监督分类和面向对象分类流程
ENVI监督分类步骤
ENVI监督分类步骤监督分类是一种机器学习技术，用于将输入数据分为不同的类别。
此技术广泛应用于各种领域，如自然语言处理、计算机视觉和数据挖掘等。
以下是监督分类的步骤：1.收集和准备数据：在监督分类之前，需要收集与问题相关的数据集。
这些数据可以是结构化的，如表格数据，也可以是非结构化的，如文本或图像数据。
然后，需要对数据进行清洗和预处理，以确保数据的质量和一致性。
2.选择特征：特征是用于描述数据的属性或要素。
在监督分类中，需要选择合适的特征，以便能够准确地区分不同的类别。
特征选择的目标是减少特征空间的维度，同时保留最有信息量的特征。
3.划分数据集：将数据集划分为训练集和测试集是非常重要的步骤。
训练集用于训练分类模型，而测试集用于评估模型的性能。
通常，数据集的大部分数据被用于训练，而较小的部分用于测试，以确保模型的泛化能力。
4.选择合适的分类算法：监督分类有多种算法可供选择，如逻辑回归、支持向量机、决策树和随机森林等。
选择合适的算法取决于问题的特点、数据的类型和规模以及计算资源的可用性等因素。
5.训练模型：在监督分类中，需要使用训练集对选择的分类算法进行训练。
训练过程包括通过调整模型的参数来最大程度地减少预测误差。
训练时间的长短取决于数据集的规模和复杂性，以及使用的算法的效率。
6.评估模型性能：使用测试集来评估训练好的模型的性能是非常重要的。
可以使用各种指标来度量模型的性能，如准确率、精确率、召回率和F1分数等。
这些指标可以帮助理解模型在不同类别上的表现，并为模型的改进提供方向。
7.优化和改进模型：如果模型的性能不理想，可以通过优化和改进模型来提高性能。
这可以包括调整模型的超参数、增加更多的训练数据、采用集成学习方法或应用特征工程等。
8.部署和应用模型：一旦模型经过训练和验证，并且达到了理想的性能水平，就可以将其部署到实际应用中。
在应用中，可以使用模型来进行分类预测，对新的未知数据进行分类。
监督分类是一个迭代的过程，往往需要多次尝试和调整，以得到最好的模型性能。
遥感影像解译-分类后处理及精度评价、分类新方法
三、分类新方法
• 随着模式识别与机器学习技术的不断发展，将先进的机器
学习技术应用到遥感影像分类中，并充分考虑影像本身的光
谱信息、空间信息、时间序列信息以及各类地理辅助信息可
以大大提高遥感影像分类的精度。
• 分类新方法
- 半监督分类；
- 面向对象分类；
- 分类器集成
- ……
26
1 半监督分类
• 机器学习 (Machine Learning)模式： - 监督学习：仅仅利用已标注类别的样本进行训练以确定 分类器； - 非监督学习：只利用未标注类别的数据进行聚类分析； - 半监督学习：利用已标注类别的样本+未标注样本来确 定分类器。
3×3窗口分析结果
(4) 分类后处理-平滑处理
• 针对问题 分类结果斑点噪声严重
• 解决方法： a. MRF随机场建模 b. Majority Voting 方法
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
(2) 地表真实值
25446 Aprod 52987 48.02% 1 Eo
(e) 用户精度(User’s Accuracy)
• 用户精度(User’s Accuracy)： - 影像类中，某类像元被正确分类为该类的概率，利用 混淆矩阵的行来计算。如水的用户精度：
Auser
9180 56104
16.36%
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
(4) 高斯混合模型+MRF方法
遥感原理与应用
一．绪论1.遥感的定义：遥感即遥远感知，是在不直接接触的情况下，对目标或自然现象远距离探测和感知的一种技术。
2.遥感的过程:地物发射或反射电磁波通过介质（大气）被传感器接受，通过传感器获取数据，再经计算机对数据处理后，我们提取有用的信息，最后应用于实践。
（地物发射或反射电磁波→介质（大气）→传感器数据获取→计算机数据处理→信息提取→应用）二．电磁波及物理遥感基础1.电磁波的定义：变化的电场和磁场交替产生，以有限的速度由近及远在空间内传播的过程称为电磁波。
2.电磁波的特性：波动性（干涉、衍射、偏振）粒子性（光电转换）3.电磁波谱的定义:按电磁波在真空中传播的波长或频率递增或递减顺序排列，就能得到电磁波谱。
4.（1）地物发射电磁波:①绝对黑体的定义：如果一个物体对于任何波长的电磁辐射都全部吸收，则这个物体是绝对黑体。
黑体辐射1.绝对黑体：吸收率α(λ,T)≡1 反射率ρ（λ,T）≡02.绝对白体：吸收率α(λ,T)≡0 反射率ρ（λ,T）≡1 绝对黑体与绝对白体与温度和波长无关。
②遥感的两种形式：被动遥感，主动遥感。
其中太阳是被动遥感最主要的辐射源。
⒈太阳辐射的特点：与黑体特性一致；能量集中在可见光和红外波段。
⒉一般物体的发射辐射：自然界中实际物体的发射和吸收的辐射量都比相同条件下绝对黑体的低。
