监督分类与非监督分类.docx

1、监督分类与非监督分类图像分类一、实验目的1、理解遥感图像分类的基本原理和方法。2、掌握在ERDAS IMAGINE软件中进行非监督分类、监督分类的操作流程以及两种分类方法的区别。3、 了解分类后处理及精度评价原理及过程。二、 实验设备1、ERDAS IMAGINE遥感影像处理软件。三、 实验过程及要求1、 非监督分类ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。聚类过程始于任意聚类平均值或一个已有分类模板的平均值：聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。 ISODATA实用程序不断重复，直到最大的循环次数已达到设定阈值

2、或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。1.1 分类流程图1.2 分类过程1）调出非监督分类对话框在菜单栏中单击Raster Unsupervised Classification选择Unsupervised Classification项，打开Unsupervised Classification 对话框。2）进行非监督分类在 Unsupervised Classification 对话框中Input Raster File (确定输入文件)：待分类的图像（此处为经过主成分分析后的图像）。Output Cluster Layer (确定输出文件)。勾选Output s

3、ignature Set （选择生成分类模板文件） (确定分类模板文件) 。Cluster Options:选择 Initiate from Statistics.分类方法:选择isodata.Number of Classes（确定初始分类数）:7 对于 Initializing Options 和 Color Scheme Options 两项均取缺省值。Maximum Iterations（定义最大循环次数）:24(一般在应用中将循环次数都取值 6 以上) Convergence Threshold （设置循环收敛阈值）:0.950(取系统默认值)单击 OK 按钮（关闭 Unsuperv

4、ised Classification 对话框，执行非监督分类）下图为分类后的图：1.3 分类评价1）显示原图像与分类图像 在视窗中同时显示 prin.img 和 prin_isodata.img,两个图像的叠加顺序为：prin.img（原图）在下，prin_isodata.img（分类图）在上。在View#1窗口中依次打开原图和分类图。注意：打开分类图时，select layer to add对话框中 Raster Options 选择项中的“clear display”不勾选。则可以保证在一个窗口中同时打开两幅图像。2）打开分类图像属性表并调整字段属性右键prin_isodata文件，选择

5、Display Attribute Table项，打开Attribute Table窗口。在Attribute Table窗口中，8 个记录分别对应产生的7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。3）给各个类别赋相应的颜色在Attribute Table窗口中，选中某一类Row字段，单击此类别颜色字段的颜色，即可为该类选择某一颜色，重复操作为所有类选择合适颜色。4）不透明度的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 类别的不透明度(Opacity)值设为 0（即改为透明），而要分析的类

6、别的透明度设为 1（即不透明） 在 Attribute Table中，直接将Opacity 字段中不需要分析的类的值改为0，需要分析的类的值设为1. 此时，在视窗中只有要分析的类别的颜色显示在原图像的上面，其它类别都是透明的。如下图：水体的Opacity被设为了0，并按回车键，水体部分的颜色变得与原图一致（即透明）。可以右键影像Swipe来查看。5）确定类别专题意义及其准确程度 右键影像Flicker，打开Flicker工具条，点击Start/Stop开始闪烁，本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。6）标注类别的名称 在

7、Attribute Table中，单击刚才分析类别的Class Names 字段，并输入其专题意义（如水体、耕地、建筑等），重复第四到第六步直到对所有类别都进行了分析与处理。得到如下结果：1.4 分类后处理分类重编码主要是针对非监督分类而言的。由于非监督分类之前，用户对方类地区没有 什么了解，所以在非监督分类过程中，一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过 ISODATA 聚类获得分类方案后，首先是对专题分类图像与原始图像对 照，判断每个分类的专题属性，然后对相近或类似的分类通过分类重编码进行合并，并定义 分类名称和颜色。Raster Unsupervised Clas

8、sificationFuzzy Recode打开Fuzzy Recode对话框。Input Raster File (确定输入文件) Output Cluster Layer (确定输出文件)Neighbor Weighting Options：选择By DistanceOK执行编码1.5 精度评价执行了非监督分类之后，需要对分类效果进行评价，ERDAS系统提供了多种分类评价方法，包括分类叠加(classification overlay)、定义阈值(thresholding)、分类编码(recode classes)、精度评估(accuracy assessment)等，下面有侧重的进行。1

9、分类叠加(ClassificationOverlay)分类叠加就是将专题分类图像与分类原始图像同时在一个视窗中打开，将分类专题层置于上层，通过改变分类专题的透明度（Opacity）及颜色等属性，查看分类专题与原始图像之间的关系。对于非监视分类结果，通过分类叠加方法来确定种别的专题特性、并评价分类结果。对监视分类结果，该方法只是查看分类结果的正确性。2分类重码对分类像元进行了分析之后，可能需要对原来的分类重新进行组合（如将林地1与林地2合并为林地），给部分或所有种别以新的分类值从而产生一个新的分类专题层。3分类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

