erdas实验5指导书

实验5 某地区的遥感影像分类
1.实验目的和要求
a)了解非监督分类和监督分类的原理和背景知识；
b)掌握非监督分类和监督分类的过程和方法；
c)了解并掌握监督分类中的样本训练方法、分类决策规则和分类结果评估
方法；
d)能够利用非监督分类和监督分类技术提取某一研究区土地覆盖类型（植
被、水体、建筑用地、裸地等），并计算各地类的面积、覆盖率等指标。

2.实验设备和数据
a)实验设备：高性能计算机；Erdas Imagine遥感图像处理软件
b)实验数据：Landsat TM数据
3.实验内容
a)分析、认识研究区域Landsat TM数据基本地物类型，建立分类体系；
b)根据分类体系，利用非监督分类方法对研究区域Landsat TM数据进行分
类；
c)根据分类体系，利用监督分类方法完成研究区域Landsat TM数据分类及
分类结果评价；
d)对比非监督分类和监督分类结果的差异，并分析原因。

4.实验步骤参考
1.分类过程
在Erdas Imagine主菜单中选择Classifier，在其下拉菜单中选择Unsupervised Classification，利用其弹出对话框完成非监督分类；
Signature Editor——样本编辑器
Unsupervised Classification——非监督分类
输出分类文件输出样本文件
分类数
收敛域值
注意问题：实际工作中常将分类数目取为最终分类数目的两倍；收敛域值是指两次分类结果相比保持不变的像原所占最大百分比。

2 、分类评价（Evaluate Classification ）
打开新的窗口，同时导入非监督分类后的图和原始分类影像；在视窗工具条
标，弹出Raster Attribute Editor对话框，如下图：
为各个类别赋予相应的颜色，并将其类名改为相应的类型；其中，可以通过不透明设置，将要显示的类别的opacity的值设为1，其他设为0，从而只显示其中的一个类别。

1.2.3通过Utility/Flicker/Viewer Flicker工具来观察非监督分类的结果的准确性。

可以确定类别的地物标注类别名称并设置适当的颜色；最终可以的标注名称和设置颜色后的结果如下：
1.3聚类统计（clump）
为了消除分类结果中产生的一些小面积图斑，我们需要先对分类结果进行聚类分析，具体步骤：
1.4去除分析（Eliminate）
去除分析用于删除原始分类图像中的小图斑或者Clump聚类图像中的小clump类组。

该分析会将小图斑合并到最大的分类当中。

具体操作如下：
点击ERDAS图标面板工具条下的Interpreter图标，选择 GIS Analysis 下的Eliminate命令，打开Eliminate对话框
最小图斑的大小
1.5分类重编码
分类重编码主要是针对之前非监督分类结果不理想的一种修正，可以将同种用地类型但属于不同类别的类合并在一起，具体操作如下：
点击ERDAS图标面板工具条下的interpreter图标，选择 GIS Analysis /下的Recode命令，打开Recode对话框：
将同一用地类型的不同类别的new value赋成相同的值，点击Ok,完成重编码，最终便可以得到重编码后的结果图；
但在视窗中打开去重编码后的结果图，会发现整个视窗都是黑的。

这是由于去除分析后，系统将所有的类别的颜色设置为黑色，需要我们自行去改变他们的颜色。

操作步骤如下：
选择Raster下的attributes命令，在弹出的对话框中，对逐个的类别赋予适当的颜色；
1定义分类模板
在视窗中打开需要进行监督分类的数据layerstack.img；利用以下两种方法来定义分类模板，具体操作步骤如下：
a)应用AOI绘图工具在原始图像上获取。

通过点击按钮，在Viewer中选择一块
区域，绘制一个多边形AOI；
b)应用AOI扩展工具在原始图像上获取，单击按钮，打开
Region Growing Properties对话框。