发射率ε：实际物体与同温度的黑体在相同条件下辐射功率之比。
ε= W′/ W（ε是一个介于0和1的数）►绝对黑体ελ＝ε＝1►灰体ελ＝ε但0＜ε＜1►选择性辐射体ε＝ｆ(λ)►理想反射体（绝对白体）ελ＝ε＝0大多数物体可以视为灰体：W'=εW=εσT4（2）地物反射电磁波：①光谱反射率:物体的反射辐射通量与入射辐射通量之比。
②反射波谱特征曲线：反射波谱是某物体的反射率（或反射辐射能）随波长变化的规律，以波长为横坐标，反射率为纵坐标所得的曲线即为该物体的反射波谱特性曲线。
同一地物时间效应：地物的光谱特性一般随时间季节变化。
监督分类 ppt课件
ppt课件
8
3.执行监督分类(Perform Supervised Classification)
根据不同的分类复杂度、精度需求，选择不同的分类器。 主要6种分类器： 1、平行六面体（Parallelpiped） 2、最小距离(Minimum Distance) 3、马氏距离(Mahalanobis Distance) 4、最大似然(Likelihood Classification) 5、神经网络(Neural Net Classification) 6、支持向量机(Suppout Vector Machine Classification)
4、感兴趣区的个数视情况而定。 5、在对话框新建训练样本种类，重复以上步骤。
ppt课件
7
定义分类模板步骤
第三步 评价训练样本 在对话框选择
以上是可分离性值从小到大的排列，参数值得范围为0-2,大于1.9样本之间可分离性好，合格样本；小 于1.8需要重新选择样本；小于1，合并样本（在ROI对话框，Options→Merge ROIs）。
ENVI的监督分类是利用ROI Tool来定义训练样本的，也就是把感兴趣区当做训练 样本。因此训练样本的过程就是创建感兴趣区的过程。
ppt课件
5
定义分类模板步骤
第一步 打开分类图像并分析图像
训练样本的定义主要靠目视解译，TM图像由7个波段组成，各个波段之间的相关性较高，不同的RGB组 合可以得到不同的彩色图像。所以，需要根据分类种类以及地物特点选择不同的增强方法。
ppt课件
13
5．分类后处理(Post-Classification Process)
以上分类方法得到的是初步结果，一般难以达到最终的应用目的。所以。对获取的分类结果需要进一步 的处理，才能得到理想的分类结果，这些过程称之为分类后处理过程。主要包括：更改分类颜色、小斑 点处理、分类后统计、栅格转矢量等操作。 1、更改分类颜色
211017069_面向对象的多层次规则分类地物遥感信息提取方法试验分析研究
第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年 ３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号 １０００ ５２６９（２０２３）０２ ００６７ ０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘 淑 １，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘 要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。
针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。
运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９ ９５％，Ｋａｐｐａ系数为０ ７４。
与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。
关键词：面向对象；ＧＦ ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７ 文献标志码：Ａ 随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。
真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１ ３］。
目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。
遥感论文——精选推荐
基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。
所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。
然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。
而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。
随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。
虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。
所以也会出现上述的一些问题（如：椒盐现象等）。
所以传统的分类方法已不能满足分类的需求。
所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。
采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。
所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。
本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。
监督分类的主要流程
监督分类的主要流程监督分类是一种用于管理和监督不同类别的任务和活动的流程。
它可以确保组织和团队按照既定的标准和要求执行任务，并及时解决问题和改进流程。
监督分类的主要流程通常包括以下几个步骤：1.确定分类标准：首先，需要确定用于分类的标准和指标。
这些标准可以是任务的类型、优先级、难度、关联部门等。
分类标准的确定应该考虑到组织的需求和目标，以及任务的特点和要求。
2.创建分类系统：根据确定的分类标准，需要创建一个分类系统。
这个系统可以是一个分类矩阵、分类树状图、分类标签等。
分类系统的设计应该能够清晰地反映任务的分类关系，方便监督和管理。
3.任务分类：将各项任务根据分类标准进行分类。
分类的过程可以根据任务的特点和要求，以及分类系统的设计进行。
任务分类应该是明确的、一致的，能够准确反映任务的性质和分类关系。
4.任务分配：根据任务的分类，将任务分配给相应的负责人或团队。
任务的分配可以根据分类的结果，以及任务的要求、紧急程度、工作负荷等进行。
分配任务时应该明确任务的责任和要求，确保任务能够按时完成。
5.监督执行：在任务执行过程中，需要进行监督和跟踪。
监督的内容可以包括任务的进度、质量、问题和风险等。
监督可以通过定期的会议、报告、检查等方式进行。
监督的目的是确保任务按照要求和标准进行，及时解决问题和改进流程。
6.问题解决和改进：在监督过程中，可能会发现问题和改进的机会。
问题可以是任务执行过程中的障碍、质量问题、资源不足等。
改进可以是流程的优化、任务的优化、资源的调整等。
问题的解决和改进应该及时跟进，确保任务的顺利进行和质量的提高。
7.反馈和评估：在任务完成后，需要进行反馈和评估。
反馈可以是任务执行的情况、问题和改进的结果等。
评估可以是任务的绩效、流程的效果等。
反馈和评估的目的是总结经验、提供改进建议，为下一次任务的执行提供参考和借鉴。
总的来说，监督分类的主要流程包括确定分类标准、创建分类系统、任务分类、任务分配、监督执行、问题解决和改进、反馈和评估等步骤。
ENVI--监督分类步骤
ENVI--监督分类步骤ENVI监督分类监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。
训练样本类别是像元的集合或单一波谱。
在分类过程中，可以选择它们作为代表区域或分类素材。
监督分类的步骤：类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证数据：以Landsat TM为数据源，影像can_tmr.img处理过程：一、样本选择：打开影像can_tmr.img后543波段显示，目视判断一下这个影像中地物大概分几类，可定义偏暗红色的为裸地，鲜绿色的为耕地，深绿色的为林地，白色的为沙地，沙地与林地之间的绿色的为草地，黑色的为阴影与水体定义为其他。
在主影像窗口菜单中点overlay----region of interests, ROI tool窗口就打开了，window 的方式点击zoom窗口，先定义一类ROI：裸地在缩放窗口中画裸地，画的图斑尽量小，分布尽量均匀。
划完裸地后，点击new region，定义新的种类，沙地、林地、草地、其他的定义和画法都同裸地一样。
得到如下结果：二、验证样本：在ROI tool对话框菜单点击options—compute ROI separability 计算ROI 可分离性，这是一种定量的方式来验证样本的方法。
还有一种定性的来验证样本的方法是N维可视化方法。
选择要进行可分离性计算的文件为影像can_tmr.img，点击OK点击把六组样本都选择，点击OK。
出现如下报告：红笔圈画区域数字代表两类样本的相近性，数字越大代表越不相近，两类样本越不好区分。
后面每一栏>1.8最好，所以我们需要修改林地和草地。
激活草地（表格中草地前面带星号），点击Goto，进行逐一删除后重新画样本。
下图是我修改后进行计算ROI可分离性后的结果，每项都>1.8，合格。
三、影像分类：选好“训练场地”---样本后，我们就要把选好的样本适用于全图进行分类。
- 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)。
