envi4.7监督分类报告
监督分类实验报告
监督分类实验报告监督分类实验报告一、引言监督分类是机器学习领域中的一项重要任务，它的目标是根据已知的样本和标签，构建一个能够自动对新样本进行分类的模型。
在本次实验中，我们使用了一个基于监督学习的分类算法，并通过对不同数据集的实验进行评估，来探索该算法的性能和适用范围。
二、数据准备在实验中，我们使用了两个不同的数据集，分别是鸢尾花数据集和手写数字数据集。
鸢尾花数据集包含了150个样本，每个样本有4个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。
手写数字数据集则包含了1797个样本，每个样本是一个8x8的灰度图像，表示了一个手写数字。
三、实验方法我们选择了支持向量机（SVM）作为分类算法，并使用Python中的scikit-learn 库进行实现。
SVM是一种二分类模型，通过在特征空间中构建一个最优超平面来实现分类。
在实验中，我们将SVM应用于鸢尾花数据集和手写数字数据集，并对其进行了以下几个方面的评估。
1. 特征选择在实验中，我们首先进行了特征选择，以确定对于不同数据集来说，哪些特征是最具有区分性的。
通过计算特征的方差和相关系数等指标，我们确定了鸢尾花数据集的四个特征都是有用的，而手写数字数据集的某些特征则可以被忽略。
2. 模型训练在特征选择之后，我们使用了80%的数据作为训练集，剩余的20%作为测试集。
通过调整SVM的参数，如核函数类型、正则化参数等，我们训练了不同的模型，并选择了最优模型进行评估。
3. 模型评估为了评估模型的性能，我们使用了准确率、召回率和F1值等指标。
准确率表示模型正确分类的样本比例，召回率表示模型正确预测正例的能力，而F1值则综合考虑了准确率和召回率。
通过计算这些指标，我们可以对模型的分类能力进行全面的评估。
四、实验结果与分析在鸢尾花数据集上，我们的SVM模型达到了97%的准确率，表现出很好的分类能力。
然而，在手写数字数据集上，模型的准确率仅为90%，略低于我们的期望。
遥感实验报告
重庆交通大学学生实验报告实验课程名称遥感原理与应用开课实验室测量与空间信息处理实验室学院 2013 年级测绘工程专业 1班学生姓名刘文洋学号 631301040126 开课时间 2015 至 2016 学年第 1 学期目录实验一 ENVI 视窗的基本操作 (2)实验二遥感图像的几何校正 (4)实验三遥感图像的增强处理 (8)实验四遥感图像的变换 (12)实验五遥感信息的融合 (15)实验六遥感图像分类 --- 监督分类 (17)实验七遥感图像分类 --- 非监督分类 (19)实验八遥感图像分类后处理 (22)实验一ENVI 视窗的基本操作一、实验目的初步了解目前主流的遥感图象处理软件 ENVI 的主要功能模块，在此基础上，掌握视窗操作模块的功能和操作技能，为遥感图像的几何校正等后续实习奠定基础。
二、实验内容视窗功能介绍；文件菜单操作；显示数据；裁剪数据；合并波段三、实验步骤1、首先打开ENVI4.7软件，看见的只有菜单栏，如图所示：2、打开每个下拉菜单浏览其下拉栏中都有哪些功能，比如:我们如果需要打开遥感文件，则可以选择File下的打开功能open image file，打开遥感图像如下图：裁剪数据打开basic tools的resize data功能，如果需要对图像进行一系列处理，可以利用Transform，Classification等功能进行操作，在后续实验中我们也会用到其中的一些功能进行图像的一系列操作，到时候在详细叙述。
3、再熟悉了ENVI4.7的一些基本知识后我们可以简单地操作下，比如对一组数据分别用Gray Scale和Load RGB导入，看看两幅图的区别以及各自的优缺点。
四、实验结果分析在这次的实验中，我们简单的熟悉了下ENVI4.7的一些功能，发现它是可以对遥感图像进行图像几何纠正，直方图均衡，监督分类，非监督分类等一系列操作，为我们后续利用软件对遥感图像处理打下了基础。
实验二遥感图像的几何校正一、实验目的通过实习操作，掌握遥感图像几何校正的基本方法和步骤，深刻理解遥感图像几何校正的意义。
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
遥感实验报告-监督分类
实验报告书（验证性实验）题目图像分类——监督分类成绩姓名专业班级学号指导教师日期年月日1．实验目的从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。
2．实验准备工作准备一张卫星高清图像以及ERDAS软件，统筹观测目测一下图像，大体了解地物的种类及种类数目，做到心中有数，为训练区的选取做准备。
3．实验步骤第一步：打开卫星拍摄的高清图像，同时打开工具栏classifier中的signature editor，会蹦出分类标签框。
