该数据集包含150个样本，其中每个样本中包含4个特征属性，分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度，以及一个类别属性，分别是setosa、versicolor、virginica三种鸢尾花的类别。
我们选取其中120个样本作为训练数据集，30个样本作为测试数据集。
我们首先使用Python实现了决策树算法和朴素贝叶斯分类器算法。
在训练阶段，我们将训练数据集作为输入，根据算法学习生成决策树或对应的概率模型；在测试阶段，我们将测试数据集的每个样本输入到决策树或概率模型中进行分类，最终统计分类准确率。
在实验中，我们使用了sklearn工具包中的DecisionTreeClassifier和GaussianNB 实现决策树和朴素贝叶斯分类器算法。
我们将数据集中的数据进行了随机划分，80%作为训练集，20%作为测试集，将参数max_depth设置为4。
结果显示，朴素贝叶斯分类器分类准确率达到97.78%，决策树分类准确率达到93.33%。
其具体结果如下表所示：|算法 |分类准确率||--------------|--------||朴素贝叶斯分类器| 97.78% ||决策树 | 93.33% |从结果可以看出，朴素贝叶斯分类器的分类准确率较高，达到了97.78%，而决策树的分类准确率稍低，只有93.33%。
监督分类的实验报告
实习报告实习名称了解监督分类方法实习课程遥感导论姓名班级学号实习时间12.24晚得分一、实习目的1．通过此次实习掌握监督分类的方法与过程2.加深对监督分类方法的理解，并能将其与实际结合进行思考。
二、实习内容1．首先是定义分类模版，并成出结果图。
2.进行分类精度的评估三、实习方法1.先是定义分类模版，先用到ERDAS图标中的Classifier，选择其中的Signature Editor。
2.用VIEWER打开所要编辑的图片，打开3.在打开的工具栏中选择，进行AOI多边形的绘制，把绘制好的多边形通过Signature Editor中的，将将多边形AOI区域加载到Signature分类模板中4.绘制不同种类的AOI多边形，包括水体、植物群、居民区、农田（果园）、裸地，全部加载入后选择Signature Editor对话框菜单条Classify进行最终结果的保存。
5.进行分类精度的评估。
四、实习步骤（应附上不同过程中的实习结果，如图形、图像、数字等）1.先打开要进行分类处理的图像，打开ERDAS图标中的Classifier，选择其中的Signature Editor。
在viewer的一排工具中选择，出现如下图在打开的工具栏中选择，在编辑图片中选择水体，并用此工具进行AOI多边形绘制。
此时在Signature Editor中选择下列工具将多边形AOI区域加载到Signature分类模板中，并更改合适的名字和颜色，然后再进行其他AOI的绘制。
下图为我将绘制的水体AOI全部加载并改名换颜色后的Signature Editor同理如上，绘制并加载上所有需要的AOI，包括包括水体、植物群、居民区、农田（果园）、裸地。
2.现在要保存分类文档，在Signature Editor对话框菜单条中选择Classify进行最终结果的保存。
按OK进行保存。
3.在viewer中打开保存的图像此时再进行分类精度的评估，打开ERDAS图标中的Classifier，选择其中的Accuracy Assessment打开已经分类好的图像，再点击Edit，打开见下图弹出下框，点OK则出现了在分类图像中产生的一些随机的点，见下图此时再点击View中的Select Viewer弹出下框，再在Viewer中点击下一分类完成的图这是再在Accuracy Assessment中点击View中的Show ALL此时在Viewer中分类好的图上会出现对应的随机点随机点产生之后，本来需要给出随机点的实际类别。
遥感实验报告书——监督分类
实验报告书（验证性实验）题目遥感图像的监督分类成绩姓名专业班级学号指导教师日期2010 年12 月17 日1．实验目的通过本实验加强对遥感图像监督分类处理理论部分的理解，熟练掌握图像监督分类的处理方法，并将处理前后数据进行比较。
2．实验准备工作1，准备遥感数据（本实验使用的是校正后的图像）；2，熟悉遥感图像监督分类的理论部分。
3．实验步骤（1）打开ERDAS imagine，打开需要处理的图像，下图所示：点击Classifier Signature Editor，出现下图所示对话框：首先目视解译区分部分明显地物，点击viewer对话框中，选择一种截取方式，在原图中选择一种地物（如：水系）截取，如下图所示：打开Signature Editor对话框，点击，出现下图所示对话框：以上所述步骤，将原图中水系均找出，按住shift键，将Class#中每一栏选定，如下图所示：点击上图中将其合并，如下图所示：然后将合并后的结果重命名，删除合并前的，以上述方法将图中大部分地物合并，如下图所示：将上图模板保存。
