实验十 监督分类 图像数字处理.docx

实验十 监督分类 图像数字处理.docx

《实验十 监督分类 图像数字处理.docx》由会员分享，可在线阅读，更多相关《实验十 监督分类 图像数字处理.docx（17页珍藏版）》请在冰豆网上搜索。

实验十监督分类图像数字处理

某地区的遥感影像监督分类

实验目的：

通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。

实验数据：

smtm.img

实验步骤：

1定义分类模板

（1）在viewer窗口中选择打开smtm.img，在rasteroptions选择fittoframe

（2）单击classifer|classification|signatureeditor，打开分类模板编辑器（signatureeditor）

（3）在viewer窗口中打开raster|tools，打开raster工具面板

（4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signatureeditor窗口，单击按钮，将多边形AOI区域加载到signatureeditor分类模板属性表中

（5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signatureeditor窗口，单击按钮，将多边形AOI区域加载到signatureeditor分类模板属性表中

（6）用同样的方法加载9个深蓝色多边形AOI

（7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板

（8）单击其signaturename属性进入编辑状态，输入water，单击color属性，选择深蓝色

（9）在signatureeditor菜单条，单击edit|delete，删除合并前的模板

（10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident）

（11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板（all），并保存分类模板文件的目录

2评价分类模板

（1）分类预警评价

1选中water类别

2在signatureeditor窗口，选择某类或者某几类模板，单击view|imagealarm命令，打开signaturealarm对话框

3选中indicateoverlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框设置为黄色

4点击editparallelepipedlimit|limit|set，设置计算方法（method）：

minimum/maximum，并选择使用的模板：

current（当前模板）

5设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signaturealarm对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signaturealarm对话框

6在viewer窗口，选择utility|flick命令，选择automode，speed设为600.

7按照同样的方法分别对forest,farmland,grass类进行预警掩膜，查看准确性

（2）可能性评价

①选中signatureeditior属性表中的所有类别

②单击evaluate|contingency,打开contingencymatrix对话框，nonparamatric选择featurespace,overlaprules选择parametricrule，unclassifiedrule选择paramatricrule，paramatricrule选择maximumlikehood

3设置完成后，点击ok按钮，便显示分类误差矩阵，若误差矩阵大于85%，结果令人满意。

（3）分类的分离性

①在模板编辑器中选择water、forest

②选择signatureeditor|evaluate|separability命令，打开signatureseparability对话框

③组合数据层数（layerpercombination）选择3，distancemeature选择transformeddivergence，outputform选择ASCII，reporttype选择completereport

④点击ok完成设置，计算其分离性

⑤一次选择其他类的计算分类的分离性。

若TD值均大于1700，说明可以分开

3进行监督分类

（1）选择处理图像文件为smtm

（2）在inputsignature中选择super.img

（3）在classifiedfile中设置输出数据存储路径及其名称，这里为super.img

（4）选中输出分类距离文件为distancefile

（5）在non-parametricrule中选择featurespace

（6）在overlaprule中选择parametricrule

（7）在unclassifiedrule中选择parametricrule

（8）在parametricrule中选择maximumlikehood

（9）单击ok，执行监督分类

4结果评价

（1）分类叠加

结束监督分类后，在viewer窗口打开smtm.img和super.img，在打开super.img时rasteroptions中去除cleardisplay选项。