然后打开viewer上的工具栏，在卫星图像上进行训练区第一种地物（如小麦）样本的选取，找到该类地物面积较大的区域，放大后用多边形截图工具截取，然后在标签框上选择添加，之后继续选样本，重复以上步骤，直到选择到十几个有代表性的样本为止。
之后在标签栏里选中所有样本，点击图标合并，删除原样本，只保留合并之后的，再在name栏里填上此种地物的名称。
这样第一个地物的样本选取完毕，进行第二个地物样本的选取，以此类推，直到把图像中包含的所有地物样本选出得到完整的分类标签为止，将分类标签保存在目标文件夹中。
地物样本的选择：第二步：打开classifier中的supervised classification，在导入原始文件栏里选择卫星图像，在导入signature栏里选择刚才做好的分类标签，之后选择导出的目标文件夹，在parametric中可以选择不同的选项（这里以maximum likelihood为例），确定后导出了开始。
第三步：打开导出的图像，这就是监督分类后的图像，然后进行检验。
在已打开的分类后的图像中再打开未分类的原始图像，这里要注意把raster option中的clear display前的对号去掉。
在view中的arrange layers上安排一下图层的顺序，使分类后的图像在上面，打开utility中的swipe，通过移动滚条并放大进行前后两张图像的对照，达到检验效果。
ENVI的监督分类操作步骤
老师要求提交：1.可能性矩阵2.精度评价报告3.分类结果图具体流程：1．打开影像，考试时的影像是老师给的高分辨率影像。
以已有的QuickBird影像为例：File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。
2.选择监督分类样本（感兴趣区域）：在影像的工具栏中选择，Overlay---Region of interest在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择选择类别，植被，水体，裸地，房屋。
查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok.,相关度大于1.8的说明分类较好。
保存文件。
2.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。
Select all Item阈值Probability Threshold一般在0~1之间。
不需输出真实值。
因为还要分类后处理，储存至memory.3.分类后处理，①分类合并，在主菜单中Classification—post classification—Sieve Classes选择刚才分类好的，memory影像，改变Group Min Threshold数值，由2改到8.即改变每类别最小像元值，由于我只选了四个类别数，应该做完后不会有类别的合并。
保存文件，即要求交的分类结果图。
②生成混淆矩阵主菜单中，Classification—post classification—confusion Matrix—Using Ground Truth ROIS. 将所有类别都选上。
保存混淆矩阵大致是这样，可能还不完整。
监督分类 实验报告.
监督分类实验报告.本次实验我们研究的是监督分类算法。
监督分类是一种基于训练数据集的分类方法，即通过给定的训练数据集学习构建分类器，再将分类器应用于测试数据集，从而实现对新数据进行分类的过程。
监督分类算法具有广泛的应用，如文本分类、图像分类等领域。
本实验中我们选取了两种常用的分类算法：决策树和朴素贝叶斯分类器。
决策树是一种树状结构，其中每个节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点表示一个类别。
朴素贝叶斯分类器是一种基于概率论的分类器，利用贝叶斯定理来预测给定数据的分类。
我们选取了一个公开数据集Iris（鸢尾花数据集），该数据集包含150个样本，其中每个样本中包含4个特征属性，分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度，以及一个类别属性，分别是setosa、versicolor、virginica三种鸢尾花的类别。
我们选取其中120个样本作为训练数据集，30个样本作为测试数据集。
我们首先使用Python实现了决策树算法和朴素贝叶斯分类器算法。
在训练阶段，我们将训练数据集作为输入，根据算法学习生成决策树或对应的概率模型；在测试阶段，我们将测试数据集的每个样本输入到决策树或概率模型中进行分类，最终统计分类准确率。
在实验中，我们使用了sklearn工具包中的DecisionTreeClassifier和GaussianNB 实现决策树和朴素贝叶斯分类器算法。
我们将数据集中的数据进行了随机划分，80%作为训练集，20%作为测试集，将参数max_depth设置为4。