打开ERDAS面板中Classifier Supervised Classification，将Supervised Classification对话框中Input Raster File一栏输入原图像，在Input Signature file一栏输入刚才保存的模板，在Classified File一栏输入要输出的数据，点击OK即可。
如下图所示：打开处理后图像，并与原图像进行比较：原图：处理后：4．实验数据分析与结论（可另附文字材料）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。
- 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)。
实验报告题目：监督分类
姓名：
学号：
日期：
一、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，运用ERDAS软件达到能熟练地对遥感图像进行监督分类的目的。
二、监督分类原理
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。
1）平行六面体法
在多波段遥感图像分类过程中，对于被分类的每一个类别，在各个波段维上都要选取一个变差范围的识别窗口，形成一个平行六面体，如果有多个类别，则形成多个平行六边形，所有属于各个类别的多维空间点也分别落入各自的多维平行六面体空间。
2）最小距离法
使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类。
3）最大似然法
假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里。
4）马氏距离法
是一个方向灵敏的距离分类器，分类时将使用到统计信息，与最大似然法有些类似，但是她假定了所有类的协方差都相等，所以它是一种较快的分类方法。
三、实验步骤及结果
1、定义分类模板
定义分类模板包括分类模板的生成、管理、评价和编辑等，功能主要由分类模板编辑器（Signature Editor）完成，具体步骤包括：
1）打开需要分类的影像
本实验所处理的遥感图像打开如下图所示。
图1 原始遥感图像
2）打开分类模板编辑器
3）调整属性文字
在分类编辑窗口中的分类属性表中有很多字段，可以对不需要的字段进行调整。
4）选取样本
基于先验知识，需要对遥感图像选取训练样本，包括产生AOI、合并、命名，从而建立样本。
考虑到同类地物颜色的差异，因此在采样过程中对每一地类的采样点（即AOI）不少于10个。
选取样本包括产生AOI和建立分类模板两个步骤。
（1）产生AOI的方法有很多种，本实验采用应用查询光标扩展方法。
（2）建立分类模板
①在分类模板编辑窗口，单击按钮，将多边形AOI区域加载到分类模板属性表中。
在同样颜色的区域多绘制一些AOI，分别加载到分类模板属性表中。
本实验中每一颜色
类别选取了10个AOI样本点。
①在分类模板属性表中，依次单击这些AOI（按住shift键），并在单击将所选中的模板合并成一个新的模板。
①在分类模板属性表中，单击Edit/Delete，删除合并前的模板。
并单击Signature Name 进入输入状态，输入对应的类别名称，单击color设置颜色。
①重复以上步骤将所有的类型建立分类模板。
5）保存分类模板
本实验中共建立了五种分类模板，保存结果如下图所示。
图2 建立5种分类模板
2、评价分类模板
ERDAS IMAGINE 提供的分类模板评价工具有: 分类报警工具(A larm s)、可能性矩阵(Con tingency matrix)、特征对象(featu re object s)、直方图方法(Histograms )、分类的分离性( Signatu re separability)、分类统计分析(Statistics) 等。
研究中利用各工具对遥感影像的监督分类模板进行评价, 得到较理想的结果。
1）分类预警评价
分类模板报警工具根据平行六边形决策规则将原属于或估计属于某一类别
的像元在图像视窗中加亮显现, 以示警报, 也可以设置选项使用其它颜色显示。
一个报警可以针对一个类别或多个类别。
根据模板编辑器中指定的颜色, 选定类别的像元且显示在原始图像视窗中, 并覆盖在原始图像上, 形成报警掩膜, 利用F licker 功能查看报警掩膜, 通过测试, 依靠已有模式识别技能, 或实地数据, 确定准确性。
在分别选择农田、水面、山地类别时, 发分类面积过大, 经过几次反
复选点、合并与删除, 再应用分类模板报警工具形成报警掩膜, 以检验模板的准确性, 直到结果满意为止。
