监督分类
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。
实习8、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。
论述监督分类与非监督分类却别与联系及各自优缺点
论述监督分类与非监督分类却别与联系及各自优缺点监督学习是机器学习中最常用的一种方式，它可以准确地从训练数据中学习规律，并应用到未知的数据中，从而得到预测结果。
监督学习一般分为监督分类和监督回归两种，而非监督学习则主要是聚类分析。
它们之间的主要区别在于，监督分类与监督回归的训练集中包含有期望的输出结果，而聚类分析则不包含期望的输出结果，它仅仅只有输入，没有期望输出。
监督分类的训练集中包含有期望的输出结果，我们希望机器学习算法能从训练集中学习到分类规则，以此对未知的数据进行准确的分类。
监督分类的优点在于可以准确地从训练集中学习相关规律，可以对未知数据进行准确的分类。
但它的缺点在于无法处理非线性的分类任务，也存在着过拟合的问题，如果训练集中包含的数据过于复杂，会导致学习出的模型在训练集中过分的适应，从而导致在新数据上表现不佳。
监督回归的训练集也包含有期望的输出结果，它的目的是预测输出结果。
监督回归的优点在于它可以对连续的变量进行预测，也可以处理各种非线性的关系，而且它也可以有效地处理多变量的回归任务。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
当代监督的分类
当代监督的分类
当代监督可以分为以下几种分类：
1. 政府监督：政府监督是指政府通过制定相关法律法规，建立监督机构，并依法对各个行业、组织、公民行为进行监督。
政府监督的目的是保障公共利益，维护社会秩序和公正。
2. 社会监督：社会监督是指社会各个层面的组织和公民对政府、企事业单位和其他社会成员的行为进行监督。
社会监督具有自发性和广泛性的特点，通过公众媒体、社交媒体、公民举报等方式，对违法乱纪行为进行曝光和追责。
3. 企业监督：企业监督是指对企业的经营活动、财务状况、社会责任等进行监督和评估，以促使企业合法经营、遵守道德规范和社会责任。
企业监督可以由内部机构、外部机构、社会公众、股东等进行。
4. 职业监督：职业监督是指对从事某一特定职业的人员的行为进行监督。
例如，医生、律师、会计师等职业都有相应的监督机构和规范，以确保从业者遵守道德规范和职业标准。
5. 自我监督：自我监督是指个人或组织对自身行为进行监督和评估。
例如，个人可以通过反思、自我反省和自我约束来规范自己的行为，组织可以通过内部管理机制和规章制度来监督成员的行为。
这些分类不是相互独立的，通常是相互关联和相互作用的。
各
种监督形式共同构成了当代社会中的监督体系，对于维护社会秩序、公正和公平起着重要的作用。
监督分类和非监督分类
各自优缺点：监督分类的特点：主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类特点：主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
一、什么是监督分类与非监督分类？非监督分类：没有训练样本，通过计算哪些相似，划分出不同类别。
先定义光谱可分性，再定义信息类。
是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。
监督分类：根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对各待分类影像进行的图像分类。
先定义信息类，再定义光谱可分性。
二、它们包括什么？非监督分类包括：1.波谱图形识别分类2.聚类分析监督分类包括：1.最小距离法2.线形判别分析3.最大似然比分类4.最近邻域分类法5.特征曲线窗口法三、二者的优缺点：非监督分类优点：1.人为干预较少，自动化程度较高。
ENVI监督分类步骤
ENVI监督分类步骤ENVI是一种广泛使用的遥感图像分析软件，用于处理和分析多光谱、高光谱和雷达数据。
其中一个功能是进行监督分类，它是通过已标记的训练样本来训练分类器，然后使用分类器对未知像素进行分类。
下面是进行ENVI监督分类的步骤：1.数据准备：在进行监督分类之前，首先需要准备好遥感图像数据。
这包括获取遥感图像数据并导入到ENVI软件中。
确保数据是正确的，包括地理校正和辐射校正。
这些步骤将确保图像数据的准确性和一致性。
2.创建训练样本：在监督分类过程中，需要创建一些训练样本，这些样本用于训练分类器。
训练样本是经过标记的像素，表示各个类别的特征。
在ENVI中，可以使用“ROI工具”手动创建训练样本。
通过选择一个感兴趣区域，并为其分配一个特定的类别，可以创建一个训练样本。
3.设置训练参数：在进行监督分类之前，需要设置一些训练参数。
这些参数包括分类器类型（如像素或对象级别），分类器方法（如最大似然估计或支持向量机）以及其他相关参数，如类别权重和执行群集。
4.训练分类器：一旦训练样本和参数准备好，就可以开始训练分类器了。
在ENVI中，可以使用“Train Iso Cluster”或“Train Support Vector Machine”等工具对训练样本进行分类器训练。
该过程将使用训练样本中的特征来训练分类器，并生成一个能够对未知数据进行分类的模型。
5.分类预测：在分类器训练后，可以使用该模型对未知数据进行分类预测。
在ENVI中，可以使用“Predict Classification”工具来对整个图像或一部分图像进行分类。
该工具将应用训练得到的模型，并基于像素的特征将其分类为相应的类别。
6.评估分类结果：一旦分类预测完成，就可以评估分类结果了。
在ENVI中，可以使用“Confusion Matrix”工具来计算分类的准确性、精度和召回率。
该工具将根据已知的分类结果和分类预测结果来计算这些指标。
7.优化分类结果：如果分类结果不满意，可以考虑对分类器进行优化。
实验四——监督分类
实验四遥感影像分类——监督分类监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。
