Erdas监督分类步骤
监督分类及矢量化
遥感影像监督分类及矢量化1.定义分类模板（Define Signature Using signature Editor）第一步：显示需要进行分类的图像在视图中显示\germtm.img（Red4／Grean5／B1ue3、选择Fit to Frame，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→Signature Editor 菜单项→Signature Editor 对话框。
第三步：获取分类模板信息可以分别应用 AOI 绘图工具、AOI 扩展工具、查询光标等三种方法，这里我们采用 AOI 绘图工具获取分类模板。
在显示有 germtm.img 图像的视窗：→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→在视窗中选择红色区域，绘制一个多边形 AOI→在 Signature Editr 对话框，点击图标，将多边形AOI 区域加载到 Signature 分类模板中→在 Signature Editor 中，改变刚才加入模板的Signature Name 和 Color。
→重复上述操作过程以多选择几个蓝色区域AOI,并将其作为新的模板加入到 Signature Editor 当中，同时确定各类的名字及颜色。
如果对同一个专题类型（如水体）采集了多个 AOI 并分别生成了模板，可以将这些模板合并，以便该分类模板具多区域的综合特性。
具体做法是在 Signature Editor 对话框中，将该类的 Signature 全部选定，然后点击合并图标这时一个综合的新模板生成，原来的多个 Signature 同时存在（如果必要也可以删除）。
第四步：保存分类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 Signature Editor 对话框菜单条：File →Save →打开 Save Signature File As 对话框 →确定是保存所有的模板还是只保存被选中的模板 →确定文件的目录和名字（Sjg 文件） →点击 OK 按钮。
erdas监督分类
监督分类
1.选择“Classifier—Signature Editor”
打开“Raster--Tools”
在图像上采样，每种地物类型采样5-8次，添加到上述编辑器中，然后将同类地物合并。
合并后的编辑器显示为：
选择编辑器上方窗口“分类——监督分类”
2.重分类
选择“Interpreter—GIS Analysis--Recode”
在Set Recode中将同一类地物赋予相同的值。
3.去除小图斑
选择“Interpreter—GIS Analysis --Clump”.
选择“Interpreter—GIS Analysis--Eliminate”
得到的图像为：
精度评价
打开原图：
选择“Classifier—Accuracy Assessment”.
在对话框中，打开监督分类后的图像，关联原图。
选择“Edit—Create\Add Random Points”
选取前10个，选择“View—Show Current Selection”将每个点对应的地物类型写在Reference。
依次选取其他的点。
生成报告，选择Report。
Error Matrix
Accuracy Total
Kappa Statistics。
Erdas监督分类步骤
遥感图像分类的原理基本原理监督分类中常用的具体分类方法包括：最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。
最小距离分类包括最小距离判别法和最近邻域分类法。
最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。
最近邻域分类法是上述方法在多波段遥感图像分类的推广。
在多波段遥感图像分类中，每一类别具有多个统计特征量。
最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。
最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
多级切割分类法（multi-level slice classifier）：是根据设定在各轴上值域分割多维特征空间的分类方法。
通过分割得到的多维长方体对应各分类类别。
经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。
这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。
多级切割分类法要求训练区样本选择必须覆盖所有的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。
多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。
由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。
但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。
因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。