结果显示，朴素贝叶斯分类器分类准确率达到97.78%，决策树分类准确率达到93.33%。
其具体结果如下表所示：|算法 |分类准确率||--------------|--------||朴素贝叶斯分类器| 97.78% ||决策树 | 93.33% |从结果可以看出，朴素贝叶斯分类器的分类准确率较高，达到了97.78%，而决策树的分类准确率稍低，只有93.33%。
envi监督分类实验报告心得体会
envi监督分类实验报告心得体会我通过对envi, erdas的使用和比较，对两个软件有了初步的了解及认识。
总结一下大概有以下几点感受:
erdas的操作工具有图表显示，初学者上手较快，功能图标使用起来直观方便，易于查找。
Envi 没有erdas的界面友好，而且打开窗口较多且繁琐，窗口最小化以后会出现很多个堆在- -起，查找-一个非常困难。
但是envi操作简单，易学。
Aoi/Roi功能方面: erdas 中AOItool中的工具，对多边形数字化操作提供了方便。
erdas 不能任意删除任意一-层A0I区域，删除任意-一个AOI区域只能用工具箱中的“剪刀”按钮。
Envi 可以使用鼠标中键删除处于编辑状态的一层ROI中的任意一个图形区域。
erdas 中可以通过种子增长方式产生AOI区域,而且允许岛状多边形存在。
ENVI 感兴趣区可以使用一个特定的阈值来“增长”到邻域像元。
影像配准方面: envi 打开- -幅影像同时会出现三个窗口，除了原图像外还包括-一个总体预览-一个局部放大窗口，在配准时这三个窗口相互配合，可以方便选择控制点。
Erdas打开配准对话框后只有一个“局部放大窗口”没有整体预览图，但是可以通过主图像窗口中的功能实现总体预览。
像配准中起到使用方便的功效。
但其他时候觉得比较繁琐。
不如erdas的工具栏中工具实现对图像的缩放及漫游等操作直观方便。
envi监督分类
Envi监督分类简介Envi（ENvironment for Visualizing Images）是一种用于大规模遥感图像分析的软件环境。
它提供了一系列功能强大的工具和算法，用于监督分类、特征提取、变化监测等遥感数据处理任务。
Envi监督分类是其主要功能之一，可以帮助用户实现高精度的地物分类和识别。
监督分类的基本原理监督分类是指利用一组已标记的样本数据来训练分类器，并将该分类器应用于未标记的数据集。
Envi监督分类涉及多种分类算法，如支持向量机（SVM）、随机森林（Random Forest）、神经网络（Neural Network）等。
这些算法可以根据样本数据的特征和类别信息建立数学模型，从而对未知数据进行分类。
Envi监督分类的步骤Envi监督分类主要包括数据准备、样本选择、分类器训练和分类结果评估等步骤。
下面将逐一介绍这些步骤的具体操作。
数据准备首先，用户需要准备用于分类的遥感图像数据。
Envi支持多种格式的遥感图像文件，如TIFF、JPEG等。
用户可以直接将图像文件导入到Envi中，也可以通过Envi的图像处理功能对图像进行预处理，如选择感兴趣区域、裁剪、去噪等。
样本选择样本是监督分类的基础，它是已标记的数据点，每个数据点都包括一组特征和其对应的类别。
在Envi中，用户可以使用绘制工具手动选择样本，也可以通过导入外部样本数据文件来自动选择样本。
在选择样本时，用户应尽量保证样本的代表性和多样性，以提高分类器的泛化能力。
分类器训练样本选择完成后，用户可以利用Envi提供的分类算法对样本数据进行训练，生成分类器模型。
用户可以选择不同的算法和参数来训练分类器，以达到最佳的分类效果。
在训练过程中，Envi会将样本数据划分为训练集和验证集，并根据验证集的分类精度调整模型参数，避免过拟合或欠拟合。
分类结果评估分类器训练完成后，用户可以将其应用于未标记的数据集，获得分类结果。
Envi提供了多种评估方法和指标，包括混淆矩阵、精确度、召回率等，用于评估分类结果的准确性和稳定性。
ENVI中监督分类方法及参数说明
ENVI中监督分类方法及参数说明ENVI 中监督分类方法及参数说明(2011-10-10 09:56:27)标签：转载分类：ENVI/IDL学习原文地址：ENVI中监督分类方法及参数说明作者：ENVIIDL根据分类的复杂度、精度需求等选择一种分类器。
在主菜单->Classification-> Supervised->分类器类型（如表 6.1），此外还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。
表6.1 六种监督分类器说明分类器说明平行六面体（Parallelpiped）根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。
平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。
