遥感图像的分类与变化监测最终版
测绘技术中的遥感影像分类和变化检测方法
测绘技术中的遥感影像分类和变化检测方法引言：遥感影像处理在现代测绘技术中扮演着重要的角色。
遥感影像分类和变化检测方法是为了从大规模数据中提取信息，解决人类社会发展中的问题。
本文将讨论测绘技术中遥感影像分类和变化检测的方法和技术。
一、遥感影像分类方法1. 监督分类法监督分类法是遥感影像分类中常用的方法之一。
其基本思想是通过人工标注样本数据集，并利用机器学习的方法进行分类。
方法包括最大似然法、支持向量机、随机森林等。
监督分类法需要充分了解被观测场景的特征，以便正确指导样本标记。
2. 无监督分类法无监督分类法是另一种常用的遥感影像分类方法。
该方法不需要预先标记样本，而是将影像数据分成不同的类别。
无监督分类法使用的技术包括聚类、主成分分析等。
与监督分类相比，无监督分类法更适用于未知场景，但其分类结果的准确性有所下降。
3. 半监督分类法半监督分类法结合了监督分类法和无监督分类法的优点。
其基本思想是在一部分已标记的样本上进行监督分类，然后通过无监督分类法对未标记的样本进行分类。
半监督分类法能够提高分类的准确性，并减少样本标记的工作量。
二、变化检测方法1. 基于阈值的方法基于阈值的方法是最简单和常用的变化检测方法之一。
该方法通过设定一个阈值，将两个时间点的遥感影像像素值进行比较，从而检测出变化。
然而，基于阈值的方法对于光照、拍摄角度等因素的敏感度较高，且会忽略时间点之间的连续性。
2. 基于差异图的方法基于差异图的方法通过计算两个时间点遥感影像的差异图来进行变化检测。
差异图可以是像素级别的差异，也可以是物体级别的差异。
该方法能够更好地抑制光照、拍摄角度等因素对变化检测的影响，提高检测的准确性。
3. 基于特征提取的方法基于特征提取的方法通过从遥感影像中提取特定的特征，利用机器学习算法进行变化检测。
特征可以包括颜色、纹理、形状等。
该方法能够更好地捕捉目标变化的特征，提高变化检测的准确性。
三、遥感影像分类和变化检测的应用遥感影像分类和变化检测方法在许多领域都有广泛的应用。
如何进行遥感图像的分类和变化检测
如何进行遥感图像的分类和变化检测遥感图像的分类和变化检测是遥感技术应用的重要方向之一。
随着遥感技术的不断发展，遥感图像在资源调查、环境监测、农业发展等领域有着广泛的应用。
本文将从遥感图像分类和遥感图像变化检测两个方面，介绍如何进行遥感图像的分类和变化检测。
一、遥感图像的分类遥感图像的分类是将遥感图像中的像素按照一定规则划分成不同的类别，以达到对图像内容的理解和分析的目的。
遥感图像的分类方法有多种，常用的有基于像素的分类方法和基于目标的分类方法。
基于像素的分类方法主要是根据像素的强度、颜色和纹理等特征，将图像中的像素划分到相应的类别中。
常用的像素分类方法有最大似然法、支持向量机、随机森林等。
这些方法通过对遥感图像的像素进行统计分析和模式识别，可以有效地实现图像的分类。
基于目标的分类方法是以目标为单位进行分类，将图像中的目标分割并划分到相应的类别中。
常用的目标分类方法有基于规则的分类方法和基于特征的分类方法。
基于规则的分类方法通过设定一些先验规则，如形状、大小、颜色等，对目标进行划分。
而基于特征的分类方法则是通过提取目标的形状、纹理、光谱等特征，利用各种分类算法进行识别和分类。
二、遥感图像的变化检测遥感图像的变化检测是指通过对不同时间或不同传感器获取的遥感图像进行比较和分析，确定图像中发生了变化的区域和程度。
遥感图像的变化检测对资源环境的监测、城市规划和自然灾害等方面具有重要的应用价值。
遥感图像的变化检测方法有多种，常用的有像差法、差异指数法、纹理分析法等。
像差法是通过计算不同时间或不同传感器获取的图像的像素值之差，来确定图像中的变化区域。
差异指数法是通过计算像素的差异指数，来判断图像中是否发生了变化。
纹理分析法是通过提取图像的纹理特征，来检测和分析图像中的变化。
在进行遥感图像的变化检测时，还需要考虑遥感图像的配准和辐射校正问题。
配准是指将不同时间或不同传感器获取的图像进行几何校正，以使它们具有相同的位置和方向。
