实验三 监督分类
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stream2. 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。
遥感实验：监督分类
监督分类（一）数字图像处理实习内容 监督分类 训练样区 图像分类 监督分类9不同于无监督分类，监督分类由分类者严密控制。
分类前需要知道分类的数据以及所需要分的类。
在这个过程中，您选择像素能够代表某种类别的模式或土地覆盖类别，这些类别和模式你可以借助其他数据来源，如航空照片，地面真实数据或者地图。
9通过你定的模式，计算机系统可以自动查找具有类似特点的像素。
如果分类是准确的，此分类结果代表初分类。
监督分类的基本步骤监督分类是一个反复的过程，主要有以下步骤：1.训练样区并创建特征2. 评价和编辑特征3. 图像分类4. 评价分类结果实习内容 监督分类 训练样区 图像分类怎样定义训练样本？训练样本就是选择一组像素代表一定潜在类别。
在ERDAS image 中，用户可以选择以下方法完成：¾通过矢量层¾通过的AOI¾通过特定区域具有相似光谱特征的一组连续像素¾通过专题栅格层的某个类别，例如：无监督分类的输出结果打开germtm.img启动AOI 工具. 单击the AOI style 按纽设置AOI前景色和背景色为可识别的颜色尝试其他光谱颜色分配R: 4; G:5; B:3启动Classifier /Signature Editor应该创建多边形AOI 工具在图像上暗蓝色区域创建一AOI (可根据需要放大图像).在Signature Editor窗口采用Add AOI to signature按纽，添加水域样区1水域样区1找到另外一处水域样本，采用AOI growth tool添加单击AOI growth 按钮, 然后单击样本的中间可以自动产生复杂的多边形！单击Region Growing Properties 按钮在Region Growing Properties Dialog 调整AOI包含更多更纯的样本区，变换the Area and Spectral Distance, 然后单击Redo直到满意为止.在signature editor窗口添加第2个水域样本区融合相似的训练样本区融合相似的训练样本区如果此特征被应用，输出的分类结果如何？选择signature “water”View…/ Image Alarm…,在signature alarm dialog单击“OK”.对植被重复同样的步骤找出一块红色区域作sample 1 of forest创建一个仅包含植被的AOI ，并添加为特征区域找出一块亮红色区域作为the sample 2 of forest创建一个仅包含亮红色区域的AOI (采用polygon tool or AOI growth tool)将AOI sample 2 添加为植被的另外一个特征区找出一块暗红色区域作为the sample 3of forest创建一个仅包含暗红色区域的AOI (采用polygon tool or AOI growth将这三个植被样区融合为一个新特征命名为forest, 并将其颜色改为暗绿色删除以上最初的三个植被样本区选择“water”及“forest”signatures采用Image alarm 查看哪些象素被各自分类到water (light blue) 和forest(dark green)勾选the indicate overlap 并设置重叠颜色为黑色对农田（farmland）重复同样的步骤找出一块亮绿色区域作sample 1 of farmland创建一个仅包含farmland的AOI ，并添加为特征区域找出并添加farmland的另外一块样本区域将这两个农田（farmland）样区融合为一个新特征命名为farmland,并将其颜色改为黄色删除以上最初的二个农田样本区选择所有特征区，再次采用Image alarm查看潜在的分类区及分类重叠区对城镇居民点（urban）重复同样的步骤找出一块亮蓝色区域作sample 1 of urban创建一个仅包含urban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色对农村居民点（suburban）重复同样的步骤找出一块红色和蓝色混合区域作为suburban的样本区创建一个仅包含suburban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色选择所有signatures再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素将白色和亮绿色混合区域设为裸土（bare soil）的样本区创建一个仅包含bare soil的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色再次, 选择signatures再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素，并添加其他signatures重置class value“class value”为相应地物类分类图像的像元数.