ERDAS监督分类完美.docx

1、ERDAS监督分类完美监督分类(Supervised Classification)监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情 况。在监督分类过程中，首先选择可以识别或者借助于其他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。监督分类一般要经过以下几个步骤：建立模板（训练样本） 、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。1.建立模板（训练样本、定义分类模板 Define Signat

2、ures）ERDAS IMAGINE 的监督分类是基于分类模板（ Classification Signature）来进 行的，而分类模板的生成、 管理、评价和编辑等功能是由分类模板编辑器 （SignatureEditor）来负责的。在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。 第一步：显示需要分类的图像在视窗Viewer中显示图像aaa.img第二步：打开分类模板编辑器（两种方式） ERDAS 图标面板菜单条： Main Image Classification Classification 菜单 Signature Editor 菜单项 Signature Edit

3、or 对话框BYari=，闻:匚 Edj.i.dL从分类误差总体的百分比来说，如果误差矩阵值小于 85%,则分类模板的精度太低，需要重新建立。3.确定初步分类结果(执行监督分类 Perform Supervised Classification )监督分类实质就是依据所建立的分类模板、在一定的分类决策规则条件下，对 图像像元进行聚类判断的过程。用于分类决策的规则即各种分类判别函数。选择判 别函数及其相应的准则后，就可执行计算机自动分类了。 ERDAS 图标面板菜单条： Main Image Classification Classification 菜单Supervised Classific

4、ation 菜单项 Supervised Classification 对话框或者ERDAS图标面板工具条：点击 Classifier图标 Classification菜单linspeiKd ClKsdicatiofi .SijpeisiKi 匚旧寸赤cMrt._ TWc*_. |Funy CofTwatoan 3 |Acor-acy Assetvneit.Fejt-ffie 9pacc Irrdge .Fwiir Sp-Kt Theiutic- 一Clw-iihef f-rcrMedye- Ergwi . I 峥；qrr3”- le &在Supervised Classification对话

5、框中，需要确定下列参数确定输入原始文件(Input Raster File ): aaa.img定义输出分类文件( Classified File ): suclassaaa.img确定分类模板文件(Input Signature File ): aaa.sig选择输出分类距离文件： Distance File (用于分类结果进行阈值处理)定义分类距离文件(Filename):选择非参数规贝 U ( Non-Parametric Rule): Feature Space (特征空间)选择叠加规则(Overlay Rule): Parametric Rule (参数规则)选择未分类规则(Uncl

6、assified Rule ): Parametric Rule选择参数规则(Parametric Rule): Maximum Likelihood (最大似然法)不选择Classify zeros (分类过程中是否包括 0值)OK (关闭Supervised Classification对话框，执行监督分类)注意分类方法的选择：在监督分类过程中，用于分类决策的规则是多类型、多层次的，如对非参数分类模板有特征空间、平行六面体( Parallelepiped)等方法，对参数分类模板有最大似然法 Maximum Likelihood、马氏距离法 Mahalanobis ,最小距离法Minimum

7、 Distance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，非参数规则只能应用于非参数型模板，而对于参数型模板，要使用参 数型规则。4.检验分类结果(评价分类结果 Evaluate Classification)进行分类评价是对分类结果的验证。 ERDAS系统提供了多种分类评价方法， 包括分类叠加、定义阈值、分类重编码、精度评估等。分类精度评估(Accuracy Assessment)是将专题分类图像中的特定像元与已知 实际类别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 实验地图、航空像片或其它数据进行对比。此次实验，由于缺乏aaa.img影像成

8、像时的实际资料或地面真值等信息， 故以目视判读分类前的原始图像的方式来获取实际类别信息。在做分类精度评估前，一定要搞清楚分类方案，类别名称及其类别代码等。可以分类模板编辑器中打开先前保存的分类模板 aaa.sig。第一步：打开分类前原始图像在Viewer中打开分类前的原始图像 aaa.img,以便进行精度评估。第二步：打开精度评估对话框在ERDAS图标面板工具条上点击 Classifier图标 Classification菜单选择 Accuracy Assessment 菜单项打开 Accuracy Assessment 对话框EO Accuracy AssessMent (Vo file)

9、- VieeKappaUnc laLSsi f id0.0000林地1.0000河湖水0.0000chsngj liangshui1 ocooxinjiaftsheyongdi0.0000lacchiangqii1.0000nongtiancaidi0.5833 End of Kappa. Statistics 总体分类精度为90%, Kappa系数为0.8649,说明此分类方案较优。分类后处理 （教材242页）常用的分类后处理方法有聚类统计（ Clump）、过滤分析（Sieve）、去除分析(Eliminate ) 分类重编码(Recode)等。聚类统计是通过对分类图像计算每个分类图斑的面积、

10、记录相邻区域中最大突变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。Clump类组输出图像是一个中间文件，主要用于进行下一步处理。过滤分析(Sieve)功能是对Clump类组输出图像进行处理，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。这样就会产生小图斑的归属问题。所以去除分析( Eliminate )是将删除的小图斑合并到 相邻的最大的类别当中，所以去除分析简化了分类图像。s GIS分析图像解译模块进行。El ik amt c区I最小图斑为16Pixels。回区b Viewer 71 : eliwinat e. ia.File Utility Vi ew AOI Raster Help昌霰1直口昌宙恭区B +修改专题图各类别颜色:分类重编码：原先情况为林地 （1）、河湖水（2）、laochengqu （5）、xinjiansheyongdi （4）、nongtiancaidi （6）、changjiangshui （3）。现合并为林地（1）、水体（2）、建设用地（3）、耕地（4）。NBighbahocd .Cifrp.P#iW5Mich 一irriw.MbIik.Fl4t5tSNflry.Zond JWrfcObH-.He1