分类前操作：打开彼格哈恩.img，分别显示标准假彩色和真彩色，观察影像、识别地类。
1、具体步骤：打开彼格哈恩.img ——生成标准假彩色图像1.选取训练场1) Image—Overlay—Region of Interest（或是在主窗口上单击右键，在弹出的快捷菜单栏中选择ROI Tools…）进入训练样本选取对话框。
2）进行训练样本的选取，New Region 可以建立新的样本区，在ROI Name栏中双击，键入类的地物名，在Color栏中双击，可以输入类的颜色，ROI_Type菜单下可以进行样本类型的设置(多边形、线、点、长方形、椭圆)。
在主窗口按鼠标左键即可进行样本区选择，以双击右键结束样本区的选取。
选取完毕以后，选择File菜单—>Save ROIs，对数据进行保存。
a.Ellipse 画植被，选择相应的颜色和线型——保存为：vegetation.roi（命名植被时点击回车，应用所命新名）建立新的样本区，描画另一类样本b.Polygon 画水体，选择相应的颜色和线型——保存为：water.roiC.农业土壤农业1——保存为：农业1.roi农业2——保存为：农业2.roi岩性1——保存为：岩性1.roi岩性2——保存为：岩性2.roi……选中所有的项目，保存为：all.roi（不少于五种）4）进行最大似然法的分类：在ENVI主菜单栏中Classfication—>Supervised—>Maximum Likelihood，进入分类文件的选取对话框，选择相应的待分类文件。
（Classification—Supervised——Palallelepiped：平行六面体算法Minimum Distance：最小距离算法Mahalanobis Distance：马氏距离算法Maximum Likelihood：最大似然算法Spectral Angle Mapper:波谱角分类Blinary Encoding :二进制编码分类Neural Net :神经元网络分类）最大似然分类假定每个波段的每一类统计都呈均匀分布，并计算给定像元属于某一特定类别的似然度。
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。
监督分类和非监督分类的异同
监督分类和非监督分类的异同监督分类是纪检监察机关的一项重要职责，是对监督对象开展监督的依据。
实践中经常会遇到两类监督分类的概念表述问题，如何准确把握这两类监督分类界定？如果两者不能区分清楚，容易出现问题。
本文将从二者的关系入手进行阐述。
•一、界定对监督分类，《中华人民共和国监察法》第四十三条第一款明确规定，监督是指国家行政机关、检察机关及其工作人员在行使权力、履行职责过程中，对公职人员行使职权情况进行监督，发现公职人员违纪违法问题线索，及时向有关部门移送或者采取其他必要措施以加强对公职人员监督。
监察机关应当在监察调查终结后五个工作日内将审查调查结论、处分决定等文书送达被调查人，并抄送被调查人所在单位党组织。
对监察对象实施监督的同时，监察机关应当会同有关部门建立健全协调机制，加强信息共享，实现监督资源共享与共用。
根据监督分类规则，《中国共产党纪律检查机关监督执纪工作规则》第二十一条规定“监督对象可以通过谈话、函询、要求说明材料等方式被监督对象如实向纪检监察机关反映问题，或者被监督对象因特殊情况不能如实说明问题而进行询问、质询、检查、问责等方式进行询问、质询或者进行检查；对涉及党和国家工作人员利益的其他方式进行监督的”以及《中华人民共和国监察法》第三十一条规定“监察机关应当依照法定权限和程序对监察对象进行工作评议后认为存在不应当被监督问题的”等情形下组织开展监督或者开展其他监督时可以采取相应措施实现监督目的或目标，属于监督分类规定的情形之一。
”由此可见，监督分类并非仅限于对纪检监察机关工作人员进行监督或者进行其他形式监督那么简单。
•二、特征这两类监督分类的特征表现在：一是“监督”是纪委监委履行监督责任中，运用监督执纪“四种形态”的重要内容，体现了对腐败行为的有效遏制，体现了“四种形态”协同作用；二是“监督”是纪检监察机关履行监督职责的主要方式之一，是纪检监察机关工作规范化、科学化的重要内容。
“监督”的主要区别在于：“监督”重在“发现问题”，是纪检监察机关开展监督的基本方式之一；“监督”重在“督促整改”，是纪检监察机关开展监督的主要方式之一。
第三节 监督分类法
1.训练区的选取应与研究区的特点和分类系统相适应；2.同类样本 -- 均质（检查其直方图）3.保证一定总数量。
4.典型性和代表性5.时间和空间一致性2）提取统计信息（1）对已知训练区土地类型的光谱特征数据进行多元统计分析，计算其基本统计值------ 如最大值、最小值、均值、方差、协方差矩阵、相关矩阵等；（2）评价样本的有效性，即各类别训练样本的分布、离散度和相关性-----图表显示（均值图、直方图、散度图）和统计测量样本间离散度定量计算。
（3）样本纯化，以选择最有效的样本与谱段，保证后续分类的可靠性。
ENVI 提供了一个N维可视化分析器（N — Dimensional Visualizer）,通过它可对选择的训练区像元进行提纯。
若多维空间旋转时，某些像元始终聚集在一起，则为同一类别的较纯像元；若多维空间旋转时，所选像元分成了两个部分或散得较开，则说明选择的训练样本不纯，需把此训练区像元重新处理。
3)选择合适的监督分类算法平行算法---根据训练样本的亮度值范围（最大值、最小值）形成一个多维数据空间。
其他像元的光谱值如果落在训练样本的亮度值所对应的区域，就被划分到其对应的类别中。
最小距离法---是利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其类别。
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。
多级切割法--- 根据设定在各轴上的值域分割多维特征空间的分类方法。
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。
对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。