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。
监督分类与专题制图(Erdas)
遥感实验报告实验目的：掌握遥感图像计算机分类的基本原理以及监督分类方法，掌握分类后处理方法、分类精度评价及专题地图制作。
实验内容：1、遥感图像计算机监督分类2、分类后处理3、分类精度评价4、专题图制作实验方法和步骤：实验方法：在监督分类的过程中，首先借助或者识别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该特性的像元。
对分类结果进行评价后在对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上进行最终分类。
实验步骤：1.定义分类模板2.精度评价3.进行监督分类4.评价分类结果5.分类后处理6.专题制图实验的过程和结果：(一)监督分类1.定义分类模板第一步：打开分类的图像，南宁市1990年9月16日TM，目视判断该遥感图像中南宁市土地利用类型，确定土地利用分类体系为：耕地、灌草地、林地、水域、建设用地、裸地。
如图1-1：图1-1第二步：打开模板编辑器并调整显示字段点击主菜单上的classifier打开classification对话框,选择signature editor。
如图1-2：图1-2第三步：获取分类模板信息，点击AOI，利用AOI-tools中的多边形工具绘制某一地类的样区。
将画好的耕地AOI添加到模板。
signature editor-edit-add.如图1-3,1-4：图1-3图1-4重复步骤第三步，在图中采集多个耕地样本。
选择所有耕地样本模板，按merge 按纽合并这组分类模板。
合并后将模板取名为耕地。
利用同样的方法，依次做好其灌草地、林地、水域、建设用地、裸地土地覆盖类型模板。
如图1-5：图1-5第四步：保存分类模板。
2 .评价分类模板第一步：点signature editor-Evaluate-contingency，利用可能性矩阵方法评价分类模板精度。
达到90以上即为精度满足要求，否则重新选择训练样区，再次进行精度评价，直到精度满足。
Erdas监督分类步骤
遥感图像分类的原理监督分类流程图（Erdas环境）在专业遥感图像处理软件Erdas环境下，监督分类的流程图可以表示如下：图2-1 监督分类流程图监督分类注意事项（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。
（2）每一类的训练区文件aoi与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。
（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。
监督分类过程示例1．图2-2为某地TM遥感影像，432波段假彩色合成。
图2-2TM影像（432波段合成）2．确定分类类别通过色调、纹理等图像特征，确定该区域分类类别为水体，植被和滩涂。
各类分类特征如表2-1所示。
表2-1 分类特征3．为每一类选择训练区及特征文件（1）AOI操作工具简介在Viewer窗口中选择“AOI”→“Tools…”，调出AOI（Area Of Interest，感兴趣区）浮动工具栏（如图2-3所示）。
图2-3AOI浮动工具栏其中较为常用的工具按钮为：（2）特征文件操作工具简介特征文件从AOI区域中获得。
使用“Erdas”→“Classifier”→“Signature Editor”，调出特征文件编辑器，如图2-4所示。
图2-4 特征文件编辑器其中较为常用的工具为：打开一个特征文件。
新建一个特征文件/打开新的特征文件编辑器。
添加选中的AOI 的特征到特征文件中。
使用选中的AOI特征替换当前特征。
合并选中的特征文件中的特征到一个特征。
一般建立特征文件的步骤是，在Viewer窗口中使用AOI工具勾画感兴趣区，使用把该AOI区域中的特征添加到特征文件中。
也可以选中多个AOI批量添加到特征文件图2-5中。
（2）为各类别建立训练区文件和特征文.件。
把遥感影像放大到像元级，选择矩形AOI选择工具，根据建立的判读标识，在遥感影像上选择AOI区域，然后使用依次图2-6 添加特征到特征文件中。
监督与非监督ENVI及ERDAS操作步骤
非监督分类1、在ERDAS中裁剪出一部分的区域进行分类，利用AOI工具进行裁剪，另存裁剪的区域。
2、在ENVI中打开裁剪的区域dsb.img在Basic Tool菜单下Region of Interest工具打开ROI Tool新建类别名，由于裁剪的区域没有森林，所以共分五类：水体、耕地、城市、裸地、草地。
分别给予不同颜色。
3、在Zoom 窗口中进行采样即采集训练区。
采样前先判读熟悉影像，在采集样本时注意：采取训练区内颜色越纯越好。
4、采集完训练区后在Classification 菜单下选择Supervised ，利用Maximun Likelihood （最大似然法）进行非监督分类。
5、在分类中遇到的问题①进行第一次分类的结果是城市中的道路被归为了水体， 改进办法：更改城市的训练区样本，对城市的采样除了取建筑物的样本还应在城市的街道处采取几个样点，然后再进行第二次分类。
②第二次分类的结果是部分休耕（收割后）的耕地归为了城新建类别名市区域。
因为该影像是2000年9月14日的影像，故部分耕地已收割休耕，在原图上表现为规则的深紫色，我将其归为耕地。