最小距离（Minimum Distance）利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。
马氏距离（Mahalanobis Distance）计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。
最大似然（Likelihood Classification）假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
神经网络（Neural Net Classification）指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。
监督分类的实验报告
监督分类实验报告一、实验原理：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。
二、实验目的：1、理解监督分类方法的基本原理；2、掌握利用ERDAS进行监督分类的操作流程；3、了解分类后评价过程。
三、实验内容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。
四、实验步骤：1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。
2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、3、2。
3、在Viewer视窗中显示待分类图像。
打开Classification，选择Signature Editor，打开分类模板编辑器。
4、选择Signature Editor窗口的View中的Column，在弹出的View Signature Columns对话框中选择需要显示的字段。
5、在Viewer中点击图标，打开Raster工具面板。
6、单击面板中的图标，在打开的图像中选择水体区域，绘制一个多边形AOI。
7、在Signature Editor对话框中，单击图标，将上一步中建立的多边形AOI区域加载到分类模板中。
8、将上述方法重复进行，共选择10个区域。
9、将上述结果进行综合，将该类的Signature全部选定，然后点击合并图标，得出水体的分类模板，然后依次进行植被、农田、城区的分类模板的建立，方法同上。
10、将上述模板进行保存。
11、进行监督分类，在ERDAS主界面中，单击Classifier中的Supervised Classification，打开Supervised Classification 对话框。
12、在Supervised Classification对话框中，输入参数。
输入文件为tm_bjcity.img，输出文件为tm_bjcity_superclass.img，模板为tm_ssr.sig，分类距离文件为tm_bjcity_superclass_dis.img。
ENVI遥感图像监督分类
ENVI遥感图像监督分类一、监督分类即训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
二、过程（如下图所示）图1 监督分类步骤三、步骤类别定义/特征判别—样本选择—分类器选择—影像分类—分类后处理—精度验证。
第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。
以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。
①在Region of Interest (ROI) Tool面板上，设置以下参数：ROI Name：林地 ROI Color：图2 设置样本参数②默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；③同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；④这样就为林地选好了训练样本。
ENVI中监督分类方法及参数说明
ENVI中监督分类方法及参数说明ENVI是一种远程感知图像处理软件，可以用来进行各种监督分类方法。
监督分类是一种机器学习方法，通过对已知类别的数据进行训练，然后对未知数据进行分类。
在ENVI中，有几种常用的监督分类方法，包括最大似然分类、支持向量机分类、随机森林分类和神经网络分类。
以下是每种方法的详细说明和参数设置。
1.最大似然分类：最大似然分类是一种常用的统计方法，通过假设每个类别的像素值服从特定的概率分布来进行分类。
在ENVI中，最大似然分类可以使用Maximum Likelihood Classification工具实现。
其参数包括：-样本数量：每个类别中用于训练的样本数量。
-逻辑属性：用于定义样本的逻辑属性，例如颜色、纹理、形状等。
-分辨率：输入数据的分辨率。
-类别数量：需要进行分类的类别数量。