在viewer窗口，选择utility|flick命令，选择automode，speed设为600。

检查分类结果的准确性。

（2）分类评估

第一步：

在视窗中打开原始图像

在Viewer中打开分类前的原始图像，以便进行精度评估。

第二步：

启动精度评估对话框

ERDAS图标面板菜单条：

Main→ImageClassification→Classification

或ERDAS图标面板工具条：

点击Classifier图标→Classification菜单

→选择AccuracyAssessment菜单项

→打开AccuracyAssessment对话框

第三步：

打开分类专题图像

AccuracyAssessment对话框菜单条：

File→Open

→打开ClassifiedImage对话框

→在ClassifiedImage对话框中确定与视窗中对应的分类专题图像

→OK（关闭ClassifiedImage对话框）

→返回AccuracyAssessment对话框

第四步：

将原始图像视窗与精度评估视窗相连接

AccuracyAssessment对话框：

→工具条：

点击SelectViewer图标（或菜单条：

选择View菜单的SelectViewer）

→将光标在显示有原始图像的视窗中点击一下

→原始图像视窗与精度评估视窗相连接

第五步：

在精度评价对话框中设置随机点的色彩

AccuracyAssessment对话框：

→菜单条View→ChangeColors菜单项

→打开Changecolor面板

→在PointswithnoReference确定没有真实参考值的点的颜色

→在PointswithReference确定有真实参考值的点的颜色

→OK（执行参数设置）

→返回AccuracyAssessment对话框

第六步：

产生随机点

本步操作将在分类图像中产生一些随机的点，随机点产生之后，需要用户给出随机点的实际类别。

然后，随机点的实际类别与在分类图像的类别将进行比较。

AccuracyAssessment对话框：

→Edit→Create/AddRandomPoints

→打开AddRandomPoints对话框

→在searchCount中输入1024

→在NumberofPoints中输入20

→在DistributionParameters选择Random单选框

→OK（按照参数设置产主随机点）

→返回AccuracyAssessment对话框

可以看到在AccuracyAssessment对话框的数据表中出现了20个比较点，每个点都有点号、X＼Y坐标值、Class、Reference等字段，其中点号、X／Y坐标值字段是有属性值的。

第七步：

显随机点及其类别

AccuracyAssessment对话框：

→View.→ShowAll（所有随机点均以第五步设置的颜色显示在视窗中）

→Edit→ShowClassValues（各点的类别号出现在数据表的class字段中）

第八步：

输入参考点的实际类别值

AccuracyAssessment对话框：

→在数据表的Reference字段输入各个随机点的实际类别值（只不要输入参考点的实际分类值，它在视窗中的色彩就变为第五步设置的PointWithReference颜色）

第九步：

设置分类评价报告输出环境及输出分类评价报告

AccuracyAssessment对话框：

→Report→Options

→通过点击确定分类评价报告的参数

→Report→AccuracyReport（产生分类精度报告）

→Report→CellReport（报告有关产生随机点的设置及窗口环境）

→所有报告将显示在ERDAS文本编辑器窗口，可以保存为本文件

→File→SaveTable（保存分类精度评价数据表）

→File→close（关闭AccuracyAssessment对话框）

通过对分类的评价，如果对分类精度满意，保存结果。

如果不满意，可以进一步做有关的修改，如修改分类模板等，或应用其它功能进行调整。

5分类后处理

（1）聚类统计（clump）

通过计算分类专题图像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。

在ERDAS图标面板菜单条中，选择main|imageinterpreter|GISanalysis|clump命令，或在ERDAS图标面板工具条上点击interpreter图标，选择GISanalysis|clump命令，打开clump对话框，并设置参数：

1选择处理图像文件（Inputfile）super.img

2定义输出文件（outputfile）super-clump

3选择文件坐标类型（coordinatetype）为map/file

4确定聚类统计邻域大小（connectneighbors）为4

（2）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聚类图像的小clump类组，与sieve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。

在ERDAS图标面板菜单条中，选择main|imageinterpreter|GISanalysis|eliminate命令，或者在ERDAS图标面板工具条上点击interpreter图标，选择GISanalysis|eliminate命令，打开eliminate对话框：

1选择处理图像文件（Inputfile）为super-climp

2定义输出文件（outputfile）为super-eliminate

3选择文件坐标类型（coordinatetype）为map/file

4处理范围

5选择去除分析的图层（selectlayer）

6选择ignorezeroinstats复选框，确定是否忽略输出统计零像元值

7确定最小图斑大小（minimumsize）为20

8确定输出数据类型为unsigned4bit

9单击ok，执行去除分析

（3）分类重编码

在ERDAS图标面板菜单条中，选择main|imageinterpreter|GISanalysis|recode命令，或者在ERDAS图标面板工具条上点击interpreter图标，选择GISanalysis|recode命令，打开recode对话框：

1选择处理图像文件（Inputfile）为super-eliminate

2单击setuprecode按钮，打开thematicrecode对话框

3选择需要进行重新编码的行，在nowvalue处输入新编码，点击changeselectedrows，改变原有类别的编码，单击ok

确定输出数据类型（output），单击ok按钮，完成设置