遥感四张伟倩17号Word格式文档下载.docx

遥感四张伟倩17号Word格式文档下载.docx

《遥感四张伟倩17号Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《遥感四张伟倩17号Word格式文档下载.docx（13页珍藏版）》请在冰豆网上搜索。

其方法如下：

第一步：

显示原图像与分类图像

在视窗中同时显示6波段裁.img和非监督分类1.img：

两个图像的叠加顺序为6波段裁.img在下、非监督分类1.img在上，6波段裁.img显示方式用红（4）、绿（5）、蓝（3）。

第二步：

打开分类图像属性并调整字段显示顺序

在视窗工具条中：

图标（或者选择Raster菜单项—--选择Tools菜单）

→打开Raster工具面板

→点击RaSter工具面板的

图标（或者在视窗菜单条：

Rster---Attributes[属性]

→打开RasterAttributeEditor对话框（非监督分类1.img的属性表）

打开分类之前的，设置图层为5，4，3，再打开分类之后的

属性表中的9个记录分别对应产生的8个类及Unclassified类，每个记录都有一系列的字段。

如果想看到所有字段，需要用鼠标拖动浏览条，为了方便看到关心的重要字段，需要调整字段显示顺序。

RasterAttributeEditor对话框菜单条：

Edit→ColumnProperties→columnproperties对话框

在Columns中选择要调整显示顺序的字段，通过Up、Down、Top、Bottom等几个按钮调整其合适的位置，通过选择DisplayWidth调整其显示宽度，通过Alignment（队列）调整其对齐方式。

如果选择Editable复选框，则可以在Title中修改各个字段的名字及其它内容。

→在ColumnProperties对话框中调整字段顺序，最后使Histogram、opacity、color、class_names四个手段的显示顺序依次排在前面。

→点击OK按钮（关闭Columnproperties对话框）

→返回RasterAttributeEditor对话框（非监督分类1.img的属性表）

第三步：

给各个类别赋相应的颜色（如果在分类时选择了彩色，这一步就可以省去）

RasterAttributeEditor对话框（非监督分类1.img的属性）：

→点击一个类别的Row字段从而选择该类别

→右键点击该类别的Color字段（颜色显示区）

→AsIs菜单→选择一种颜色

→重复以上步骤直到给所有类别赋予合适的颜色

第四步：

不透明度设置

由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度（Opacity）值设为0（即改为透明），而要分析的类别的透明度设为1（即不透明）。

RasterAttributeEditor对话框（unsupervised.img的属性表）：

→先选中所有行

→右键点击Opacity字段的名字

→ColumnOptions菜单→Formula菜单项

→Formula对话框

→在Formula对话框的Formula输入框中（用鼠标点击右上数字区）输入0

→点击Apply按钮（应用设置）

→返回RasterAttributeEditor对话框（unsupervised.img的属性表）：

→点击一个类别的ROW字段从而选择该类别

→点击该类别的Opacity字段从而进入输入状态

→在该类别的Opacity字段中输入1，并按回车键

此时，在视窗中只有要分析类别的颜色显示在原图像的上面，其它类别都是透明的。

第五步：

确定类别专题意义及其准确程度

视窗菜单条：

Utility→flicker→viewerFlicker对话框→AutoModespeed500

本小步是设置分类图像在原图像背景上闪烁，观察它与背景图像之间的关系从而断定该类别的专题意义，并分析其分类准确与否。

第六步：

标注类别的名称和相应颜色

RasterAttributeEditor对话框（非监督分类1.img的属性表）：

→点击刚才分析类别的ROW字段从而选择该类别

→点击该类别的classNames字段从而进入输入状态

→在该类别的ClassNames字段中输入其专题意义（如居民区），并按回车键

→AsIs菜单→选择一种合适的颜色

重复以上4、5、6三步直到对所有类别都进行了分析与处理。

注意，在进行分类叠加分析时，一次可以选择一个类别，也可以选择多个类别同时进行。

3、监督分类

监督分类一般分为几个步骤：

定义分类模板（DefineSignatures）、评价分类模板（EvaluateSignatures）、进行监督分类（PerformSupervisedClassification）、评价分类结果（EvaluateClassification）。

3.1定义分类模板

显示要进行分类的图像

在视窗中显示多波段图像（Red4／Grean5／B1ue3、选择FittoFrame（打开图像时设置），其它使用缺省设置）。

第二步：

打开模板编辑器并调整显示字段

ERDAS图标面板工具子，点击C1assifier目标

→Classification菜单→SignatureEditor菜单项→SignatureEditor对话框。

截取三个多边形并添加

添加并选中

删掉以上三行命名为city

保存模板

以上分别用不同方法产生了分类模板，下面将该模板保存起来。

在SignatureEditor对话框菜单条：

File→Save

→打开SaveSignatureFileAs对话框

→确定是保存所有（ALL）的模板还是只保存被选中（SELECT）的模板

→确定文件的目录和名字（Sig文件）

→点击OK按钮

3.2执行监督分类（PerformSupervisedClassification）

在监督分类过程中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法，对参数模板有最大似然法、Mahalanobis距离、最小距离等方法。