采用“class value”升序（ascending order）重置signature顺序保存signature file采用supclass.sig保存signature file保存AOI file以supclass.aoi为文件名保存AOI file实习内容监督分类训练样区图像分类执行监督分类（supervised classification）选择所有signaturesClassify…/ Supervised…设置：-Output file: supclass.img-Non-parametric Rule: Parallelepiped-Overlap Rule: Parametric Rule-Unclassified Rule: Parametric RuleParametric Rule: MaximumLikelihood单击Ok 开始classification!制作监督分类专题图（supclass.img）Save your AOI file as supclass_<UBITname>.aoi in assignment folder作业在你的作业文件夹中包括以下三个文件：Output Cluster File: supclass.imgSignature File: supclass.sigMap Composition File: supclass.map结束！。
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。
监督分类的实验报告
实习报告实习名称了解监督分类方法实习课程遥感导论姓名班级学号实习时间12.24晚得分一、实习目的1．通过此次实习掌握监督分类的方法与过程2.加深对监督分类方法的理解，并能将其与实际结合进行思考。
二、实习内容1．首先是定义分类模版，并成出结果图。
2.进行分类精度的评估三、实习方法1.先是定义分类模版，先用到ERDAS图标中的Classifier，选择其中的Signature Editor。
2.用VIEWER打开所要编辑的图片，打开3.在打开的工具栏中选择，进行AOI多边形的绘制，把绘制好的多边形通过Signature Editor中的，将将多边形AOI区域加载到Signature分类模板中4.绘制不同种类的AOI多边形，包括水体、植物群、居民区、农田（果园）、裸地，全部加载入后选择Signature Editor对话框菜单条Classify进行最终结果的保存。
5.进行分类精度的评估。
四、实习步骤（应附上不同过程中的实习结果，如图形、图像、数字等）1.先打开要进行分类处理的图像，打开ERDAS图标中的Classifier，选择其中的Signature Editor。
在viewer的一排工具中选择，出现如下图在打开的工具栏中选择，在编辑图片中选择水体，并用此工具进行AOI多边形绘制。
此时在Signature Editor中选择下列工具将多边形AOI区域加载到Signature分类模板中，并更改合适的名字和颜色，然后再进行其他AOI的绘制。
下图为我将绘制的水体AOI全部加载并改名换颜色后的Signature Editor同理如上，绘制并加载上所有需要的AOI，包括包括水体、植物群、居民区、农田（果园）、裸地。
2.现在要保存分类文档，在Signature Editor对话框菜单条中选择Classify进行最终结果的保存。
按OK进行保存。
3.在viewer中打开保存的图像此时再进行分类精度的评估，打开ERDAS图标中的Classifier，选择其中的Accuracy Assessment打开已经分类好的图像，再点击Edit，打开见下图弹出下框，点OK则出现了在分类图像中产生的一些随机的点，见下图此时再点击View中的Select Viewer弹出下框，再在Viewer中点击下一分类完成的图这是再在Accuracy Assessment中点击View中的Show ALL此时在Viewer中分类好的图上会出现对应的随机点随机点产生之后，本来需要给出随机点的实际类别。
实习三 遥感图像的监督分类与非监督分类
实验三遥感图像的监督分类与非监督分类[实验目的]1.理解遥感图像的监督分的含义；2.会使用ENVI软件对遥感图像进行监督分类。
[实验原理]在遥感图像分类中，按照是否有已知训练样本的分类依据，分类方法又分为两大类：监督分类与非监督分类。
遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个给定类的分类。
遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，事后再对已分出的各类的地物属性进行确认，也称作“边学习边分类法”。
两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。
[实验步骤]一监督分类（数据采用njtmcorrected）监督分类技术需要在执行以前事先定义训练分类器（training classes）, 训练分类器也可以用ENVI 感兴趣区（ROI）函数限定。