图8 多级切割法示意图最大似然法--- 是根据训练样本的均值和方差来评价其他像元和训练类别之间的相似性（即考虑到各类别在不同波段上的内部方差，以及不同类别其直方图重叠部分的频率分布），是一种广泛应用的分类器。
监督分类与非监督分类
监督分类与非监督分类（1） 非监督分类监督分类的原理是利用计算机自动判别，erdas中我们主要采用isodata算法，在算法的设计上我们要做一个预算次数的限定，否则有些图像会出现死循环，没法继续。
在主菜单模块中点击CLASSIFIER，在打开的对话框中点击unsupervised classification项，打开如图二的对话框，在input raster file输入germtm.img 影像，填写输出文件名称，去掉右边的勾选项，在output colorScheme options 选项框打开，点选approximate true color 选项，close，number of classe改为12类，最大迭代次数改为24次，点击ok执行非监督分类。
其结果如下图三所示，图四为其属性值（2） 监督分类监督分类主要确定训训练样区，有很多种方法可以判定训练样区，当然也可以拿非监督分类的记过做实验样区。
本实验的训练样区是采用人工目视判别，首先制作训练样区的分类下图所示是确定好的类中分类，然后在训练样区的基础上对图像进行分类。
打开classifier 模块，在弹出对话框点选第一项signature editor 项，弹出对话框如图五所示。
在view1中选择一些典型特征区域，分别为耕地，城市，水域，森林四类，如图五所示。
选择signature editor菜单中classify中的supervised项，弹出如图六所示对话框，填写输入输出文件名及地址，然后选择overlap rule 为parametric 项，unclassified选择parametric，parametric rule选择parametric ，点击ok执行监督分类。
执行效果如图七所示。
监督分类
4.2 监督分类监督分类（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。
常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。
其一般过程如图4-5所示：图4-5监督分类一般流程4.2.1 训练样本的选择（1）在主菜单中，选择File→Open Image File，打开分类图像；（2）选择图像视图窗口菜单Overlay→Region of Interest命令；（3）在Image视图窗口中选择Overlay→Region of Interest。
在ROI Tool窗口中，选择ROI_Type→Polygon；（4）在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘制一个多边形区域，然后右键单击两次结束,并在ROI Name中定义其类型。
依次定义其他的类型，这里定义了城镇建设用地、耕地、坑塘、河流以及农村居民地等5个类型（图4-6）；图4-6 选择训练样本（5）选择Options→Compute ROI Separability进行训练样本可分离性计算；（6）在Select Input File for Separability窗口中选择计算训练可分离性的图像文件；（7）在ROI Separability Calculation窗口中选择计算可分离性的类型（图4-7）；图4-7 ROI分离性计算（8）在ROI Separability Report窗口查看训练样本分离性报告，结果如图4-8所示。
监督分类与非监督分类
实习目的和内容1 .选取研究区数据(512X512或者1024X1024),通过目视解译建立分类系统及其编码体 系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。
3 .计算各个分类类别之间的可分离性，整理成表格。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
4 .监督分类：利用最大似然法完成分类。
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。
6 . 分类后处理(clump —sieve —majority)。
运用ISODATA 方法进行非监督分类：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，最后进行结果的精度评价。
原理和方法1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识， 进而可利用这些样本类别的特征作为依据建立和训练分类器(亦即建立判别函数)，进而完 成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。
换句话说，监督分类就 是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最 后完成整景影像的分类；2、可分性度量：本次实习主要涉及J —M 距离和变换分散度，都是一种特征空间距离度量方 法，是指影像特征矢量与各个类中心的距离，变换分散度是 TDivercd=[1-exp(-Divercd/8)],J —M 距离 J=2*(1-e-B)；3、最大似然分类法：在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区， 用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，计算各待分类样区的 归属概率，而进行分类的一种图像分类方法。
4、混淆矩阵：从随机点位上获取地面参考验证信息，并与遥感分类图进行逐像元比较，然 后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。
监督分类——精选推荐