10、中经常是将分类数据与地面真值、先前的试验舆图、航空相片或其它数据进行对比的途径之一。下面是具体的操纵过程：1）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。2）启动精度评估对话框ERDAS菜单条：RasterSupervisedAccuracyAssessment打开AccuracyAssessment对话框Accuracy Assessment 对话框中显示一个精度评估矩阵（Accuracy Assessment Cellarray）。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

11、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进的。矩阵数据存在分类图像文件中。3）打开分类专题图像Accuracy Assessment 对话框菜单条：打开Classified Image对话框在Classified Image对话框中确定与视窗中对应的分类专题图像OK（关闭Classified Image对话框）返回Accuracy Assessment对话框4）将原始图像视窗与精度评估视窗相连Accuracy Assessment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

12、窗与精度评估视窗相连接5）在精度评价对话框中设置随机点的色彩AccuracyAssessment对话框：菜单条ViewChangeColors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6）产生随机点本步操纵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种别。然后，随机点的实际种别与在分类图像的种别将进行比较。AccuracyAssessment对话框：EditCreate/

13、AddRandomPoints打开AddRandomPoints对话框在searchCount中输进1024在NumberofPoints中输进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10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Add Random Point对话框中， search Count是指确定随机点过程中使用的最多分析像元数，

14、当然这个数目一般都比Number of Point大很多，Number of Points设为20说明是产生20个随机点，假如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意味着将产主尽对随机的点位，而不使用任何强制性规则。Equalized Random是指每个类将具有同等数目的比较点。stratified Random是指点数与种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Use Minimum Points）,以保证小种别也有足够的分析点。7）显随机点及其种别AccuracyAssessment对话框：ViewShowAll(所有随机点均以第五步

15、年设置的颜色显示在视窗中)。EditShowClassValues（各点的种别名出现在数据表的class字段中）。8）输进参考点的实际种别值AccuracyAssessment对话框：在数据表的Reference字段输进各个随机点的实际种别值（只不要输进参考点的实际分类值，它在视窗中的色彩就变为第5）步设置的PointWithReference颜色）9）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：ReportOptions通过点击确定分类评价报告的参数ReportAccuracyReport（产生分类精度报告）ReportCellReport（报告有关

16、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Table（保存分类精度评价数据表）（关闭AccuracyAssessment对话框）通过对分类的评价，假如对分类精度满足，保存结果。假如不满足，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。2、监督分类在监督分类的过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后 再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类比非监督分类更多地要用户来控制，常用于对研究

17、区域比较了解的情况。 监督分类一般有以下几个步骤:定义分类模板、评价分类模板、执行监督分类、分类结果评价。2.1 分类流程图结果验证分类后处理影像分类分类器选择样本选择类别定义/特征判别最大似然最小距离神经网络支持向量机其它2.2 定义分类模板1）打开需要进行分类的图像 2）打开模板编辑器并调整显示字段 打开Raster菜单项 打开Supervised选择Signature Editor，打开Signature Editor窗口。Signature Editor窗口菜单条： ViewColumns 打开 View Signature Columns 对话框 点击最上一个字段的 Column 字

18、段向下拖拉直到最后一个字段，此时，所有字段都被选择上，并用灰色（缺省色）标识出来。对于那些对分类意义不大的字段（如本例中的Red、Green、 Blue 字段），可以通过以下方法将它们从选择集中除去：按住 Shift 键的同时分别点击除Red、 Green、Blue 字段以外的其他字段， 单击 Apply，单击 Close，从 View Signature Columns 对话框可以看到 Red、Green、Blue 字段将不再显示。3）获取分类模板信息 定义模板原则：必须在分类之前就知道研究区域的森林类型、覆盖范围以及图像的叠和现象，以保证输出分类的连续性。当创建训练区时，对于每一个类别都有

19、一些子类，每个子类选择的AOI区域应该不少于5个，并且每个AOI区域内象素的颜色类型一致，跳跃不能很大，即不出现杂色。使用 AOI 绘图工具在原始图像获取分类模板信息：新建AOI Layer，并利用polygon工具圈出某一地物AOI区域，在Signature Editor窗口中点击图标，将刚建立的多边形AOI区域加载到Signature分类模板中，如此重复（同一地物至少选择5个）。如果对于同一专题类型采集了多个AOI 并分别生成了模板，可以将这些模板合并，以使该分类模板具有多区域的综合特性在 Signature Editor窗口中，将该类的 Class#全部选定 ，点击EditMerge或

20、，产生一个综合的新模板并命名,原来的多个类别同时存在,也可以删除。分别选择不同颜色的区域,重复以上的操作,建立若干个分类模板(数目与所要分的类别相同)，如耕地、园地、林地、交通用地、建筑用地、滩地等。合并小类，命名和改变类颜色后模板如下：4）保存分类模板 Signature Editor窗口: 打开 Save Signature 对话框 确定文件的目录和名称(*.sig)。2.3 评价分类模板分类模板建立以后,就可以对其进行评价、删除、更名与其它模板合并操作。分类模板的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类，这些模板训练方法包括监督、非监督，参数化和非参数化。分类预警评价选