改进方法：增加耕地的训练区的样本，在颜色为深紫色的的区域采取几个样本点作为耕地的训练区。
③第三次分类的结果是发现河流两岸的落地被归为了城市改进方法：增加裸地的训练区样本。
在河流两岸处选取几个样本做为裸地训练区。
第一次分类的结果：其中：水体耕地城市草地裸地第二次分类结果：其中：水体耕地城市草地裸地第三次分类结果：其中：水体耕地城市草地裸地。
遥感图像分类---监督分类
实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。
二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。
三、实验原理监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。
常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。
最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。
其前提是假定训练区地物的光谱特征近似服从正态分布。
训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。
四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。
按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。
点击Apply按钮，点击Close按钮。
从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。
(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。
在待分类图像视窗上选择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→在视窗中选择一类地物，绘制一个多边形AOI。
利用erdas监督分类提取城镇信息
利用Erdas监督分类提取城镇用地信息一、打开erdas，分波段加载landsat TM 影像信息，并转成img图像格式文件。
1.打开erdas，点击viewer打开新窗口，点击打开图标，选择要加载的一个波段的tif图像，点击OK。
2.点击主窗口File——Save——Top Layer As…，在跳出的Save窗口中点击，在跳出的Save as 窗口选择保存路径，命名文件名，点击OK。
再点击小窗口的OK，开始转换，完成后点OK.。
3.依次进行1和2步骤，把遥感影像各波段tif格式转换给img格式。
二、融合各波段文件为一个整文件。
点击主菜单栏上的Inerpreter——Utilities——Layer Stack，跳出Layer Selction and Stacking对话框。
在此对话框中，逐次点击Input File和Add加载各波段img文件。
在Output File中选择保存路径，命名文件。
勾选上Ignore Zero in Stats. 点击OK。
三、打开融合后的img 文件，查看波段组合：点击Raster ——Band Combinations ，默认为4、3、2波段的组合。
1.画出感兴趣区：点击主窗口菜单栏上的AOI——Tools，用画出感兴趣区。
命名文件名，点击OK保存。
3.利用AOI文件裁切感兴趣区图像：点击主菜单上的Dataprep——Subset Image，在跳出的Subset对话框中选择Input File（为前面融合的多波段img文件），设置Output File的路径和文件名，选择上一步设置好的AOI文件。
点击OK，运行。
四、设置监督分类特征文件。
1.点击主菜单上的Classifer ——Signature Editor ，跳出Signature Editor 面板。
点击主窗口菜单栏上的AOI ——Tools ，用多边形工具画出一类用地的训练区，点击加入特征文件编辑面板。
Erdas监督分类步骤
遥感图像分类的原理监督分类流程图（Erdas环境）在专业遥感图像处理软件Erdas环境下，监督分类的流程图可以表示如下：图2-1 监督分类流程图监督分类注意事项（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。
（2）每一类的训练区文件ao i与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。
（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。
监督分类过程示例1．图2-2为某地TM遥感影像，432波段假彩色合成。
图2-2 TM影像（432波段合成）2．确定分类类别通过色调、纹理等图像特征，确定该区域分类类别为水体，植被和滩涂。
各类分类特征如表2-1所示。
表2-1 分类特征3．为每一类选择训练区及特征文件（1）AOI操作工具简介在Viewe r窗口中选择“AOI”→“Tools…”，调出AOI（Area Of Intere st，感兴趣区）浮动工具栏（如图2-3所示）。
图2-3 AOI浮动工具栏其中较为常用的工具按钮为：（2）特征文件操作工具简介特征文件从A OI区域中获得。
