实验十 监督分类.docx
《实验十 监督分类.docx》由会员分享，可在线阅读，更多相关《实验十 监督分类.docx（12页珍藏版）》请在冰豆网上搜索。
实验十监督分类
实验十监督分类
不同于非监督分类，监督分类基于先验知识，根据训练场提供的样本选择特征参数，建立判别函数，对待分类点进行分类。
训练场地的选择是监督分类的关键，在监督分类中由于训练样本的不同，分类结果会出现极大的差异，因此应选取有代表性的样本，用于监督分类的训练样本应该是光谱特征比较均一的地区，在图像中根据均一的色调估计只有一类地物，且一类地物的训练样本可以选取一块以上。
此外，用做样本的数目至少能满足建立分类用判别函数的要求，对于光谱特征变化比较大的地物，训练样本要足够多，以反映其变化范围。
一般情况下，要得到可靠的结果，每类至少选择10-100个训练样本。
1.定义分类模板
1）打开需要分类的影像
点击ERDAS|viewer面板，打开需要进行分类的图像，并在rasteroption中设置red|green|blue分别为BAND4|BAND5|BAND3（以LANDSAT为例），选择fittoframe
2）打开分类模板编辑器
选择classifer图标|classification|signatureeditor命令，打开分类模板编辑器（signatureeditor）对话框
3）调整属性字段
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。
选择分类编辑窗口的view|column，打开viewsignaturecolumns对话框，选中需要显示的字段（按住shift可选中多个），单击apply按钮，显示发生变化，单击close完成。
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。
2.评价分类模板
分类模板建立后，需要对其进行评价、删除、更名、与其他分类模板合并等操作。
分类模板评价工具包括：
分类预警、可能性矩阵、特征对象、特征空间到图像掩膜、直方图、分离性分析和分类统计分析等工具。
1）分类预警评价
（1）产生分类预警掩膜
1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
2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，点击色框设置颜色
3点击editparallelepipedlimit|limit|set，设置计算方法（method）：
minimum/maximum或者std.derivation（标准差），并选择使用的模板：
current（当前模板）、selected（选定的模板）、all（所有模板）
4设置完成后，单击ok按钮，返回limit对话框，单击close，返回signaturealarm对话框
5单击ok，执行预警评价，形成预警掩膜
6单击close，关闭signaturealarm
（2）查看分类预警掩膜
运用图像叠加显示功能，查看分类预警掩膜与图像间的关系
（3）删除分类预警掩膜
单击view|arrangealarm命令，右击alarmmask，弹出layeroptions快捷菜单，选择deletelayer命令，alarmmask图层则被删除，并单击apply按钮，选择不保存，单击close
3.监督分类过程
选择classifier图标|supervisedclassification命令，打开supervisedclassification对话框，设置参数如下：
（1）选择处理图像文件（inputrasterfile）
（2）确定输入分类模板（inputsignature）
（3）定义输出分类文件（classifiedfile）
（4）设置输出分类距离文件为distancefile
（5）选择非参数规则（non-parametricrule），一般选择featurespace，即选择特征空间
（6）选择叠加规则（overlaprule），一般为parametricrule，
（7）选择未分类规则（unclassifiedrule）为parametricrule
（8）选择参数规则（parametricrule），一般选择maximumlikelihood，即最大似然
（9）还可以定义分类图的属性数目，即单击attributeoptions按钮，进行选择
（10）最后单击ok，执行监督分类
4.评价分类结果
1）分类叠加
将专题分类图像与原始图像同时在一个视窗打开，将分类专题图置于上层，通过改变分类专题的透明度及颜色等属性，查看分类专题与原始图像之间的关系。
2）定义阙值
通过定义阙值可以确定哪些像元最可能没有正确分类，进而对分类结果进一步优化。
用户可以对每个类别设置一个距离阙值，将可能不属于它的像元筛选出去。
具体操作过程试验中讲述。
3）精度评估
分类精度评估是将专题分类图像中的特定像元与已知分类的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其他数据进行对比。
具体操作过程试验中讲述。
5.分类后处理
由于分类严格按照数学规则进行，分类后往往会产生一些只有几个像元甚至一两个像元的小图斑。
这对分类图的分析、解译和制图，都是不利的，可通过几种分类后处理来解决。
分类后的处理方法有：
聚类统计、过滤分析、去除分析和分类重编码。
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）
（2）定义输出文件（outputfile）
（3）选择文件坐标类型（coordinatetype）为map/file
（4）处理范围
（5）确定聚类统计邻域大小（connectedneighbors）：
统计分析将对每个像元四周的N个相邻像元进行。
可以选择4或8个相邻的像元
（6）点击ok，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。
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。
在ERDAS图标面板菜单条中，选择main|imageinterpreter|GISanalysis|sieve命令，或者在ERDAS图标面板工具条上点击interpreter图标，选择GISanalysis|sieve命令，打开sieve对话框，设置如下参数：
（1）选择处理图像文件（Inputfile）
（2）定义输出文件（outputfile）
（3）选择文件坐标类型（coordinatetype）为map/file
（4）处理范围
（5）选择处理的图层（selectlayer）
（6）忽略输出统计零像元值ignorezeroinoutputststistics
（7）确定输出统计零像元值ignorezeroinoutputststistics
（8）确定最小图斑大小（minimumsize）
（9）点击ok，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）
（2）定义输出文件（outputfile）
（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）
（8）单击ok，执行去除分析
4）分类重编码
非监督分类时不知道实地有多少地物类，总是先多分出较多的光谱类，然后对照实地情况或根据已有知识，最后确定需要的类别，因此就需要将某些光谱上不同的光谱类合并成专业上相同的地物类。
监督分类虽然知道实地有哪些地物类，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。
因此需要分类重编码来解决，即将要合并的两个或两个以上的类的不同编码和不同颜色都改为相同的编码和颜色。
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）
（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
（4）确定输出数据类型（output），单击ok按钮，完成设置
实例与练习：
某地区的遥感影像监督分类
背景：
现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。
本例中使用监督分类的方法，实现土地利用类型的划分。
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。
数据：
smtm.img
监督分类流程图：
监督分类过程
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
AccuracyAssessment对话框中显示了一个精度评估矩阵（AccuracyAssessmentCellarray）。
精度评估矩阵中将包含分类图像若干像元的几个参数和对应的参考像元的分类值。
这个矩阵值可以使用户对分类图像中的特定像元与作为参考的已知分类的像元进行比较，参考像元的分类值是用户自己输入的。
矩阵数据存在分类图像文件中。
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。
说明：
在AddRandomPoint对话框中，searchCount是指确定随机点过程中使用的最多分析像元数，当然这个数目一般都比NumberofPoint大很多，NumberofPoints设为20说明是产生20个随机点，如果是做一个正式的分类评价，必须产生20个以上的随机点。
选择Random意味着将产主绝对随机的点位，而不使用任何强制性规则。
EqualizedRandom是指每个类将具有同等数目的比较点。
stratifiedRandom是指点数与类别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择UseMinimumPoints）,以保证小类别也有足够的分析点。
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（minimum
升级会员 