ENVI的监督分类技术包括平行六面体(平行管道)、最小距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法1. “开始”->“程序”->RSI ENVI4.0->ENVI，打开ENVI4.0界面；2. 选择File > Open Image File.3. 当出现Enter Data Filename 对话框，选择要打开的文件名，再点击“OK”，在Available Bands List框里点击Load Band ，图像显示在图像显示窗口。
4. 选择“基本工具”－>感兴趣区－>ROI工具，弹出ROI Tool对话框。
5. 在ROI_Type菜单里选择建立感兴趣区的类型，可以选择Polygon、Polyline、point、Rectangle、Ellipse等类型。
6. 在Window栏里选择要建立感兴趣区的窗口，可以选择Image、Scroll、Zoom窗口。
监督分类的实验报告
监督分类的实验报告一、实验目的监督分类是一种基于已知类别样本的分类方法，通过对训练样本的学习，建立分类模型，从而对未知类别样本进行分类。
本次实验的目的是深入理解监督分类的原理和方法，掌握常见监督分类算法的应用，并通过实验对比不同算法的性能，为实际问题中的分类任务提供参考和依据。
二、实验原理监督分类的基本思想是在已知类别样本的基础上，通过分析样本的特征，建立分类规则或模型，然后将未知类别样本按照这些规则或模型进行分类。
常见的监督分类算法包括决策树、支持向量机、朴素贝叶斯、K 近邻等。
决策树算法通过对样本特征的递归划分，构建一棵决策树，根据样本在决策树上的路径进行分类。
支持向量机算法通过寻找一个最优的超平面，将不同类别的样本分开，实现分类。
朴素贝叶斯算法基于贝叶斯定理，假设样本特征之间相互独立，计算样本属于不同类别的概率进行分类。
K 近邻算法则根据样本与已知类别样本的距离，选择 K个最近邻样本，根据这些近邻样本的类别进行分类。
三、实验数据本次实验使用了两组数据，一组是鸢尾花数据集（Iris Dataset），另一组是手写数字数据集（MNIST Dataset）。
鸢尾花数据集包含 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，共有 3 个类别，分别是山鸢尾（Iris setosa）、变色鸢尾（Iris versicolor）和维吉尼亚鸢尾（Iris virginica）。
手写数字数据集包含 60000 个训练样本和 10000 个测试样本，每个样本是一个 28×28 的灰度图像，代表 0 到 9 中的一个数字。
四、实验步骤1、数据预处理对鸢尾花数据集，将特征进行标准化处理，使各特征的均值为 0，方差为 1。
对手写数字数据集，将图像展平为一个 784 维的向量，并进行归一化处理，使每个像素值在 0 到 1 之间。
2、划分训练集和测试集对鸢尾花数据集，随机选取 100 个样本作为训练集，50 个样本作为测试集。
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。
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。
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。
监督分类实验报告.docx
实验报告题目：监督分类姓名：学号：日期：一、实验目的理解计算机图像分类的基本原理以及监督分类的过程，运用ERDAS软件达到能熟练地对遥感图像进行监督分类的目的。
二、监督分类原理监督分类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。
即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。
要求训练区域具有典型性和代表性。
判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。
1）平行六面体法在多波段遥感图像分类过程中，对于被分类的每一个类别，在各个波段维上都要选取一个变差范围的识别窗口，形成一个平行六面体，如果有多个类别，则形成多个平行六边形，所有属于各个类别的多维空间点也分别落入各自的多维平行六面体空间。
2）最小距离法使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类。
3）最大似然法假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里。
4）马氏距离法是一个方向灵敏的距离分类器，分类时将使用到统计信息，与最大似然法有些类似，但是她假定了所有类的协方差都相等，所以它是一种较快的分类方法。
三、实验步骤及结果1、定义分类模板定义分类模板包括分类模板的生成、管理、评价和编辑等，功能主要由分类模板编辑器（Signature Editor）完成，具体步骤包括：1）打开需要分类的影像本实验所处理的遥感图像打开如下图所示。