如何进行遥感图像的变化检测和监测
如何进行遥感图像的变化检测和监测遥感图像的变化检测和监测技术在生态环境、城市规划、资源管理等领域具有重要的应用价值。
本文将介绍如何进行遥感图像的变化检测和监测，包括数据采集、图像处理和结果分析等方面。
一、数据采集遥感图像的变化检测和监测首先需要获取高质量的遥感数据。
常见的遥感数据包括航空摄影图像、卫星图像以及无人机图像等。
选择合适的遥感数据源对于精确的变化检测至关重要。
在数据采集过程中，需要考虑波段的选择、图像分辨率以及时相间隔等因素。
二、图像处理在获取到遥感图像数据后，进行图像处理是进行变化检测和监测的关键环节。
首先，需要进行预处理，包括辐射定标、几何校正和大气校正等步骤，以消除光照、尺度和大气等因素的影响。
其次，对预处理后的图像进行特征提取，常用的特征包括颜色、纹理、形状等。
特征提取可以采用传统的数学方法，如主成分分析和小波变换，也可以应用深度学习等先进技术。
最后，基于提取到的特征，进行图像分类和变化检测。
常见的方法有阈值法、像元差异法和聚类分析法等。
三、结果分析在进行图像处理后，得到的结果需要进一步进行分析和解读。
首先，对变化区域进行验证和修正，以减少误差和遗漏。
方法包括比对不同时期的地面实测数据，如GPS测量和实地调查，进一步确认图像中的变化区域。
其次，对变化区域进行分类和数量统计。
可以分析变化的类型，如建筑物的增加、绿地的减少等，并计算出变化的面积和比例。
最后，对变化区域进行空间分布和趋势分析。
可以借助地理信息系统（GIS）、空间统计等方法，探索变化的空间模式和规律。
四、应用展望遥感图像的变化检测和监测技术在生态环境、城市规划、资源管理等领域具有广泛的应用前景。
通过定期的遥感图像监测，可以及时发现和评估生态系统的变化，为生态环境保护和恢复提供科学依据。
同时，遥感图像的变化检测可以帮助城市规划部门进行城市扩张和土地利用规划，提供数据支持和决策依据。
此外，遥感图像的变化监测还可以用于资源管理，如农田监测和森林资源调查等，提高资源利用效率和保护资源的可持续性。
如何使用遥感图像进行土地分类与变化监测
如何使用遥感图像进行土地分类与变化监测遥感技术是一种通过使用航空器或卫星获取地球表面信息的方法。
借助遥感图像，人们能够更深入地了解土地利用和土地覆盖的变化情况。
本文将讨论如何使用遥感图像进行土地分类与变化监测。
一、遥感图像的类型遥感图像可以分为光学图像和雷达图像两大类。
光学图像是使用电磁波中的可见光、红外线等可见光谱范围内的光进行拍摄。
它们可以提供地表物体的形态和空间分布信息。
而雷达图像利用微波信号，可以在云层和天气条件下获取地表物体的信息。
二、土地分类土地分类是将土地按照特定的属性或特征划分为不同类别的过程。
遥感图像可以帮助进行土地分类，辅助研究者对土地利用进行判定。
利用遥感技术，人们可以进行监测和分析不同类型土地的面积、分布等信息。
土地分类的准确性对于其他领域的研究和规划十分重要，如环境保护、农业发展等。
三、土地变化监测土地变化监测是指通过对遥感图像进行时间序列分析，观察和分析土地利用和土地覆盖的变化过程。
遥感图像可以提供以往的历史数据，帮助掌握和分析土地利用的演变。
通过比较不同时间点的遥感图像，人们可以发现土地利用类型的变化以及可能的原因。
这有助于制定相关政策，优化土地利用结构。
四、土地分类与变化监测的方法1. 监督分类法：监督分类法是一种常用的土地分类方法。
它需要研究者提前准备一些样本数据，并对样本进行标记。
然后利用这些样本来训练分类器，使其能够自动识别遥感图像中的不同土地类别。
监督分类法具有较高的准确性和可重复性，但需要较大的人力和时间投入。
2. 非监督分类法：非监督分类法是另一种常用的土地分类方法。
它不需要事先准备样本数据，而是通过对遥感图像进行统计学分析，将相似的像素点划分到同一类别中。
这种方法可以自动发现潜在的土地类别，但分类结果可能存在一定的不确定性。
3. 变化检测方法：变化检测是通过比较不同时间点的遥感图像，观察土地利用和土地覆盖的变化情况。
一种常用的变化检测方法是基于像元的差异分析。
遥感图像的种类与特性
02.