设置相邻像元扩展方式（Neighborhood）为4领域搜索的方式；同时设置扩展区域的约束条件（Geographic Constraints），即最大搜索相应距离；最后设置光谱距离
（Spectral Euclidean Distance），此处设为10；所有参数都设置好了以后，单击按钮，进入生成扩展AOI生成状态，在Viewer窗口中选择一个颜色区域单击，系统将依据定义的区域扩展条件自动扩展生成一个AOI。

2.建立分类模板
每次选定样区后，在Signature Editor对话框
中单击，将选中的多边形AOI区域加载到Signature分类模板中，直到选好了所有
的类型为止，最终可以得到如下的分类模板：
对于同一个用地类型(如水体)采集了多个AOI并分别生成了模板，可选中单击按钮，将这些模板合并，以使该分类模板具多区域的综合特性。

最终得到合并相同类型后的模板。

3.评价分类模板
初步建立好模板后，通过view下的image alarm命令，对每个分类逐个进行检测，具体方法如下：
在signature editor面板上点击view下的image alarm命令，弹出如下对话框
点击ok选择连接窗口，是分类区域和土地利用的专题地图进行比较，看两者的分布区
域是否大致一致，是则可以通过本次的检验，否则还需要重新选择“训练场”，点击替换之前选择的区域，从而重新进行监督分类；不断调整，使预警结果够理想后，可以得到预警处理后的图mask.img如下所示：
4.生成可能性矩阵
分类模板建立以后，点击signature editor菜单栏中的evaluate，选择contingency命令，弹出如下对话框：
设置parametric rule为最大似然法，点击Ok,，便可以生生成相应的可能性矩阵如下图：
5.执行监督分类
点击分类图标下的监督分类（supervised classification）命令，弹出监督分类对话框：
设置非参数规则为：feature space，设置参数规则为最大似然法等，点击OK 即可完成分类。

6.聚类统计（clump）
对生成的监督分类结果进行聚类统计，消除部分的图斑，具体方法如非监督分类。

7.去除分析（Eliminate）
对者Clump聚类图像中的小clump类组，或者原图中的小图标，要用去除分析的方法将小图斑合并到最大的分类当中，具体的操作步骤如非监督分类。

8.分类重编码（recode）
分类重编码主要是针对之前非监督分类结果不理想的一种修正，可以将同种用地类型但属于不同类别的类合并在一起，具体操作如非监督分类。

9.分类结果评价
1.分类叠加
打开setm.img和super.img.打开后者时要 Raster Option中取出Clear Display选项，选择Utility-Flick命令，选择auto mode，设置speed600
2.精度评估
打开smtm.img，设置如下图
点击按钮，将光标在原始图像点击一下，原始图像视窗与精度评估视窗相连接。

在精度评价对话框设置随机点的色彩，在Accuracy Assessment 菜单条
View-change color面板，在point with reference设为红色，单击ok
产生随机点，在Accuracy Assessment对话框选择，选择edit-create/add random
points 打开add random points对话框，在search count输入使用最多分析像
元数，输入15，在distrbution parameters选择random，单击ok按钮。

在Accuracy Assessment中选择view-show all，所有随机点均以设定的颜色显示在视图中。

Edit-show all，各点的类别出现在数据表的class字段中。

输入参考点的实际类别值，在Accuracy Assessment对话框中，对对话框reference字段输入各个随机点的实际类别值。

设置分类评价报告输出分类评价报告，Accuracy Assessment对话框中，report-options，通过点击确定分类评价的参数。

在report- Accuracy report 产生分类精度报告，report-cell report。

计算各地类的面积、覆盖率等指标
1.各地类面积计算
各地类所占像元个数*像元面积
2.各地类覆盖率计算
各地类面积/区域总面积
注意：自己好好看背景知识和操作过程，多使用帮助，慢慢学习，然后操作，写实验步骤和报告！！！
实验报告
1）实验的目的和意义
2）实验设备和数据
3）实验内容
4）实验步骤和结果：写出主要的操作步骤，并将过程中得到的截图插入实验报告的文本中。

5）简要谈谈实验收获和体会，或者对以后实验的建议。