图1 原始遥感图像2）打开分类模板编辑器3）调整属性文字在分类编辑窗口中的分类属性表中有很多字段，可以对不需要的字段进行调整。
4）选取样本基于先验知识，需要对遥感图像选取训练样本，包括产生AOI、合并、命名，从而建立样本。
实验三 监督分类
实验三：遥感图像计算机分类---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。
遥感实习报告书 监督分类
实习报告书实习三遥感图像的监督分类姓名：黄子寒专业：测绘工程班级： 2013015班学号：201301526实验日期： 2016.05 实验组号：1、实习目的1.理解遥感图像的监督分的含义；2.会使用ENVI软件对遥感图像进行监督分类。
2、操作步骤一监督分类（数据采用njtmcorrected）监督分类技术需要在执行以前事先定义训练分类器（training classes）, 训练分类器也可以用ENVI 感兴趣区（ROI）函数限定。
ENVI的监督分类技术包括平行六面体(平行管道)、最小距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法1. “开始”->“程序”->RSI ENVI4.0->ENVI，打开ENVI4.0界面；2. 选择File > Open Image File.3. 当出现Enter Data Filename 对话框，选择要打开的文件名，再点击“OK”，在Available Bands List框里点击Load Band ，图像显示在图像显示窗口。
4. 选择“基本工具”－>感兴趣区－>ROI工具，弹出ROI Tool对话框。
5. 在ROI_Type菜单里选择建立感兴趣区的类型，可以选择Polygon、Polyline、point、Rectangle、Ellipse等类型。
6. 在Window栏里选择要建立感兴趣区的窗口，可以选择Image、Scroll、Zoom窗口。
之后可以在相应的窗口里绘制ROI区。
如若需要建立多个ROI区，可以点击New Region按钮，如若需要删除或编辑ROI区，可以分别点击Delete和Edit按钮。
最后保存建立的ROI区。
7. 选择Classification > Supervised > 需要的分类方法，建立相应的分类，并装载观察结果。
下面以Parallelepiped (平行六面体)分类方法为例，说明其过程：（1）选择Classification > Supervised > Parallelepiped，弹出Classification Input File对话框，选择要进行监督分类的图像文件。
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%。
监督分类的概念
监督分类的概念监督分类的概念监督分类是机器学习中的一种常见任务，它是指根据已知类别的训练数据集，通过训练一个分类器来对新数据进行预测并将其分配到相应的类别中。
这个过程可以被看作是一个从输入到输出的映射过程，其中输入是特征向量，输出是一个离散的类别标签。
1. 监督学习监督学习是机器学习中最常见的一种学习方式，它基于已有的标记数据集进行学习，并在未知数据上进行预测。
在监督学习中，每个样本都包含了一组特征和对应的标签。
这些特征可以被看作是输入空间中的点，而标签则对应于输出空间中的点。
监督学习算法通过训练样本来构建一个从输入空间到输出空间的映射函数 f(x)，使得对于任意输入x，都能够得到相应的输出 y=f(x)。
2. 分类问题分类问题是指将数据分成不同类别或者标签的问题。
在分类问题中，每个样本都有一个离散型变量作为其标签或者类别。
例如，在图像识别任务中，每张图片都有一个明确的标签（比如“狗”、“猫”等），我们的任务就是根据这些标签来对新的图片进行分类。
3. 监督分类算法监督分类算法是指通过训练样本来学习一个分类器，使得它能够对未知数据进行预测并将其分配到相应的类别中。
监督分类算法可以分为两类：线性分类和非线性分类。
其中，线性分类算法包括感知机、逻辑回归、线性判别分析等；非线性分类算法包括支持向量机、决策树、神经网络等。
4. 特征提取特征提取是指从原始数据中提取出有意义的特征，以便于监督学习算法进行处理。
在监督分类中，特征选择和特征提取是非常重要的步骤。
好的特征可以帮助我们更好地区分不同类别之间的差异，从而提高模型的准确率。
5. 模型评估模型评估是指通过一些评价指标来衡量模型在测试集上的表现。
常见的评价指标包括准确率、召回率、F1值等。
在实际应用中，我们需要根据具体场景和需求选择合适的评价指标，并结合交叉验证等方法来进行模型的评估和选择。
6. 应用场景监督分类算法在实际应用中有着广泛的应用。
例如，在图像识别任务中，我们可以使用卷积神经网络等算法来对图像进行分类；在文本分类任务中，我们可以使用朴素贝叶斯、支持向量机等算法来对文本进行分类；在金融风控领域，我们可以使用逻辑回归、随机森林等算法来进行信用评估和欺诈检测。
实验三 监督分类
实验三监督分类一、实习目的：掌握监督分类的方法与过程，加深对监督分类方法的理解三、完习内容：定义分类模板、评价分类模板、进行监督分类、评价分类结果。