二.全景式摄影像片特性
㈠.全景像片的空间特性
投影性质与影像畸变 投影性质：全景影像沿缝隙方向的一维中心投影 影像畸变：全景畸变＋扫描位置畸变＋像移补偿畸变 全景摄影机
摄影畸变—尺度（上下比例，左）与角度（右）
比例尺
地面的连续覆盖 ⊥航迹方向--由缝隙扫描完成 ∥航迹方向--由平台运行完成
旁向重叠
航向重叠
（三）帧幅式航片的空间特性
投影性质及比例尺
投影性质——地面的中心投影
比例尺：各处影像会出现不一致。
中心投影与垂直投影的比较
两种投影方式比较，当投影面倾斜时，像片各部分的比例尺变化不同，像片各部分的位移量（径向距离）不等（倾斜误差）
二者等比例与不等比例之缩小
两种投影方式比较，当地形起伏时，物体的像点位移称为“投影误差”
航片立体观察
㈣.航空像片的波谱特性
航片以色调或色彩以及由它们组合的形态特征反映地物对可摄影波段(0.3-1.3μm）电磁波的反射特征 影像色调或色彩是地物反射波谱特性的表征，是从波谱学角度识别地物的重要解译标志。 黑白全色航片 黑白红外航片 天然彩色片 彩色红外片 多波段航片
指影像上某一线段的长度与地面上相应地物的水平距离的比值。
理想条件下：由遥感光学系统的焦距和遥感平台的航高之比确定，即f/H。 注意：受中心投影性质所限，不同于垂直投影，受地形起伏及在像幅的位置影响，图像各处比例尺可能不一致。
遥感影像均经光学系统聚焦成像，透镜的成像规律和遥感器成像方式决定了遥感图像的投影性质，不同投影性质会产生不同性质的影像几何畸变。
波谱特性（波谱分辨率辐射分辨率）
时间特性
空间特性
3.2.2 遥感图像的基本属性
㈠.波谱特性（波谱分辨率、辐射分辨率）
测绘技术中的遥感影像分类与变化检测技巧
测绘技术中的遥感影像分类与变化检测技巧遥感技术在测绘领域的应用越来越广泛，尤其是遥感影像分类与变化检测技巧的发展，对于土地利用、环境监测等方面具有重要意义。
本文将从遥感影像分类技术和遥感影像变化检测技巧两个方面探讨测绘技术中的相关内容。
一、遥感影像分类技术遥感影像分类是将遥感影像中的像素分配到不同的类别或地物类型的过程，它是遥感技术中的关键步骤之一。
遥感影像分类可以通过监督分类和非监督分类两种方式实现。
监督分类是一种基于样本点的分类方法，它需要先选取一些代表不同类别的样本点，并且人工对这些样本点进行分类，然后通过计算机算法将其他像素点分类。
监督分类的优点在于可以精确地定义分类结果，但是其缺点是需要大量的样本点和人工分类的工作量较大。
非监督分类是一种无需样本点和先验知识的分类方法，它通过对遥感影像数据本身进行聚类分析，将相似的像素点分到同一类别中。
非监督分类的优点在于不需要人工参与分类过程，但是其缺点是分类结果可能不够准确，需要较高的专业知识进行后期处理和判断。
此外，还有一些常用的分类算法，如最大似然分类、支持向量机分类和决策树分类等。
这些算法各有优劣，针对不同的应用场景需要选择适合的算法。
二、遥感影像变化检测技巧遥感影像变化检测是指通过比较不同时期的遥感影像，分析地物的变化情况。
它可以帮助测绘人员监测土地利用变化、城市扩张和环境变化等问题。
遥感影像变化检测技巧可以分为基于像元和基于对象两种方法。
基于像元的变化检测方法是通过比较两个不同时期的像元的光谱信息，来识别变化的地物。
常用的方法有基于差异图像和阈值分割、基于变换向量等。
基于对象的变化检测方法是将影像分割为一系列空间连续的对象，然后比较不同时期的对象之间的差异。
常用的方法有基于对象的特征变化、基于对象的质心偏移等。
此外，还可以结合其他的空间分析和统计方法来提高变化检测的准确性和鲁棒性。
三、遥感影像分类与变化检测的应用遥感影像分类与变化检测技巧在土地利用监测、环境监测和灾害监测等方面有着广泛的应用。
遥感图像变化检测方法与结果解析
遥感图像变化检测方法与结果解析遥感技术在现代社会发挥着越来越重要的作用，尤其是遥感图像变化检测方法对于城市规划、环境监测、资源管理等方面起到了关键性的作用。
本文将对遥感图像变化检测的方法和结果进行解析。
一、方法：1. 目标提取法：这种方法将已知地物作为目标进行提取，通过地物的变化来进行检测。
例如，在城市规划中，可以通过遥感图像变化检测方法来提取城市中新增的建筑物，进而对城市扩张进行研究。
2. 基于像素的变化检测法：这种方法通过对像素进行分析和比较来实现变化检测。
常见的方法有差异图法、阈值法和像素变化统计法。
差异图法通过计算两幅图像之间的差异值来进行变化检测，阈值法则是将两幅图像之间的差异值与预设的阈值进行比较，大于阈值则判断为变化区域。
