遥感四张伟倩17号.docx
《遥感四张伟倩17号.docx》由会员分享,可在线阅读,更多相关《遥感四张伟倩17号.docx(13页珍藏版)》请在冰豆网上搜索。
遥感四张伟倩17号
实验四图像分类
实验内容:
(1)ERDAS遥感图像非监督分类.
(2)ERDAS遥感图像监督分类(定义分类模板、评价分类模板、进行监督分类、评价分类结果)。
1、制作裁剪图像
使用裁剪工具在union上裁剪一块,然后进行如下操作:
打开
1分类过程(classificationProcedure)
第一步:
调出非监督分类对话框
在ERDAS图标面板工具条中点击Classifier图标
→C1assification→UnsupervisedClassification---→unsupervisedclassification对话框如下:
点击
出现以下对话框
再进行如下设置,点击ok
2.2分类评价(EvaluateClassification)
获得一个初步的分类结果以后,可以应用分类叠加(Classificationover1ay)方法来评价检查分类精度。
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:
点击
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
点击
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
→右键点击该类别的Color字段(颜色显示区)
→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
第一步:
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
点击
添加并选中
点击
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):
ParametricRule
→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
或ERDAS图标面板工具条:
点击Interpreter图标→GISAnalysis
→Clump→Clump对话框
→Clump对话框中,需要确定下列参数:
→确定输入文件(InputFile):
监督分类.img
→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。
ERDAS图标面板菜单条:
Main→lmageInterpreter→GISAnalysis
→Sieve→sieve对话框
或ERDAS图标面板工具条:
点击Interpreter图标→GISAnalysis
→Sieve→sieve对话框
在Sieve对话框中,需确定下列参数:
→确定输入文件(InputFile):
监督分类.img
→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。
ERDAS图标面板菜单条:
Main→ImageInterpreter→GISAnalysis
→Eliminate→Eliminate对话框
或ERDAS图标面板工具条:
点击Interpreter图标→GISAnalysis
→Eliminate→Eliminate对话框
在Eliminate对话框中,需要确定下列参数:
→确定输入文件(InputFile):
监督分类.img
→定义输出文件(OutputFile):
监督分类-Eliminate.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(Minimum):
16pixels
→确定输出数据类型(Output):
Unsigned4Bit
→OK(关闭Eliminate对话框,执行去除分析)