前面已经谈到，监督分类一般有以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification ）。
下面将结合例子说明这几个步骤。
1.定义分类模板（Define Signature Using signature Editor）ERDAS IMAGINE的监督分类是基于分类模板来进行的，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来负责的。
毫无疑问，分类模板生成器是进行监督分类一个不可缺少的组件。
在分类模板生成器中，生成分类模板的基础是原图像和（或）其特征空间图像。
因此，显示这两种图像的视窗也是进行监督分类的重要组件。
第一步：显示需要进行分类的图像在视窗中显示＜ERDASHOME＞＼execise\ljxtm.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对话框从上图中可以看到有很多字段，有些字段对分类的意义下大，我们希望不显示这些这段，所以要进行如下调整：Signature Edit对话框菜单条：View→Columns→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三个字段将从选择集中被清除。
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 实验报告
监督分类实验报告监督分类实验报告引言：监督分类是机器学习中的一个重要任务，它通过训练数据集中的实例和相应的标签，来构建一个分类模型，用于对未知数据进行分类预测。
本实验旨在探究不同监督分类算法在不同数据集上的表现，并比较它们的性能和准确度。
一、实验背景监督分类是机器学习领域的核心任务之一，它在各个领域都有广泛的应用。
例如，在医学领域，可以利用监督分类算法对病人的病情进行预测和诊断；在金融领域，可以利用监督分类算法对借贷者的信用进行评估和分类等。
二、实验设计本实验选取了三个不同的数据集，分别是鸢尾花数据集、手写数字数据集和垃圾邮件数据集。
对于每个数据集，我们使用了三种不同的监督分类算法进行实验，分别是决策树算法、支持向量机算法和朴素贝叶斯算法。
三、实验步骤1. 数据预处理：对于每个数据集，我们首先进行数据预处理，包括数据清洗、特征选择和数据标准化等。
这一步骤的目的是为了减少数据中的噪声和冗余信息，提高分类算法的性能和准确度。
2. 模型训练：使用训练数据集对每个分类算法进行模型训练。
在训练过程中，我们使用交叉验证的方法来评估模型的性能，选择最优的参数组合。
3. 模型测试：使用测试数据集对训练好的模型进行测试，计算分类算法的准确度和性能指标。
同时，我们还进行了模型的泛化能力测试，即使用未见过的数据进行预测，评估模型的泛化能力和稳定性。
四、实验结果与分析1. 鸢尾花数据集实验结果：在鸢尾花数据集上，决策树算法的准确度为95%，支持向量机算法的准确度为97%，朴素贝叶斯算法的准确度为92%。
从结果来看，支持向量机算法在鸢尾花数据集上表现最好，准确度最高。
2. 手写数字数据集实验结果：在手写数字数据集上，决策树算法的准确度为85%，支持向量机算法的准确度为92%，朴素贝叶斯算法的准确度为80%。
从结果来看，支持向量机算法在手写数字数据集上表现最好，准确度最高。
3. 垃圾邮件数据集实验结果：在垃圾邮件数据集上，决策树算法的准确度为90%，支持向量机算法的准确度为95%，朴素贝叶斯算法的准确度为92%。
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。
监督分类实习报告
实习报告一、实习背景及目的近年来，随着我国经济的快速发展，各行各业对数据分析的需求日益增长。
监督分类作为一种常见的数据分析方法，在遥感、图像处理、机器学习等领域具有重要应用价值。
为了提高自己在监督分类领域的实际操作能力，我参加了本次监督分类实习，旨在掌握监督分类的基本原理、常用算法及其应用。
二、实习内容与过程1. 实习前的准备在实习开始前，我首先对监督分类的基本概念、原理和常用算法进行了系统学习，包括最小距离分类、最大似然分类、支持向量机分类等。
同时，为了更好地开展实习，我还学习了相关软件的使用方法，如ENVI、ArcGIS等。
2. 实习过程实习过程中，我主要完成了以下几个任务：（1）数据准备：我下载了一组遥感图像，包括多光谱、高光谱等数据。
为了进行监督分类，我需要对这些数据进行预处理，如波段选择、数据标准化等。
（2）样本制备：在监督分类中，样本的制备至关重要。
我根据实际需求，从遥感图像中选取了具有代表性的样本，并对每个样本进行了标签分类。
（3）模型训练与验证：利用制备好的样本，我分别采用了最小距离分类、最大似然分类和支持向量机分类等算法进行了模型训练。
为了评估模型的分类性能，我还进行了交叉验证。
（4）遥感图像分类：在模型训练与验证通过后，我应用这些模型对整个遥感图像进行了分类。
为了评价分类结果，我还进行了混淆矩阵分析、Kappa系数计算等。