使用“Erdas” →“Classi fier” →“Signat ure Editor”，调出特征文件编辑器，如图2-4所示。
图2-4 特征文件编辑器其中较为常用的工具为：打开一个特征文件。
新建一个特征文件/打开新的特征文件编辑器。
添加选中的A OI的特征到特征文件中。
使用选中的A OI特征替换当前特征。
合并选中的特征文件中的特征到一个特征。
一般建立特征文件的步骤是，在Viewe r 窗口中使用AOI工具勾画感兴趣区，使用把该AOI区域中的特征添加到特征文件中。
遥感图像的监督分类实验报告
实验报告实验名称：遥感图像的几何校正课程名称：《遥感导论》教师：院系：矿业工程学院班级：姓名：遥感图像的监督分类实验报告一、实验目的理解遥感图像计算机分类的原理和方法；掌握监督分类的步骤和方法。
二、实验环境操作系统：windows 8.1软件：ENVI 4.3三、实验内容ERDAS软件中遥感图像监督分类实验步骤：1.训练样本的提取（ROI区的选择）ENVI: Basic Tools >> Region Of Interest>> ROI tool调出感兴趣区工具窗口进行样本选择（注意：必须事先打开一幅图像），可以进行样本编辑（名称，颜色，填充方式等），样本选择越精确，分类结果越好。
各类地物的解译标志，即地物明显的影像特征---色调、纹理等，通过目视解译方法用鼠标在工作区影像图上选择其训练区，并使训练区的分布尽量均匀。
在实际的工作中，由于存在“同物异谱”的情况，因此对于同一种类型可能有多种不同的特征。
为此，我们可以对同一地物选择多个训练区，分类后再合并。
2.影像分类选择maximum likelihood 分类方法。
主菜单下选择Classification > Supervised > Smaximum likelihood 。
按照默认设置参数输出分类结果。
3.分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
（1)更改类别颜色可以在Interactive Class Tool 面板中，选择Option->Edit class colors/names 更改，也可以在Display->Color Mapping->Class Color Mapping。
如下图所示，直接可以在对应的类别中修改颜色。
分类统计分析主菜单->Classification->Post Classification->Class Statistics。
监督分类实验报告ERDAS
遥感影像的监督分类实验一、实验目的理解遥感影像监督分类的基本原理；掌握利用ERDAS软件进行遥感影像监督分类的方法和基本流程。
二、实验准备Lanier湖地区原始遥感影像数据、ERDAS2013三、基本原理首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本观测值求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。
四、操作过程1.原始遥感影像图的导入打开ERDAS2013软件→File →Open →Raster Layer →选择原始影像图文件→OK2.分类样本的选取在软件上方工具栏中点击“Raster”→Supervised →Supervised Editor →点击软件上方工具栏中的“Drawing”→在“Insert Geometry”功能区中选择不同的框选方式→选定框选方式后，在原始影像图中框定欲选择的样本区域→点击弹出窗口工具栏中的→每个类别重复上述操作选定多个样本区域→同时选定设定好的同类样本的多个区域，点击工具栏中的即将同类样本进行合并→将合并前的类别同时选定，点击鼠标右键，点击“Delete Selection”对其进行删除→点击“Signature Name”列修改所选定类别的名字，点击“Color”列修改所选定类别的颜色→重复操作至选择完所有类别3.分类样本的精度评定和样本保存点击弹出窗口的工具栏中的“Evaluate”→Contingency →在“Non-parametric Rule”中选择“Feature Space”→勾定“Use Probabilities”、“Pixel Counts”、“Pixel Percentages”→查看每类样本的精度，对精度不高的样本进行重新选择，直至所有样本符合精度要求→File →Save As →选择样本文件的保存位置，设置文件名→OK4.原始影像的监督分类在软件上方工具栏中点击“Raster”→Supervised →Supervised Classification →选定样本文件和设置欲保存的分类后文件的存放位置及文件名→OK →完成后点击“Close”5.分类后图像的目视检查”打开“ERDAS2013”软件→File →Open →Raster Layer →选择新输出的已分类图像文件→OK →File →Open →Raster layer →选择原始影像文件→点击界面上方的“Raster Options”→取消勾选“Clear Display”→OK在将两幅图放在同一个View界面后，点击软件上方工具栏中“Home”→点击“Swipe”使原始影像产生卷帘效果，然后通过目视进行定性检验分类的效果。
erdas使用详细操作
erdas专题制图详细操作实验数据：1、裁剪144029(行列号)所需矢量文件2、卫星影像：LE71440292000188SGS01（数据获取来源为usgs网站：/下载所得。
