实习监督分类与非监督分类

1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系

根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。同时确定土地的覆盖类型、编码以及色调。

居民点Town 砾石gravel desert

道路Road 水稻田paddy land

水浇地irrigated land 水库reservoir

裸地barren land 工业区industrial area

滩地shoaly land 林地forest

草地grassland 河流stream

2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。

加载512*512影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。

3. 计算各个样本之间的可分离性。说明哪些地物类型之间较易区分，哪些类型之间难以区分。

ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。

4. 监督分类：利用最大似然法完成分类。

①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。

②根据分类的情况修改监督分类后的地物的颜色等信息。具体操作：在监督分类影像中的Image上选择Overlay |Classification，点击“Supervised”，选择Option |Edit class colors/name 等来修改地物的名称和颜色

5. 分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。

选择Classification中的分类后处理post classification，选择混淆矩阵Confusion Matrix的Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一对应加载进来，点击确定，即可生成混淆矩阵

6. 分类后处理（clump—sieve—majority）。

类别集群：选择Classification |Post Classification，Clump Classes，在Select Input File对话框中选择Supervised。最后设定数据输出路径。

类别筛选：选择Classification |Post Classification |Sieve classes，在Select Input File中选择Supervised，Group Min Threshold设为2, Number of Neighbors为8，进行保存。

主/次要分析：Classification |Post Classification |Majority/Minority Analysis，在Select Input File对话框中选择Supervised |Select All Items，Analysis Method设定为Majority，最后选择保存路径。

Clump对话框Sieve对话框Majority对话框

7. 非监督分类：预先假定地表覆盖类型为30类，迭代次数选为15，由系统完成非监督分类；然后进行类别定义与合并子类，最后进行结果评价。

1、选择Classification的非监督分类Unsupervised，选择者IsoData，选择512*512子区，设置参数。

2、在Overlay下选择Classification，选择之前的非监督分类影像，对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类，在输出的文件中选择相同的类别，点击Add Combination，所有的类别合并完后点击确定即可。

结果与分析

1、按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。

特征统计表

Stats for ROI: greval desert [Yellow1] 1325 points

Basic Stats Min Max Mean Stdev Eigenvalue

Band 163.00 89.00 76.79 4.63 535.02

Band 260.00 93.00 76.14 6.78 10.10

Band 376.00 117.00 95.99 8.34 4.03

Band 464.00 98.00 82.60 7.16 1.35

Band 569.00 124.00 97.56 13.95 0.98

Band 660.00 113.00 86.65 13.01 0.69

Stats for ROI: road [Cyan2] 181 points

Basic Stats Min Max Mean Stdev Eigenvalue

Band 151.00 78.00 63.13 6.05 489.67

Band 243.00 79.00 57.26 6.92 161.11

Number of classes为

分类的数目；

Maximum iterations为

迭代次数