监督分类（Supervised Classification）监督分类比非监督分类更多地要用户来控制，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于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、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
1．建立模板（训练样本、定义分类模板Define Signatures）ERDAS IMAGINE的监督分类是基于分类模板（Classification Signature）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（Signature Editor）来负责的。
在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。
第一步：显示需要分类的图像在视窗Viewer中显示图像aaa.img第二步：打开分类模板编辑器（两种方式）①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→ Signature Editor菜单项→ Signature Editor对话框②ERDAS图标面板工具条：点击Classifier图标→Classification菜单→Signature Editor菜单项→ Signature Editor对话框从上图中可以看到分类模板编辑器由菜单条、工具条和分类模板属性表（CellArray）三大部分组成。
第三步：调整分类属性字段Signature Editor对话框中的分类属性表中有很多字段，分类名称（将带入分类图像）分类颜色（将带入分类图像）分类代码（只能用正整数）分类过程中的判断顺序分类样区中的像元个数分类可能性权重（用于分类判断）不同字段对于建立分类模板的作用或意义是不同的，为了突出作用比较大的字段，需要进行必要的调整。
- 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)。
实验十监督分类实例与练习：某地区的遥感影像监督分类背景：现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。
本例中使用监督分类的方法，实现土地利用类型的划分。
目的：通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。
监督分类流程图：监督分类过程1 定义分类模板（1）在viewer窗口中选择打开smtm.img，在raster options选择fit to frame（2）单击classifer|classification|signature editor，打开分类模板编辑器（signature editor）（3）在viewer窗口中打开raster|tools，打开raster工具面板（4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中（5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中（6）用同样的方法加载9个深蓝色多边形AOI（7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板（8）单击其signature name属性进入编辑状态，输入water，单击color属性，选择深蓝色（9）在signature editor菜单条，单击edit|delete，删除合并前的模板（10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident）（11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板(all)，并保存分类模板文件的目录2评价分类模板（1）分类预警评价①选中water类别②在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开signature alarm对话框③选中indicate overlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框设置为黄色④点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum，并选择使用的模板：current（当前模板）⑤设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signature alarm对话框⑥在viewer窗口，选择utility|flick命令，选择auto mode，speed设为600.⑦按照同样的方法分别对forest, farmland, grass类进行预警掩膜，查看准确性（2）可能性评价①选中signature editior属性表中的所有类别②单击evaluate|contingency, 打开contingency matrix对话框，nonparamatric选择feature space, overlap rules选择parametric rule，unclassified rule选择paramatric rule，paramatric rule 选择maximum likehood③ 设置完成后，点击ok按钮，便显示分类误差矩阵，若误差矩阵大于85%，结果令人满意。
（3）分类的分离性①在模板编辑器中选择water、forest②选择signature editor|evaluate|separability命令，打开signature separability对话框③组合数据层数（layer per combination）选择3，distance meature选择transformed divergence，output form选择ASCII，report type选择complete report④点击ok完成设置，计算其分离性⑤一次选择其他类的计算分类的分离性。