3. 实习成果通过本次实习，我完成了遥感图像的预处理、样本制备、模型训练、交叉验证和图像分类等任务。
实习成果主要包括以下几点：（1）掌握了监督分类的基本原理、常用算法及其应用；（2）学会了遥感图像处理软件的使用，如ENVI、ArcGIS等；（3）提高了自己在监督分类领域的实际操作能力；（4）为实际项目中的应用提供了有益的参考。
三、实习总结通过本次监督分类实习，我对监督分类有了更深入的了解，从理论到实践都取得了一定的进步。
同时，我也认识到监督分类在实际应用中存在的局限性，如样本制备的困难、算法选择的复杂性等。
监督分类及处理方案
监督分类及处理方案1. 什么是监督分类？监督分类是一种常见的机器学习技术，其目标是根据已有的数据集（已标注数据集）学习出一个可以将新增样本分到不同类别的模型。
也就是说，该模型可以根据特征将新的样本分类。
监督分类中的数据可以被视为一个 n 维空间，每个样本可以看作是该空间中的一个点。
因此，监督分类的目标就是找到一个可划分该空间的分类面（或者叫超平面），这个分类面上面的点属于一类，下面属于另一类。
2. 常用的监督分类算法2.1 KNN算法KNN算法是一种基于距离的分类算法，其思路是找到与被分类对象距离最近的训练集中的 k 个样本，然后根据这 k 个样本的标签来决定被分类对象的类别。
优点：KNN算法模型简单易理解，对于样本分布较为混乱，没有固定分界线的数据集有很好的效果。
缺点：KNN算法对于样本特征维度较高时，由于计算量大，算法分类速度较慢。
2.2 决策树算法决策树算法是一种基于树形结构进行判断的分类算法，其思路是通过特征的组合和分裂，构建一个树形结构，来将数据集分成不同的类别。
优点：决策树算法模型易于理解和实现，可以自动选择最优特征，分类效果较好。
缺点：决策树算法容易出现过拟合现象，特别是当训练数据集中噪声很大时。
2.3 SVM算法SVM算法（支持向量机）是一种二分类模型的统计学习方法，其核心思想是通过支持向量找到一个最大边距分类面，将两类样本区分开。
优点：SVM算法对于特征维度较高的数据集分类效果好，对于一些较难分类的数据集有很好的效果。
缺点：SVM算法对于处理大规模数据集，计算复杂度较高，运算速度较慢。
3. 监督分类的处理方案3.1 特征工程特征工程是指通过数据预处理方法，将原始数据转换成用于训练模型的特征，从而提高模型的预测准确率。
特征工程包括数据清理、数据采样、数据归一化、特征选择和特征变换等一系列处理方法。
3.2 模型选择在选择监督分类算法时，应该综合考虑模型的性能、分类效率、数据运算时间等因素。
- 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)。
实验三监督分类
一、实习目的：掌握监督分类的方法与过程，加深对监督分类方法的理解
三、完习内容：定义分类模板、评价分类模板、进行监督分类、评价分类结果。
前面已经谈到，监督分类一般有以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification ）。
下面将结合例子说明这几个步骤。
1.定义分类模板（Define Signature Using signature Editor）
ERDAS IMAGINE的监督分类是基于分类模板来进行的，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来负责的。
毫无疑问，分类模板生成器是进行监督分类一个不可缺少的组件。
在分类模板生成器中，生成分类模板的基础是原图像和（或）其特征空间图像。
因此，显示这两种图像的视窗也是进行监督分类的重要组件。
第一步：显示需要进行分类的图像
在视窗中显示＜ERDASHOME＞＼execise\ljxtm.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
从上图中可以看到有很多字段，有些字段对分类的意义下大，我们希望不显示这些这段，所以要进行如下调整：Signature Edit对话框菜单条：View→Columns→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。
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，在原始图像或特征空间图像中获取分类模板信息。
但在实际工作中也许只用一种方法就可以了，也许要将几种方法联合应用，这取决于您自己。
（1）应用AOI绘图工具在原始图像获取分类模板信息
无论是在原图像还是在下面要讲的特征空间图像中，都是产主AOI区域来作为分类模板信息的来源。
首先练习如何用AOI绘图工具获取分类模板信息。
在显示有ljxtm.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红色区域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）。
2.2 可能性矩阵
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之中。