高分一号城市绿地现状调查与分析实现教程本文将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程（图一）图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。
第一章数据预处理因为处理数据是高分一号影像，本文处理软件为ENVI5.1，因为ENVI5.2以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置（图二），然后就可以打开高分影像了（图三）图二图三为了加快数据处理的速度，本文是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图（图四）：图四1.1 辐射校正分为辐射定标和大气校正（1）打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件；（2）辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。
对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：高分一号多光谱影像参数设置高分一号全色影像参数设置（3）大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。
要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
（4）点击Input Radiance Image ，选择前面处理好的数据，在Radiance Scale Factors 面板中选择Use single scale factor for all bands ，由于定标的辐射量数据与FLAASH 的辐射亮度的单位相差10倍，所以在此Single scale factor 选择：1，单击OK ；（5）设置文件输出路径。
（6）传感器基本信息设置：●Scene Center Location从影像中自动获取；●Sensor Type为GF-1；●Ground Elevation通过统计DEM数据获得；●Pixel Size根据相机选择，PMS相机全色2m，多光谱8m，WFV相机16m；●Flight Date从影像xml头文件中读取，减去8换算成GMT时间；（7）大气模型和气溶胶模型：●Atmospheric Model根据经纬度和影像区域选择：●Aerosol Model根据实际情况选择；●Aerosol Retrieval选择None；●其他默认；（8）单击Multispectral Setting按钮，在Filter Function File 导入光谱响应曲线“gf-1pms.sli”，单击OK。
（9）单击Advanced Settings，在高级设置中Modtran Resolution选择5 cm-1。
（10）设置好后，在大气校正模块面板中，单击Apply。
1.2 影像裁剪（1）File -> Open，这里使用的是不规则裁剪，具体的理论知识可以在网上搜索，首先打开你矢量的"矢量.shp"数据，如图；（2）在Toolbox中，打开Regions of Interest /Subset Data from ROIs。
Select Input File选择Beijing_TM.dat，点击OK，打开Subset Data from ROIs Parameters面板；（3）在Subset Data from ROIs Parameters面板中，设置以下参数：•Select Input ROIs：选择EVF:矢量.shp•Mask pixels output of ROI？：Yes•Mask Background Value背景值：0（4）选择输出路径和文件名，单击OK执行图像裁剪。
1.3 正射校正使用RPC文件进行正射校正，点开Geometric Correction—Orthorectification—RPC Orthorectification Workflow，如下图所示：在该工作页面中将要处理的影像输入，然后点击next在弹出的页面的Advanced选项中选择输出像素大小，多光谱选择8m，全色选择2m，然后再export页面选择输出的位置，点击finish；1.4 图像融合对每一景的多光谱和全色影像进行正射校正之后就对其进行融合，一般来说高分一号影像使用GS融合，点击工具箱中的Image Sharpening—Gram-Schmidt Pan Sharpening 分别将多光谱和全色影像输入，然后设置输出位置，finish；1.5 图像镶嵌图像镶嵌也是所谓的羽化操作，一般来说一景高分影像能覆盖的区域是有限的，所以需要进行镶嵌操作，对其进行拼接到所需要的研究范围，点击工具箱中的Mosaicking—seamless Mosaic镶嵌过程最好两张两张镶嵌，这样电脑可以承受，先将要镶嵌的两张图通过绿色的加号加载进来，然后使用右上角的seamlines中的自动接边线进行自动拼接，再观察自动拼接的效果，如果有不好的地方再对其进行修改。