像素变化统计法则是通过对图像的像素进行统计和分析，找出变化像素的动态变化规律。
3. 基于对象的变化检测法：这种方法将图像中的目标作为对象，通过比较对象的特征和属性来进行变化检测。
例如，在森林资源管理中，可以通过比较不同时间段内森林的生长状况来进行变化检测。
二、结果解析：1. 精度评价：对于遥感图像变化检测结果，需要进行精度评价来判断其可靠性和准确性。
常用的评价指标包括正确率、召回率和F值等。
正确率是指检测结果中正确判断出的变化像素占总变化像素的比例，召回率是指正确判断出的变化像素占实际变化像素的比例。
2. 应用研究：遥感图像变化检测方法的结果可以应用于各个领域的研究中。
例如，在城市规划中，可以通过变化检测结果来分析城市扩张的方向和速度，提供科学依据；在环境监测中，可以通过变化检测结果来判断环境变化的原因和趋势，及时采取措施保护环境。
3. 数据可视化：对于遥感图像变化检测结果，为了更好地展示和解读，可以采用数据可视化的方法。
例如，可以利用地理信息系统（GIS）将变化检测结果与地图进行叠加，形成可视化的图像，直观地显示出变化的区域和特征。
总结：遥感图像变化检测方法是一种重要的技术手段，可以通过对遥感图像进行分析和比较，帮助我们了解地表环境的变化，做出相应的应对措施。
遥感图像变化检测
遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类:特定类目标的变化检测,如机场、桥梁、港口、导弹基地等目标的变化检测;线性体目标的变化检测,如道路、机场、桥梁和一般建筑物等目标的变化检测;大面积目标的变化检测,如某地域的植被变化、城市的发展、洪水灾害评估等。
本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。
为了实现对特定类目标的变化检测,本文提出了一种基于目标检测的变化检测方法。
该变化检测法的工作流程为:多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。
本文提到的特定类目标建模,是对某类特定目标的共同属性进行建模,即一般模型,而不是针对某个具体目标进行详细的状态描述。
本论文提出的机场检测法在试验中达到了100%的正确检测率。
确定了检测图像中的机场位置后,就可以将检测结果与参考图像中的机场位置进行比较,从而实现机场位置变化的检测。
对于检测线性体目标的变化,本论文提出了一种基于边缘检测的变化检测方法。
该变化检测法的工作流程为:多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。
边缘检测算子的性能直接影响变化检测结果。
本论文提出了一种全新的边缘检测算子—正弦算子。
本论文详细分析了边缘算子的三个性能准则:检测性能、定位性能和响应唯一性,在此基础上提出了正弦算子。
正弦算子不但具有较好的容噪能力,并且能够检测到灰度变化较小的边缘。
理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。
本文提出了一种中高分辨率遥感图像的聚类方法。
该聚类方法的过程分为两部分:学习过程和识别过程。
学习过程为:选取图像特征、使用已知类别的特征训练BPC网络;识别过程为:输入待分类图像、预处理滑动窗口中图像、计算滑动窗口的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。
- 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)。
遥感图像的分类与变化监测1.数据准备1.1研究区域概况向10度至30度长有210公里，东西宽有15公里至20公里，是川西断陷带和川东隆起带泉驿区总面积的39.07%、3.86%、57.07%。
2009年，龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的13.23%;园地2.5295万公顷，占土地总面积的45.42%;林地7628.2公顷，占土地总面积的13.70 %;其他农用地3295.85公顷，占土地总面积的5.92%;居民点及工矿用地1.0742万公顷，占土地总面积的19.29%;交通运输用地539.83公顷，占土地总面积的0. 97%;水利设施用地553.30公顷，占土地总面积的0.99 %;未利用地274.93公顷，占土地总面积的0.49%。