通常都期望AOI区域的像元分到它们参于训练的类别当中，实际上AOI中的像元对各个类都有一个权重值，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，如果你没有在Signature Editor中确定选择集，则所有的模板类别都将被应用。
可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属
于相应的类别。
AOI训练样区的分类可应用下列几种分类原则：平于行六面体（Parallelepiped）、特征空间（Feature Space）、最大似然（Maximum Likelihood）、马氏距离（Mahalanobis Distance）。
各种原则详见Field Guide一书。
下面说明可能性矩阵评价工具的使用方法：在Signature Editor对话框：
→在signature Editor中选择所有类别
→菜单条：Evaluation →Contingency
→打开Contingency Matrix对话框
→选择非参数规则（Non-parametric Rule ）：Feature Space
→选择叠加规则（Overlay Rule）：Parametric Rule
→选择未分类规则（Unclassified Rule ）：Parametric Ru1e
→选择参数规则（Parametric Rule）：Maximum Likelihood
→选择像元总数作为评价输出统计：pixel Counts
→OK（关闭Contingency Matrix对话框，计算分类误差矩阵）
然后，IMAGINE文本编辑器（Text Editor）被打开，分类误差矩形矩阵将显示在编辑器中供查看统计，该矩阵的局部（以像元数形式表达部分）如下：
从矩阵中可以看到在260个应该属于farm-1类别的像元中有6个属于了farm_2，有234仍旧属于farm_1，属于其它类的数目为0，其实farm_1与farm_2都是农用地，因此这个结果是令人满意的。
从百分比来说，如果误差矩阵值小于85%，则模板需要重新建立。
3.执行监督分类(Perform Supervised Classification)
在监督分类过程中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法，对参数模板有最大似然法、Mahalanobis距离、最小距离等方法。
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，如非参数规则只能应用于非参数型模板，对于参数型模板，要使用参数型规则。
另外，如果使用非参数型模板，还要确定叠加规则（Overlay rule）和未分类规则（unclassified rule）。
下面是执行监督分类的操作过程：
ERDAS图标面板菜单条：Main→Image Classification→Classification 菜单
或ERDAS图标面板工具条：点击Classifier 图标→Classification菜单
→Supervised Classification 菜单项
→Supervised Classification 对话框
在Supervised Classification对话框中，需要确定下列参数：
→确定输入原始文件（Input Raster File）：ljxtm.img
→定义输出分类文件（Classified File）：Classify.img
→确定分类模板文件（Input Signature File）：Lz.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）：lz-distance.img
→选择非参数规则(Non_parametric Rule):Feature Space
→选择叠加规则(Overlay Rule):Parametric Rule
→选择未分类规则(Unclassified Rule):Parametric Rule
→选择参数规则(Parametric Rule):Maximum Likelihood
→不选择Classify zeros（分类过程中是否包括0值）
→OK （执行监督分类，关闭supervised Classification对话框）
说明：在Supervised Classification对话框中，还可以定义分类图的属性表项目：
→点击Attribute Options按钮
→打开Attribute Options对话框
通过Attribute Options对话框，可以确定模板的哪能些统计信息将被包括在输出的分类图像层中。
这些统计值是基于各个层中模板对应的数据计算出来的，而不是基于被分类的整个图像。
→在Attribute Options对话框上作出选择
→OK（关闭Attribute Options对话框）
→返回Supervised Classification对话框
4.评价分类结果
(Evaluate classification)。