接边线的修改主要就是画三角形，将不想要的部分去除，这个很简单，在网上也可以搜到。
如何觉得对接边线进行修改比较麻烦，可以加我qq545698595接边效果:1.6 影像增强在遥感集市网站上有植被增强的插件，如果要做绿地信息提取的话可以去上面下载安装，然后对影像进行处理，但是很多情况下不需要这一步，对影像做一个拉伸处理便可。
第二章绿地信息提取2.1监督分类这一步实习课上都有，不需要演示2.2 面向对象绿地信息提取面向对象信息提取是目前最流行的信息提取方法，现在可以实现的软件有econition8.7 ERDAS还有envi 的EX模块，总体来说易康软件的面向对象提取方法比较完善，分割方法也比较多，但是因为软件需要收费，所以本文使用envi来进行处理。
2.2.1 分类步骤2.2.2 实现对象的创建影像对象的创建主要进行了图像分割处理，本文采用多尺度分割算法对影像进行分割。
首先要对数据源进行一些预处理操作，本文将RGB调整成4:3:2显示模式，这样能够更好的判别出绿地和非绿地的区别，这个时候在图像上可以看到有些红色的建筑物顶和植被覆盖区域发生混淆，这个是之后需要解决的问题。
然后打开基于规则面向对象分类模块，将影像输入，考虑到房屋和绿地之间的颜色混淆，在定制波段一栏选择归一化差值，将红波段和近红波段输入，可以在后期的规则特征提取中提供额外的属性数据。
然后对图像进行影像分割和合并，经过反复试验，本文采用使用Edge和Full Lambda Schedue 方法，阈值分别为39.9和89.7，纹理内核为3。
分割效果如下：图切割效果预览基于规则特征提取本文需要提取绿地，分类主要依靠的是绿地的植被覆盖指数。
正常情况下，当NDVI>0便可以认为有植被存在，本文发现当令NDVI在0-1之间一些建筑物的房顶也被提了出来，所以将最低值提高到了0.1，虽然发现还是会有一些建筑物被提取，但是情况已经好了很多，其次因为建筑物大多是矩形的，所以可以通过设置矩形度对房屋进行剔除，因此对绿地的描述设置为：NDVI在0.1-1.0之间，rectangle在0.0182-0.8之间，两个属性的分类结果如下图（同一区域），光谱值和纹理提取出来的效果良好，将结果进行输出：图两种属性提取信息预览（左基于光谱，右基于几何）试验区绿地提取从分类结果可以看出分类的效果良好，将肉眼不能分辨的绿地提取了出来，适用于高分辨遥感影像的绿地信息提取，接着将其应用于全图：图分类结果图2.2.3 精度评价精度评价有两种方法，在classic中的classification-post classicification-confusion Matrix 中的两种，一种是从高分辨率提取的图像验证低分辨率的图像，另一种是勾选正确的样本来验证用面向对象方法提取的影像信息，我使用了8m分辨率的多光谱影像提取结果和融合后影像的提取结果进行对比，来得出此次面向对象分类的准确度。
第三章矢量化处理3.1矢量切割在arcgis中打开.dat文件，然后把提取出来的绿地信息进行分级，我的论文中将绿地分成了：公园绿地、生产绿地、防护绿地、附属绿地和其他绿地5种绿地类型，首先将在ArcGIS 中新建一个和.dat文件一样轮廓的面文件命名为五类，如图：然后打开编辑器选择切割按钮将影像切割成几个大的部分，再对每个部分进行细部分割，通过与原影像叠加的目视解译和实地外调确定绿地类型。
以上为五类绿地分割的情况，新建CLASS字段来对每一块区域进行赋值。
3.2 矢量处理将处理的.dat影像转换成shp文件：点开小红箱子中的数据管理工具data management tools-features-feature to polygon:将面向对象提取的影像转成矢量文件如下图，是转换出来的全部面文件，需要打开编辑器，将最外面的面文件删除，剩下才是我们真正需要的面，删除后的矢量文件在下图：点击Arcmap10.1界面的第一行selection的select by attributes，打开页面之后选择CLASS 字段，以生产绿地为例，其类别为1，以下高亮区域便是生产绿地的范围：接着点击selection中的select by location，目标图层选择自己用影像转出来的面文件，源图层选择你切割分类的图层，点击apply，分类结果导入了目标图层，以下高亮部分便是选择出来的生产绿地图斑，打开目标图层litongchangshi的属性表，选择右下方右边的图标，添加一个类别字段，把选择的图斑赋值为生产绿地，依次操作下去便可把所有图斑的绿地类型赋值完毕，如下图最后再利用CLASS_ID进行显示，最后可以分出五种绿地类型的区域分布第四章绿地信息分析与评价使用arcgis 的属性选择器可以对绿地进行武汉市的绿地空间分布计算、绿量计、各城区绿地率计算等等，在此不讨论，如有其它阐述不足之处，请联系qq:545698595,欢迎批评指正！。