2.支持向量机分类：支持向量机分类是一种基于统计学习理论的分类方法，通过寻找数据间的最优超平面来进行分类。
在ENVI中，支持向量机分类可以使用Support Vector Machine Classification工具实现。
其参数包括：-输入数据：需要进行分类的输入数据。
-内核类型：支持线性、多项式和径向基函数等不同类型的内核。
-内核参数：内核函数的参数，例如多项式内核的次数和径向基函数的宽度。
-惩罚参数：控制分类器的容错率和超平面的形状。
3.随机森林分类：随机森林分类是一种基于决策树的分类方法，通过组合多个决策树的预测结果来进行分类。
在ENVI中，随机森林分类可以使用Random Trees Classification工具实现。
其参数包括：-输入数据：需要进行分类的输入数据。
-决策树数量：用于构建随机森林的决策树数量。
-内部节点最小样本数：决定决策树停止生长的最小样本数。
-最大特征数：每个决策树使用的最大特征数量。
-类别权重：用于调整样本不平衡问题的类别权重。
4.神经网络分类：神经网络分类是一种基于神经网络模型的分类方法，通过多个层节点的激活来进行分类。
ENVI中监督分类方法及参数说明
ENVI中监督分类方法及参数说明(2011-10-10 09:56:27)分类：ENVI/IDL学习标签：转载原文地址：ENVI中监督分类方法及参数说明作者：ENVIIDL根据分类的复杂度、精度需求等选择一种分类器。
在主菜单->Classification-> Supervised->分类器类型（如表 6.1），此外还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。
1. 平行六面体（1）在主菜单中，选择Classification->Supervised->Parallelpiped，在文件输入对话框中选择TM分类影像，单击OK按钮打开Parallelpiped参数设置面板（图6.4）。
（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Set Max stdev from Mean：设置标准差阈值，有三种类型：l None：不设置标准差阈值；l Single Value：为所有类别设置一个标准差阈值；l Multiple Values：分别为每一个类别设置一个标准差阈值。
选择Single Value，值为3。
（4）单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（5）选择分类结果的输出路径及文件名。
（6）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（7）单击OK按钮执行分类。
图6.4 平行六面体分类器参数设置面板2. 最小距离（1）在主菜单中，选择Classification->Supervised-> Minimum Distance，在文件输入对话框中选择TM分类影像，单击OK按钮打开Minimum Distance参数设置面板（图6.5）。
ENVI监督分类制图操作
案例二：农业用地监督分类制图
总结词
农业用地监督分类制图是利用 ENVI软件对农业用地进行分类和 制图的过程。
详细描述
通过遥感影像数据，提取农业用 地的信息，包括耕地、林地、草 地等，进行分类和制图，为农业 管理和资源调查提供基础数据。
案例三：自然保护区植被类型监督分类制图
总结词
自然保护区植被类型监督分类制图是利用ENVI软件对自然保护区内的植被类型进 行分类和制图的过程。
通过遥感图像监督分类，可以快速获取地物类型的分布和变化信息，为决策提供科 学依据。
与非监督分类相比，监督分类具有更高的分类精度和可靠性，能够更好地满足实际 应用的需求。
02
ENVI软件概述
ENVI软件简介
ENVI（Environmental Workbench）是一款由美国Harris公 司开发的遥感图像处理软件，广泛应用于环境监测、自然资源 管理、城市规划等领域。
最大似然概率分类
最大似然概率分类是一种常用的监督分类方法，其基本思想是假设各类别的概 率分布函数为正态分布，然后根据训练样本计算出各类别的均值和方差，最后 对待分类图像进行概率计算，将其归入概率最大的类别。
监督分类流程
特征提取
对待分类图像进行特征提取， 提取出与分类相关的特征值。
分类
将待分类图像的特征值输入到 训练好的分类器中，得到分类 结果。
详细描述
通过遥感影像数据，提取自然保护区内的植被信息，包括森林、草地、灌丛等， 进行分类和制图，为自然保护区管理和生态保护提供基础数据。
07
总结与展望
总结
操作流程
监督分类制图是遥感图像处理中的重 要步骤，其操作流程包括数据预处理 、选择训练样本、训练分类器、分类 后处理等步骤。通过这些步骤，可以 有效地将遥感图像中的不同地物进行 分类，并生成专题地图。