评价完成后删除分类报警掩膜。
2）可能性矩阵
可能性矩阵评价工具是根据分类模板, 分析AOI 训练区的像元是否完全落在相应的类别中。
可能性矩阵的输出结果是百分比矩阵, 说明每个AOI 训练区中有多少个像元分别属于相应的类别。
AO I 训练区的分类可应用分类原则: 平行六面体( Panallele Piped )、特征空( Feature Space)、最大似然(Maximum Likelihood)、马氏距离(Mahalanob is istance)。
研究中选择的是最大似然。
随后, 分类误差矩阵将显示在IMAGIN E 文本编辑器(Tex t Editor) 中, 供查看统计。
如果误差矩阵值小于85% , 则模板需要重新建立。
其中统计数据如下图所示。
图3 分类误差矩阵
3）模板对象图示
模板的特征对象工具可以显示各类别模板的统计图, 以便比较不同类别。
评价时, 用模板件中的平均值与标准差计算集中度椭圆, 也可生成平行六面体矩形、平均值以及注记。
统计图以椭圆形式显示在特征空间图像中, 每个椭圆都是
基于类别的平均值及其标准差。
可以同时产生一个类别或多个类别的图形显示。
由于在特征空间图像中绘画椭圆, 所以特征空间图像必须处于打开状态。
椭圆的重叠程度, 反映了类别的相似性。
如果两个椭圆不重叠, 说明代表相互独立的类别, 是分类所需要的。
然而, 重叠是肯定有的, 因为几乎没有完全不同的类别。
如果两个椭圆重叠较多,则这两类别是相似的, 分类不理想。
对所有波段通过椭圆图分析,可以确定究竟使用哪些模板与波段可以得到准确的分类结果。
4）直方图绘制
直方图绘制工具通过分析类别的直方图对模板进行评价和比较, 可以同时对一个或多个类别制作直方图, 如果处理对象是单个类别, 就是当前活动类别, 如果是多个类别的直方图,就是处于选择集中的类别。
通过选择不同类别、不同波段绘制直方图, 可以分析其特征。
在H istograms Plot Control Panel中作调整, 并且点击Plot 按钮以实现直方图反映内容的变化。
直方图方法是经常使用的模板评价方法, 具有简便、直观的特点, 对于类型的合并极其有用。
5）类别的分离性
分类的分离性工具用于计算任意类别的统计距离，可确定两个类别间的差异性程度，也可确定分类中效果最好的数据层。
类别间的统计距离是基于欧氏光谱距离、Jeffries-Matusta距离、分类的分离度、转换分离度方法计算的。
采用类别分离性工具可以同时对多个类别操作，如果没有选择任何类别，则对所有的类别操作。
在文本编辑器窗口，可以对报告结果分析，将结果保存在文本文件中。
本实验对所有类别操作得到的报告结果如下图所示。
图4 类别分离性报告
6）分类统计分析
分类统计分析功能可以对类别专题层统计,作评价和比较。
统计分析每次只能对一个类别进行,即处于活动状态的类别就是当前统计的类别。
在模板编辑器中选择: View→Statistics→打开Statistics对话框。
Statistics对话框的主体是分类统计结果列表,表中包括有该模板基本统计信息(Min,Max,Mean,Std1Dev1) 及协方差(Convariance)。
建立的模板city类统计结果见下图。
图5 模板中city的分类统计结果
3、监督分类
建立满意的分类模板后，就需要在一定的分类决策规则条件下，对像元进行聚类判断。
在选择判断函数及相应的准则后，便可执行监督分类，具体步骤如下：打开Supervised Classification对话框，参数设置如下：
（1）选择处理图像文件（Input Raster File）。
（2）确定输入分类模板（Input Signature）。
（3）定义输出分类文件（Classified File）。
（4）设置输出分类距离文件为Distance File。
（5）选择非参数规则（Non-Parametric Rule），一般选择Feature Space,即选择特征空间。
（6）选择叠加规则（Overlap Rule），一般为Parametric Rule,参数规则，具体设置以下详述。
（7）选择未分类规则（Unclassified Rule）为Parametric Rule。
（8）选择参数规则（Parametric Rule），一般选择Maximum Likelihood，即最大似然。
输出分类文件如下图所示。
图6 输出分类文件
四、总结
模板评价是监督分类中很重要的一步, 只有高质量的模板评价, 才能得到理想的模板, 保证监督分类结果的精度。
ERDA SIMAGINE 软件提供了诸多的模板评价工具, 可方便、直观、快捷地评价操作, 在对一模板评价时应尽量多采用几种工具, 并反复多次, 根据可靠的实地信息对模板合并、删除等修改操作, 使之不断完善, 最终形成较理想的模板。