21、中某一类别。在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开 signature alarm对话框选中Indicate Overlap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 设置为黄色点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum， 选择使用的模板：current（当前模板）单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm 对话框单击Ok按钮执行分类预警评价，形成预警掩膜单击clo

22、se按钮，关闭signature alarm对话框在Home菜单，选择View工具中 flick命令，选择automode按照同样的方法分别对城市、植被等其它类别类进行预警掩膜，查看准确性可能性评价可能性矩阵(Contingency Matrix)评价工具是根据分类模板，分析 AOI 训练区的像元是否完全落在相应的类别中。通常都期望 AOI 区域的像元分到它们参与训练的类别中，实际上 AOI 中的像元对各个内都有一个权重值，AOI 训练样区只是对类别模板起一个加权的作用。Contingency Matrix 工具可同时应用于多个类别，如果没有在 Class#中选择类别，则所有的模板类别都将被应

23、用。可能性矩阵评价工具的使用方法如下： 1）打开 Signature Editor窗口。 2）在 Class#中选择所有类别 3）Signature Editor 对话框菜单条：EvaluateContingency 打开 Contingency Matrix 对话框 Non-parametric Rule(选择非参数规则):Feature Space（特征空间） Overlap Rule(选择叠加规则):Parametric Rule（参数规则） Unclassified Rule(选择未分类规则):Parametric Rule（参数规则） Parametric Rule(选择参数规则):

24、Maximum Likelihood（最大似然） 选定 Pixel Percentage （选择像元百分数作为评价输出统计） 单击 OK 按钮（关闭 Contingency Matrix 对话框，计算分类误差矩阵） 打开 Editor 窗口 在窗口中显示 Error Matrix（误差矩阵），分别对其他类别分别进行评价，如果误差值大于 15，则模板需要重新建立。分类的分离性在模板编辑器中选择水体、城市选择signatureeditorevaluateseparability命令，打开signatureseparability对话框。组合数据层数（layerpercombination）选择3d

25、istancemeature选择transformeddivergenceoutputform选择ASCIIreporttype选择completereport点击ok完成设置，计算其分离性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2.4 执行监督分类打开Raster菜单项 打开Supervised选择Supervised Classification项打开 Supervised Classification 对话框，在 Supervised Classification 对话框中设置以下参数：Input Raster File(确定输入原始文件)Classifie

26、d File(定义输出分类文件)Input Signature File(确定分类模板文件)选定 Distance File （定义分类距离文件）：Nom-parametric Rule(选择非参数规则)：Feature Space（特征空间）Overlap Rule(选择叠加规则):Parametric Rule（参数规则）Unclassified Rule(选择未分类规则)：Parametric Rule（参数规则）Parametric Rule（选择参数规则）：Maximum Likelihood（最大似然）单击 OK（执行监督分类，关闭 Supervised Classificatio

27、n 对话框）2.5 分类结果评价执行了监督分类之后，需要对分类效果进行评价。ERDAS 系统提供了多种分类评价方法，包括分类叠加、定义阈值、分类编码和精度评估。分类叠加分类叠加就是将专题分类图像与分类原始图像同时在一个视窗中打开，将分类专题层置于上层，通过改变分类专题的透明度（Opacity）及颜色等属性，查看分类专题与原始图像之间的关系。结束监督分类后，同时打开原图和分类后的影像。在Home菜单，选择View工具中 flick命令，选择automode检查分类结果的精度分类编码对分类像元进行了分析之后，可能需要对原来的分类重新进行组合（如将林地1与林地2合并为林地），给部分或所有种别以新的分

28、类值从而产生一个新的分类专题层。精度评估1）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。2）启动精度评估对话框ERDAS菜单条：RasterSupervisedAccuracyAssessment打开AccuracyAssessment对话框。3）打开分类专题图像Accuracy Assessment 对话框菜单条：打开Classified Image对话框在Classified Image对话框中确定与视窗中对应的分类专题图像OK（关闭Classified Image对话框）返回Accuracy Assessment对话框4）将原始图像视窗与精度评估视窗相连A

29、ccuracy Assessment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5）在精度评价对话框中设置随机点的色彩AccuracyAssessment对话框：菜单条ViewChangeColors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6）产生随机点本步操纵将在分

30、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种别。然后，随机点的实际种别与在分类图像的种别将进行比较。AccuracyAssessment对话框：EditCreate/AddRandomPoints打开AddRandomPoints对话框在searchCount中输进1024在NumberofPoints中输进50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Add Random Point对话框中， search Count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Number of Point大很多，Number of Points设为20说明是产生20个随机点，假如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意味着将产主尽对随