ENVI中监督分类方法及参数说明
ENVI中监督分类⽅法及参数说明ENVI 中监督分类⽅法及参数说明(2011-10-10 09:56:27)标签：转载分类：ENVI/IDL学习原⽂地址：ENVI中监督分类⽅法及参数说明作者：ENVIIDL根据分类的复杂度、精度需求等选择⼀种分类器。
在主菜单->Classification-> Supervised->分类器类型（如表 6.1），此外还包括应⽤于⾼光谱数据的波谱⾓（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和⼆进制编码（Binary Encoding Classification）分类⽅法。
分类器说明平⾏六⾯体（Parallelpiped）根据训练样本的亮度值形成⼀个n维的平⾏六⾯体数据空间，其他像元的光谱值如果落在平⾏六⾯体任何⼀个训练样本所对应的区域，就被划分其对应的类别中。
平⾏六⾯体的尺度是由标准差阈值所确定的，⽽该标准差阈值则是根据所选类的均值求出。
最⼩距离（Minimum Distance）利⽤训练样本数据计算出每⼀类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中⼼位置，计算输⼊图像中每个像元到各类中⼼的距离，到哪⼀类中⼼的距离最⼩，该像元就归⼊到哪⼀类。
马⽒距离（Mahalanobis Distance）计算输⼊图像到各训练样本的马⽒距离（⼀种有效的计算两个未知样本集的相似度的⽅法），最终统计马⽒距离最⼩的，即为此类别。
最⼤似然（Likelihood Classification）假设每⼀个波段的每⼀类统计都呈正态分布，计算给定像元属于某⼀训练样本的似然度，像元最终被归并到似然度最⼤的⼀类当中。
神经⽹络（Neural Net Classification）指⽤计算机模拟⼈脑的结构，⽤许多⼩的处理单元模拟⽣物的神经元，⽤算法实现⼈脑的识别、记忆、思考过程应⽤于图像分类。
ENVI软件基础知识以及监督分类详细步骤
ENVI软件基础知识以及监督分类详细步骤Ⅰ.软件的基本操作ENVI主⼯具条：1．图像的输⼊与输出.⾸先启动ENVI, 选择File- Open Image File,出现Enter DataFilename 对话框，选择⽂件的正确路径，点击⽂件名，再点击“OK”打开⽂件。
2．在打开的Available Band List 菜单中，可以显⽰图像的各个波段的基本信息，其中“Gray Scale”为灰⾊显⽰，“RGB Color”为彩⾊合成，并且可以选择彩⾊合成的波段，单击“Load”就可显⽰图像，打开的图像由三部分组成：Scroll（滚动）窗⼝、主图像窗⼝、以及缩放（Zoom）窗⼝, 可以使⽤多个显⽰窗⼝组，组中每个窗⼝的⼤⼩都可以调整。
其中菜单中的“New Diaplay”可以打开⼀个新的图像。
3．在“Available BandsList”菜单中选择“Available Files List”还可以可以显⽰出遥感图像的基本信息，具体如图所⽰：4.若要保存图像，需要在图像所在窗⼝中选择File-Save Image As-Image File，弹出Output Display to ImageFile 对话框。
对于单波段图像，选择8-bit Color，⽽多波段彩⾊合成图像则选择24-bit Color图像的保存⽅式有两种：⼀是直接保存为⽂件；⼆是选“Memory”，记忆在“Available BandsList”菜单中。
Ⅱ.图像增强与变换⼀．空间域增强1.线性变换线性拉伸：线性拉伸的最⼩和最⼤值分别设置为0 和255，两者之间的所有其它值设置为中间的线性输出值，选择Stretch_Type > Linear Contrast Stretch。
分段线性拉伸：分段线性对⽐度拉伸可以通过使⽤⿏标在输⼊直⽅图中放置⼏个点进⾏交互地限定。
当在点之间提供线性拉伸时，线段在点处连接起来，选择Stretch_Type > Piecewise Linear。
监督分类实习报告
随着遥感技术的飞速发展，遥感图像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
为了提高遥感图像分类的准确性和效率，我参加了为期一个月的监督分类实习，旨在学习遥感图像处理与分析的基本原理，掌握监督分类方法，并应用于实际项目中。
二、实习内容1. 遥感图像处理基础实习初期，我学习了遥感图像处理的基本原理，包括图像的几何校正、辐射校正、增强处理等。
通过实际操作，我掌握了ENVI、ArcGIS等软件的基本操作，能够对遥感图像进行预处理。
2. 监督分类方法学习在了解了遥感图像处理的基础知识后，我重点学习了监督分类方法。
实习期间，我学习了最大似然法、支持向量机（SVM）等常用的监督分类方法。
通过实际操作，我了解了不同分类方法的特点和适用场景。