若TD值均大于1700，说明可以分开3 进行监督分类（1）选择处理图像文件为smtm（2）在input signature中选择super.img（3）在classified file中设置输出数据存储路径及其名称，这里为super.img （4）选中输出分类距离文件为distance file（5）在non-parametric rule中选择feature space（6）在overlap rule中选择parametric rule（7）在unclassified rule中选择parametric rule（8）在parametric rule中选择maximum likehood（9）单击ok，执行监督分类4 结果评价（1）分类叠加结束监督分类后，在viewer窗口打开smtm.img和super.img，在打开super.img时raster options中去除clear display选项。
在viewer窗口，选择utility|flick命令，选择auto mode，speed设为600。
检查分类结果的准确性。
（2）分类评估第一步：在视窗中打开原始图像在Viewer中打开分类前的原始图像，以便进行精度评估。
第二步：启动精度评估对话框ERDAS 图标面板菜单条：Main→Image Classification →Classification或ERDAS 图标面板工具条：点击Classifier 图标→Classification菜单→选择Accuracy Assessment菜单项→打开Accuracy Assessment对话框Accuracy Assessment 对话框中显示了一个精度评估矩阵（Accuracy Assessment Cellarray）。
精度评估矩阵中将包含分类图像若干像元的几个参数和对应的参考像元的分类值。
这个矩阵值可以使用户对分类图像中的特定像元与作为参考的已知分类的像元进行比较，参考像元的分类值是用户自己输入的。
矩阵数据存在分类图像文件中。
第三步：打开分类专题图像Accuracy Assessment 对话框菜单条：File→Open→打开Classified Image对话框→在Classified Image对话框中确定与视窗中对应的分类专题图像→OK（关闭Classified Image对话框）→返回Accuracy Assessment对话框第四步：将原始图像视窗与精度评估视窗相连接Accuracy Assessment对话框：→工具条：点击Select Viewer图标（或菜单条：选择View 菜单的Select Viewer）→将光标在显示有原始图像的视窗中点击一下→原始图像视窗与精度评估视窗相连接第五步：在精度评价对话框中设置随机点的色彩Accuracy Assessment对话框：→菜单条View →Change Colors菜单项→打开Change color面板→在Points with no Reference确定没有真实参考值的点的颜色→在Points with Reference确定有真实参考值的点的颜色→OK（执行参数设置）→返回Accuracy Assessment对话框第六步：产生随机点本步操作将在分类图像中产生一些随机的点，随机点产生之后，需要用户给出随机点的实际类别。
然后，随机点的实际类别与在分类图像的类别将进行比较。
Accuracy Assessment对话框：→Edit →Create/Add Random Points→打开Add Random Points对话框→在search Count中输入1024→在Number of Points中输入20→在Distribution Parameters选择Random单选框→OK（按照参数设置产主随机点）→返回Accuracy Assessment对话框可以看到在Accuracy Assessment对话框的数据表中出现了20个比较点，每个点都有点号、X＼Y坐标值、Class、Reference等字段，其中点号、X／Y坐标值字段是有属性值的。
说明：在Add Random Point对话框中，search Count是指确定随机点过程中使用的最多分析像元数，当然这个数目一般都比Number of Point大很多，Number of Points设为20说明是产生20个随机点，如果是做一个正式的分类评价，必须产生20个以上的随机点。
选择Random意味着将产主绝对随机的点位，而不使用任何强制性规则。
Equalized Random是指每个类将具有同等数目的比较点。
stratified Random是指点数与类别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择Use Minimum Points）,以保证小类别也有足够的分析点。
第七步：显随机点及其类别Accuracy Assessment对话框：→View. →Show All(所有随机点均以第五步年设置的颜色显示在视窗中)→Edit→Show Class Values（各点的类别号出现在数据表的class字段中）第八步：输入参考点的实际类别值Accuracy Assessment对话框：→在数据表的Reference字段输入各个随机点的实际类别值（只不要输入参考点的实际分类值，它在视窗中的色彩就变为第五步设置的Point With Reference颜色）第九步：设置分类评价报告输出环境及输出分类评价报告Accuracy Assessment对话框：→Report →Options→通过点击确定分类评价报告的参数→Report→Accuracy Report（产生分类精度报告）→Report→Cell Report（报告有关产生随机点的设置及窗口环境）→所有报告将显示在ERDAS文本编辑器窗口，可以保存为本文件→File→Save Table（保存分类精度评价数据表）→File→close （关闭Accuracy Assessment对话框）通过对分类的评价，如果对分类精度满意，保存结果。
如果不满意，可以进一步做有关的修改，如修改分类模板等，或应用其它功能进行调整。