当然，非参数规则与参数规则可以同时使用，但要注意应用范围，如非参数规则只能应用于非参数型模板，对于参数型模板，要使用参数型规则。

另外，如果使用非参数型模板，还要确定叠加规则（Overlayrule）和未分类规则（unclassifiedrule）。

下面是执行监督分类的操作过程：

ERDAS图标面板菜单条：

Main→ImageClassification→Classification菜单

或ERDAS图标面板工具条：

点击Classifier图标→Classification菜单

→SupervisedClassification菜单项

→SupervisedClassification对话框

缺图

在SupervisedClassification对话框中，需要确定下列参数：

→确定输入原始文件（InputRasterFile）：

6波段裁.img

→定义输出分类文件（ClassifiedFile）：

监督分类.img

→确定分类模板文件（InputSignatureFile）：

监督.sig

→选择输出分类距离文件：

DistanceFile（用于分类结果进行阈值处理）

→定义分类距离文件（Filename）：

监督.img

→选择非参数规则（Non_parametricRule）：

FeatureSpace

→选择叠加规则（OverlayRule）：

ParametricRule

→选择未分类规则（UnclassifiedRule）：

→选择参数规则（ParametricRule）：

MaximumLikelihood

→不选择Classifyzeros（分类过程中是否包括0值）

→OK（执行监督分类，关闭supervisedClassification对话框）

说明：

在SupervisedClassification对话框中，还可以定义分类图的属性表项目：

→点击AttributeOptions按钮

→打开AttributeOptions对话框

通过AttributeOptions对话框，可以确定模板的哪些统计信息将被包括在输出的分类图像层中。

这些统计值是基于各个层中模板对应的数据计算出来的，而不是基于被分类的整个图像。

→在AttributeOptions对话框上作出选择

→OK（关闭AttributeOptions对话框）

→返回SupervisedClassification对话框

3．3分类后处理（Post-ClassificationProcess）

无论监督分类还是非监督分类，都是按照图像光谱特征进行聚类分析的，因此，都带有一定的盲目性。

所以，对获得的分类结果需要再进行一些处理工作，才能得到最终相对理想的分类结果，这些处理操作就通称为分类后处理。

（1）聚类统计（Clump）

无论利用监督分类还是非监督分类，分类结果中都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。

ERDAS系统中的GIS分析命令Clump、Sieve、Eliminate可以联合完成小图斑的处理工作。

聚类统计（Clump）是通过地分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性；

该图像是一个中间文件，用于进行下一步处理。

ERDAS图标面板菜单条：

Main→ImageInterpreter→GISAnalysis

→Clump→Clump对话框

点击Interpreter图标→GISAnalysis

→Clump对话框中，需要确定下列参数：

→确定输入文件（InputFile）：

→定义输出文件（OutputFile）监督分类_clump.img

→文件坐标类型（CoordinateType）：

Map

→处理范围确定（SubsetDefinition）：

ULX/Y,LRX/Y（缺省状态为整个图像范围，可以应用InquireBox定义子区）

→确定聚类统计邻域大小（ConnectNeighbors）:

8（统计分析将对每个像元四周的8个相邻像元进行）

→OK（关闭Clump对话框，执行聚类统计分析）

（2）过滤分析（Sieve）

Sieve功能是对经Clump处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。

显然，这里引出了一个新的问题，就是小图斑的归属问题？

可以与原分类图对比确定其新属性，也可以通过空间建模方法、调用Delerows或Zonel工具进行处理（详见空间建模联机帮助）。

Sieve经常与Clump命令配合使用，对于无须考虑小图斑归属的应用问题，有很好的作用。

Main→lmageInterpreter→GISAnalysis

→Sieve→sieve对话框

在Sieve对话框中，需确定下列参数：

→定义输出文件（OutputFile）：

监督分类_sieve.img

→文件坐标类型（CoordinateType）:

Map

→处理范围确定（SubsetDefinition）:

ULX/Y,LRX/Y（缺省状态为整个图像范围，可以应用InquireBox定义子区）

→确定最小图斑大小（MinimumSize）：

16pixels

→OK（关闭sieve对话框，执行过滤分析）

（3）去除分析（Eliminate）

去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组，与sieve命令不同，将删除的小图斑合并到相邻的最大的分类当中，而且，如果输入图像是Clump聚类图像的话，经过Eliminate处理后，将小类图斑的属性值自动恢复为Clump处理前的原始分类编码。

显然，Eliminate处理后的输出图像是简化了的分类图像。

→Eliminate→Eliminate对话框

或ERDAS图标面板工具条：

点击Interpreter图标→GISAnalysis

在Eliminate对话框中，需要确定下列参数：

监督分类.img

监督分类-Eliminate.img

Map

→确定最小图斑大小（Minimum）：

→确定输出数据类型（Output）：

Unsigned4Bit

→OK（关闭Eliminate对话框，执行去除分析）