1.2数据下载在地理空间数据云中先搜索2000年---2005年的数据，选择云量较少，图像质量高的进行下载；搜索2009年---2015年图像选择质量高的下载，最终选定2001年和2009年龙泉驿区的图像（landsat4--5）。
两期影像的像元信息：影像数据类型卫星名称传感器条带号太阳高度角太阳方位角平均云量数据标示2001 TM landsat4--5 TM 129 37.5708 141.1516 5.45 LT5129039200104 2009 TM landsat4--5 TM 129 51.3982 133.2621 0 LT51290392009082001年影像2009年图像2.数据处理2.1图像格式的转换2.1.1格式转换利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。
2.1.2多波段图像的融合在interpreter工具中利用image interpreter中的layer stack进行1--7图像的融合，为后面的处理提供基础。
2.1.3图像的裁剪利用龙泉地区边界图对已融合的图像进行裁剪，这里要用到interpreter中的mask 工具裁剪结果：左为01年，右为09年3.非监督分类3.1非监督分类的定义非监督分类是以不同影像地物在特征空间中类别特征的差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（聚类）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。
3.2非监督分类处理打开裁剪后的图像，利用classifier中的非监督分类工具将两期影像均分为水体、植被1、植被2、耕地1、耕地2、建筑1、建筑2这七个类别。
打开两个图像的属性框根据地物类别改变颜色。
分类结果图：第一幅为01年，第二幅为09年。
3.3精度评估结果01年：CLASSIFICATION ACCURACY ASSESSMENT REPORT-----------------------------------------Image File : f:/龙泉/01nianfeijiandu.imgUser Name : sumsungDate : Sat Jun 13 10:30:14 2015ACCURACY TOTALS----------------Class Reference Classified Number Producers UsersName Totals Totals Correct Accuracy Accuracy ---------- ---------- ---------- ------- --------- -----Unclassified 0 0 0 --- ---Class 1 4 4 4 100.00% 100.00%Class 2 1 1 1 100.00% 100.00% Class 3 0 2 0 --- --- Class 4 2 2 2 100.00% 100.00% Class 5 2 2 2 100.00% 100.00% Class 6 5 2 2 40.00% 100.00% Class 7 1 2 1 100.00% 50.00%Totals 15 15 12Overall Classification Accuracy = 80.00%----- End of Accuracy Totals -----KAPPA (K^) STATISTICS---------------------Overall Kappa Statistics = 0.7606Conditional Kappa for each Category.------------------------------------Class Name Kappa---------- -----Unclassified 0.0000Class 1 1.0000Class 2 1.0000Class 3 0.0000Class 4 1.0000Class 5 1.0000Class 6 1.0000Class 7 0.4643----- End of Kappa Statistics -----09年：CLASSIFICATION ACCURACY ASSESSMENT REPORT-----------------------------------------Image File : c:/users/sumsung/09nianfeijiandu.imgUser Name : sumsungDate : Sat Jun 13 12:10:12 2015ACCURACY TOTALS----------------Class Reference Classified Number Producers UsersName Totals Totals Correct Accuracy Accuracy ---------- ---------- ---------- ------- --------- -----Unclassified 0 0 0 --- ---Class 1 1 1 1 100.00% 100.00% Class 2 1 2 1 100.00% 50.00% Class 3 3 3 3 100.00% 100.00% Class 4 4 3 3 75.00% 100.00% Class 5 4 4 4 100.00% 100.00% Class 6 1 2 1 100.00% 50.00% Class 7 1 0 0 --- ---Totals 15 15 13Overall Classification Accuracy = 86.67%----- End of Accuracy Totals -----KAPPA (K^) STATISTICS---------------------Overall Kappa Statistics = 0.8361Conditional Kappa for each Category.------------------------------------Class Name Kappa---------- -----Unclassified 0.0000Class 1 1.0000Class 2 0.4643Class 3 1.0000Class 4 1.0000Class 5 1.0000Class 6 0.4643Class 7 0.0000----- End of Kappa Statistics -----99999999999999999999999999999999999999999999999999994.监督分类4.1监督分类的定义：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、最大似然分析、特征分析、序贯分析和图形识别等。
4.2研究区地物类型的判定根据龙泉地区土地利用类型的实际状况，确定主要地物有水体、植被、耕地和建筑。
由于实际地物中地物又可以往下细分，所以将植被分为植被1、植被2，耕地分为耕地1、耕地2，建筑也分为1和2。
4.3结合高分辨率的遥感影像对地物进行判定水体：从左到右分别为高分影像，01年湖泊图像，09年湖泊图像植被：从左到右分别为高分影像，01年植被1和09年植被耕地：从左到右分别为高分影像，01年耕地和09年耕地建筑：从左到右分别为高分影像，01年建筑和09年建筑。
4.42001年的目视解译结果地特征物类别水体条状或面状，深蓝色或黑色植被1 淡红色，面状植被2 暗红色，块状耕地1 灰色，块状耕地2 深灰色，不规则分布建筑1 白色，块状建筑2 灰白色，块状4.5建立监督分类模板根据地物的光谱信息，利用AOI方法建立不同地物所代表的模板。
由于将地物类别分为7类，所以建立7个模板分别对应7个地物类型。
以下是建立的2001年的分类模板以下是建立的2009年的分类模板4.6监督分类结果对比4.6.1监督分类模板精度评估模板的数学统计与均值折线图：01年：（以水体为例）09年：（以水体为例）2009年各用地类别的值和均值统计表：4.7监督分类重编码监督分类虽然知道实地有哪些地物，但由于同类异谱现象，分类时还需要将相同的地物类分成若干个光谱类进行处理。
将植被1、植被2归为植被一类，耕地1、耕地2归为耕地，建筑1、建筑2归为建筑这一类。
01年监督分类重编码：重编码结果图：09年监督分类重编码：09年监督分类重编码结果：4.8聚类分析分类结果中会产生一些很小的图斑，这些图斑从制图和实际考虑，都需要去掉。
在Erdas中用clump工具对监督分类的结果图像进行聚类分析，结果如下：01年：09年：4.9去除分析去除分析是去除聚类结果图中的小于一定大小的块，并将删除的小图斑合并到相邻的最大类当中。
01年去除分析：09年去除分析：5.GIS中的制图综合在遥感中完成图像的重编码等工作后，在GIS中导入图像，将其由栅格转面并进行制图综合和叠加分析等工作。