）初步查看分析影像信息：首先在erdas中用tiff格式打开我们下载的影像:点击查看我们下载的影像的信息：可以看到我们下载的影像的分辨率，投影信息等。
图片格式转换：过程如下：在import\expot窗口中：这里的Type我们可以选择tiff 也可以选择geotiff，本人尝试过，选择这两种任意一种类型对输出影像几乎没有区别。
（其区别还有待查证）以此方法，将七个波段的.tiff影像图都转换成.img格式的影像。
由于band8 为全色影像，我们的实验中不需要用它，所以这里我不进行转换了。
只转换以下七个波段即可。
波段组合：将七个波段组合成.img文件设置完毕点OK。
于是我们就得到了.img格式的影像文件。
几何精校正:前面已经知道这张影像的地理信息了，为了验证其实图片投影大致的准确性，我们可以进行几何精校正进行验证。
几何精校正校正过程如下：这里我们使用多项式几何校正。
其中，多项式变换（Polynomial）在卫星图像校正过程中应用较多，在调用多项式模型时，需要确定多项式的次方数（Polynomial Order），通常整景图像选择3次方。
次方数与所需要的最少控制点数是相关的，最少控制点数计算公式为(（t+1）*(t+2))/2,式中t为次方数，即1次方最少需要3个控制点，2次方最少需要6个控制点，3次方至少需要10个控制点，依次类推。
设置完毕点close。
会弹出GCP Tool Refrence Setup窗口。
由于我们要使用的是谷歌上的数据，因此我们要选择用键盘输入。
确认信息:信息正确，点OK。
在谷歌中设置：菜单栏中：工具->选项3D视图选项卡中，显示纬度\经度项中使用通用横轴墨卡托投影。
设置完后点应用和确定即可。
在谷歌中以及卫星影像中分别选取同名点，找到后，点击中的（或者点击窗口中的均可。
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。
监督分类、非监督分类操作手册
ERDAS IMAGINE Professional 操作手册—监督分类和非监督分类图像分类简介：图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。
非监督分类运用1SODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。
使用该方法时。
原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
监督分类比非监督分类更多地要求用户来控制，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、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。
由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification 菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。
ERDAS操作技巧
加载波段成影像：interpreter---utilities---layer stackERDAS 操作小技巧：1、配准影像图：从Viewer 中 打开两幅图（一幅参照，一幅配准） 从菜单栏Raster 中 选Geometric correction （几何校正） 在Set Geometric Model 中选Polynomial ，后点击ok ，打开Polynomial Model Properties 对话框，在Parameters 中Polynomial Order （多项式次方）中选1或2[最少GCP 公式：2)2)(1++n n （]，在Projection （投影参数）中Map Units 选Meters 点击Add/Change Projection 在Custom 中选择所需的Projection Type ，Spheroid Name ，Datum Name ，Scale factor at central meridian ，Longitude of central meridian （可以参考参照图中Imagine info 中的信息），Latitude of origin of projection ，False easting （一般选500000meters ），False northing （一般忽略为零），点击Ok Set Projection from GCP Tool 中选择Collect Reference Point From （选择视窗采点模式）中的 Existing Viewer 选项，Ok 。
RMS 误差(均方根)=22)()i r i r y y x x -+-（这里：x i 和y i 是输入的原坐标；x r 和y r 是逆变换后的坐标定义：RMS 误差是指GCP 的输入（原）位置和逆变换的位置之间的距离（或者说是在用转换矩阵对一个GCP 作转换时，所期望输出的坐标与实际输出的坐标之间的偏差）。
erdas监督分类
1.1.打开影像图
1.2.打开旗县界矢量图并选择呼和浩特
1.3.将选择目标生成 AOI
1.4.选择此AOI
1.5.点击主菜单中的data prep 弹出对话框：
选择subset image
1.6.填写subset对话框后完成切图
图
原 图 名 及 路 径
1.7.切好以后的图：