3. 实际项目应用在实习的最后阶段，我参与了实际项目的监督分类工作。
该项目旨在利用遥感图像对某地区进行土地利用分类。
在导师的指导下，我选取了合适的训练样本，运用SVM方法对遥感图像进行了分类，并对分类结果进行了精度评估。
三、实习成果1. 理论掌握通过实习，我对遥感图像处理与分析的基本原理有了更深入的了解，掌握了监督分类方法，为今后的工作打下了坚实的基础。
2. 实践能力提升在实习过程中，我学会了使用ENVI、ArcGIS等软件进行遥感图像处理与分析，提高了自己的实践能力。
3. 项目经验积累通过参与实际项目，我积累了项目经验，学会了如何将理论知识应用于实际工作中。
1. 理论与实践相结合实习过程中，我深刻体会到理论与实践相结合的重要性。
只有将理论知识应用于实践，才能真正掌握遥感图像处理与分析技术。
2. 团队协作精神在实习过程中，我学会了与团队成员沟通协作，共同完成项目任务。
3. 不断学习遥感图像处理与分析技术发展迅速，作为一名实习生，我深知自己需要不断学习，才能跟上时代发展的步伐。
五、总结本次实习让我受益匪浅，不仅提高了自己的专业素养，还积累了宝贵的实践经验。
在今后的学习和工作中，我将继续努力，为遥感图像处理与分析领域的发展贡献自己的力量。
遥感监督分类实习报告
实习报告：遥感监督分类实习一、实习目的本次遥感监督分类实习的主要目的是通过实际操作，掌握遥感监督分类的基本原理和方法，提高对遥感影像进行分类和解析的能力。
通过实习，我们希望能够学会使用遥感相关软件对遥感影像进行处理和分析，掌握遥感野外调查的方法和注意事项，以及根据土地利用现状分类标准对遥感影像进行目视解译和划分，最终制作出土地利用现状分类专题图。
二、实习内容（一）遥感影像处理1. 遥感影像预处理：我们在envis软件中进行遥感影像的预处理，包括辐射校正和几何校正。
辐射校正主要进行传感器校正、大气校正、太阳高度及地形校正。
几何校正是指纠正由系统或非系统因素引起的图像几何变形。
我们将实习所用到的遥感图像坐标系确定为UTMWGS84坐标系。
2. 遥感影像裁剪：我们使用envis软件中的感兴趣区域选取功能，对预处理过的遥感影像进行裁剪，选取出本次实习的区域范围。
（二）外业建标调查1. 建立目视解译标志：我们根据《土地利用现状分类-GB2007》标准，对所调查区域的遥感影像地物进行初步目视解译、划分，从而建立外业目视解译标志表。
2. 野外调查：我们根据建立的目视解译标志，进行野外调查，验证和解译遥感影像中的地物类别。
（三）遥感影像的监督分类1. 训练样本选择：我们根据野外调查的结果，选择代表性的训练样本，用于遥感影像的监督分类。
2. 监督分类：我们使用ENVI软件中的监督分类功能，对遥感影像进行分类。
在分类过程中，我们根据训练样本的特点，选择合适的分类算法和参数。
3. 分类结果评估：我们使用混淆矩阵和Kappa系数等指标，对监督分类的结果进行评估，以判断分类的精度。
三、实习总结通过本次遥感监督分类实习，我们掌握了遥感影像处理的基本方法，学会了使用envis和ENVI等软件进行遥感影像的预处理、裁剪和监督分类。
同时，我们也学会了如何进行野外调查和目视解译，以及如何选择训练样本和评估分类结果。
通过实习，我们对遥感监督分类的原理和方法有了更深入的了解，提高了实际操作能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ENVI监督分类报告
1、打开图像，查看基本信息
打开ENVI 软件，点击主菜单中的File –>Open Image File，打开“原始数据.img”文件，如下图所示。
点击“Map Info”可以查看影像得坐标系，分辨率等信息；点击RGB Color，R、G、B 分别是Layer3、Layer2、Layer1则以真彩色显示，R、G、B分别是Layer4、Layer3、Layer2则以标准假彩色显示，即红色通道显示近红外波段数据、绿色通道显示红色波段数据、蓝色通道显示绿色波段数据，这种情况下植被呈现红色。
2、监督分类
2.1定义训练样本
选择Basic Tools –> Region of Interest –> ROI Tool 来定义训练样本。
目视解译出五类地物：植被、水产、建筑物、水体、道路。
（1）用ROI Tools 创建感兴趣区如下图所示：
（2）评价训练样本：选择Options——Compute ROI Separability。
2.2执行监督分类
选择Classification－>Supervised－>[method]。
选最大似然法。
完成后加载新图：
2.3分类后处理
掩模截取广州市地区后，更改类别颜色，在主图像窗口中的显示菜单里，选择Tools > Color Mapping > Class Color Mapping，分别选取颜色。
3.地图制图
在影像窗口中，选择File->QuickMap->New QuickMap。
做相应设置，出图。