1.8.点击主菜单上的classifier打开classification对话框 选择signature editor
பைடு நூலகம்
二：监督分类 2.1.制作分类模板 2.1.1打开signature editor 对话框
2.1.2.以水体为例在viewer里建立感兴趣区
2.1.3点击添加按纽将感兴趣区添加到模板
2.1.8分类后的图像
2.2.分类后处理 2.2.1 聚类统计
2.2.2去除分析
前后效果对比
3.处理好的图像转为矢量图
3.2纠正拓扑关系
3.3在arcview里把coverage格式转为shp
3.4增加一个字符型新字段
3.5添加记录
3.6用分类类型名称替代记录里的灰度值
2.1.4 重复步骤2.1.3在 图中采集多个水体 样本。 选择这几个水 体模板，按merge 按纽合并这组分类 模板。 合并后将模板 取名为水体。
2.1.5 重复2.1.3和2.1.4依次做好其它土地覆盖类型 模板。
2.1.6点击supervised开始监督分 类
2.1.7添写supervised classification对话框后运行分类
图示监督分类ERDAS9.2
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
4、选取样本 （1）产生AOI（4种方式）
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
4、选取样本 （2）建立分类模板
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
遥感原理与应用
实习三 遥感图像计算机分类
6、评价分类模板
2）可能性评价 各类型分类结果的 正确率大于85% 就可认为结果令 人满意。
西北大学城市与环境学院 谢元礼
遥感原理与应用Leabharlann 实习三 遥感图像计算机分类
6、评价分类模板
3）分类的分离性
选择两种分离性的考察类型
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
6、评价分类模板
3）分类的分离性 其它类型的分离 性分析参照此 方法。 分离度值大于 1700时可令人 接受。
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
7、分类运算
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
8、精度评价
5、保存分类模板
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
6、评价分类模板 对分类模板需要进行分类预警评价、可能性评价和分类的分 离评价 1）分类预警评价
西北大学城市与环境学院 谢元礼
遥感原理与应用
实习三 遥感图像计算机分类
6、评价分类模板 1）分类预警评价
监督分类步骤
监督分类步骤
监督分类是一种机器学习方法，其中模型通过学习已标记的训练样本来预测未标记数据的类别。
监督分类通常涉及以下步骤：
1. 数据收集：首先需要收集相关数据，这些数据应该代表你想要分类的问题。
2. 数据预处理：在训练模型之前，通常需要对数据进行清洗和格式化。
这可能包括去除异常值、填充缺失值、数据标准化、特征选择和降维等。
3. 特征提取：从原始数据中提取有用的信息以作为特征，用于训练分类器。
这个过程可能需要领域知识来完成。
4. 划分数据集：将数据集分为训练集和测试集（有时还包括验证集）。
训练集用于训练模型，测试集用于评估模型性能。
5. 选择模型：根据问题的性质和数据的特点选择一个或多个分类算法。
常见的分类算法包括决策树、随机森林、支持向量机、逻辑回归、神经网络等。
6. 训练模型：使用训练集来训练选定的分类算法。
这个过程中，模型会学习如何将输入特征映射到相应的输出类别。
7. 模型评估：使用测试集来评估模型的性能。
常用的评估指标包括准确率、召回率、精确度、F1分数、混淆矩阵等。
8. 参数调优：根据模型评估的结果，调整模型参数或选择不同的算法来改善模型性能。
9. 模型部署：一旦模型经过充分训练并且评估结果令人满意，就可以将其部署到实际应用中，用于对新的、未标记的数据进行分类。
10. 监控和维护：在模型部署后，需要定期监控其性能，以确保其仍然准确有效。
如果模型性能下降，可能需要重新训练或调整。
监督分类是一个迭代过程，可能需要多次循环这些步骤，以达到最佳的分类效果。
- 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)。
遥感图像分类的原理
监督分类流程图（Erdas环境）
在专业遥感图像处理软件Erdas环境下，监督分类的流程图可以表示如下：
图2-1 监督分类流程图
监督分类注意事项
（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。
（2）每一类的训练区文件aoi与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。
（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。
监督分类过程示例
1．图2-2为某地TM遥感影像，432波段假彩色合成。
图2-2 TM影像（432波段合成）
2．确定分类类别
通过色调、纹理等图像特征，确定该区域分类类别为水体，植被和滩涂。
各类分类特征如表2-1所示。
表2-1 分类特征
3．为每一类选择训练区及特征文件
（1）AOI 操作工具简介
在Viewer 窗口中选择“AOI ”→“Tools…”，调出AOI （Area Of Interest ，感兴趣区）浮动工具栏（如图2-3所示）。
图2-3 AOI 浮动工
具栏
其中较为常用的工具按钮为：
（2）特征文件操作工具简介
特征文件从AOI区域中获得。
使用“Erdas” →“Classifier” →“Signature Editor”，调出特征文件编辑器，如图2-4所示。
图2-4 特征文件编辑器
其中较为常用的工具为：
打开一个特征文件。
新建一个特征文件/打开新的特征文件编辑器。
添加选中的AOI的特征到特征文件中。
使用选中的AOI特征替换当前特征。
合并选中的特征文件中的特征到一个特征。
一般建立特征文件的步骤是，在Viewer 窗口中使用AOI工具勾画感兴趣区，使用把该AOI区域中的特征添加到特征文件中。
也可以选中多个AOI批量添加到特征文
件中。
（2）为各类别建立训练区文件和特征文件。
把遥感影像放大
到像元级，选择矩形AOI选择工具，根据建立的判读标识，在遥感影像上选择AOI区域，然后使用依次添加特
征到特征文件中。
（注：作为示例，本例选择3图2-5 图
2-6
个AOI区域，且没有细
分小类。
）选择完成的
AOI区域和特征文件如
图2-5和图2-6所示。
分别保存为“水
体.aoi”和“水
体.sig”。
在Viewer窗口中
使用去除已经保
存完毕的AOI图层，重
新选择其他类别的训
练区，并建立新的特征
文件。
分别保存为“植
被.aoi”和“植
被.sig”；“滩
涂.aoi”和“滩
涂.sig”。
（3）合并特征文件
在各个类别的特征文件建立完毕后，需要合并成为一个总体特征文件。
新建一个特征文件编辑器，选择打开保存的“水体.sig”文件。
注意选择
“Append”（添加）把特征文件添加进来，而非“Replace”（替换）。
如图2-7所示。
图2-7 添加特征文件
把水体特征文件添加进来之后，全部选中所有的特征，如图2-8所示。
图2-8 选中所有特征
使用工具，把选中的水体的所有特征合并为一个总体的水体特征，右单击“Class#”列表，选择“Delete Selection”删除原有特征如图2-9所示。
图2-9 删除原有特征
重命名总体水体特征的“Signature Name”为“水体”。
如图2-10所示。
图2-10 总体水体特征
如此添加其他两类进入，并合并成各自的总体特征，分别命名为“植被”、“滩涂”。
并更改Value值为1，2，3，并另存为（Save As）“结果特征文件.sig”如图2-11所示。
图2-11 结果特征文件
（4）分类
选择“Erdas” →“Classifier” →“Supervised Classification”，在分类设置对话框中如图2-12设置。
图2-12 监督分类设置
在该对话框中，使用输入待分类的图像“subset.img”、分类特征文件“结果特征文件.sig”并指定分类结果的保存路径及名称，如“分类结果.img”。
分类方法选择“Maximum Likelihood”（最大似然），其余可以默认。
点击“OK”，系统将对原始影像依据指定的特征文件进行分类。
运算完毕界面如图2-13示。
图2-13 运算完成
（5）分类结果
分类的结果如图2-14所示。
图2-14 分类结果
为了更好的表达分类结果，可以使用Viewer窗口中的
“Raster”→“Attributes”，更改“水体”和“植被”的显示颜色为蓝色（RGB 为0 0 1）和绿色（RGB为 0 1 0），如图2-15示。
图2-15 调整颜色
调整颜色后的分类结果如图2-16所示。
精度检验
①同时打开原始影像和分类结果图，在任一幅图中单击右键，在弹出的菜单中选择“Geo. Link/Unlink”，然后在另一幅图中单击左键，关联两幅影像。
②使用“Erdas”→“Classifier”→“Accuracy Assessment…”，调出精度检验设置窗口。
图2-17 精度检验窗口
③使用该窗口中“File”→“Open”，打开原始影像“Subset.img”，调入内存。
④使用“View” →“Select Viewer”，选择已经打开的分类图，用以显示将要读取的点位信息。
⑤读入GPS测量的点。
格式为标准的txt文本。
文件格式化为3列，第一列存储x坐标，第二列存储y坐标，第三列存储类别代码（即分类时指定的Value值）。
如本例中存储的GPS点文件如表2-3所示
表2-3 GPS点位
文件中存储的坐标投影应与影像投影完全一致，如本例中影像投影为
UTM/Clark1866 N50。
使用“Edit”→“Import User-defined Points”，读入GPS点位文件。
选项如图2-18所示。
图2-18 导入选项
读取的结果如图2-19所示。
图2-19 导入结果
⑥输入各点位分类类别
使用“Viewer” →“Show All”，把读入的GPS点位在分类图中全部显示出来，逐一对照，在Reference列中输入分类影像的类别代码图2-20。
图2-20 输入代码
⑦精度检验
使用“Report” →“Accuracy report”，分析分类精度情况图2-21。
图2-21 精度检验结果
若精度符合要求，则接受分类结果，若不符合要求，则重新分类。