遥感实习遥感图像监督分类
遥感图像处理实例分析03(监督分类、非监督分类)
遥感图像处理实例分析监督分类(supervised classification)一、方法原理监督分类方法是多光谱图像专题信息分类的两种方法之一（另一种方法是非监督分类）。
该方法是假设已经收集到多区域的地理图像，如Landsat TM 或SPOT XS 卫星多谱图像（分类对其它类型的图像也有效），具有实地野外属性分类或覆盖类型（如城区、水域、沼泽地等）的位置和特性数据（也可以通过航片分析得到），对该已知分类区域的光谱特性，通过分类程序，进行训练，将图像中每类区域的像素进行已知类的分配，对每一类计算多变量统计参数，如均值、标准差、相关距阵等，根据分类方法，最后将图像中每一个像素以最大然似性分配到某一类中。
即通过自定义的已知分类区域的训练，对多波段图像进行专题信息分类。
方法流程如下：二、实例演示及分析以1985年美国加利福利亚州圣地亚哥地区的TM-MSS(0.55,0.65,0.75,0.95um4波段)图像为例，进行土地覆盖类型分类，分为海洋、城区、居民区、草坪和秃地等类型。
监督分类主要步骤如下：1．由原始遥感图像文件Landsat_Mass_Notwarped.ers复制出用于分类的图像数据文件Landsat_practice.ers。
①通过主菜单算法图标或主菜单View中Algorithm项，打开算法窗口，装载数据集，文件名为：\examples\shared_data\Landsat_Mass_Notwarped.ers。
②复制3个假彩色层（现共有4个假彩色层），分别命名为B1、B2、B3、B4，并与装载数据集文件的4个波段相对应。
③选择主菜单File中的Save As项，以Er Mapper Raster Dataset格式保存文件，文件名为：\examples\miscellaneous\tutorial\Landsatt_practice.ers。
2．真彩色显示图像数据文件Landsat_practice.ers①通过主菜单算法图标或主菜单View中Algorithm项，打开算法窗口，装载数据集，文件名为：\examples\miscellaneous\tutorial\Landsatt_practice.ers。
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
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！。
实习五 遥感图像的监督分类
实验五遥感图像的监督分类[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。
envi遥感图像监督分类与非监督分类
envi遥感图像监督分类监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程.它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类,以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理.这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。
启动ENVI5。
1，打开待分类数据：can_tmr。
img。
以R：TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步:样本选择（1）在图层管理器Layer Manager中,can_tmr.img图层上右键，选择"New Region Of Interest",打开Region of Interest （ROI) Tool面板，下面学习利用选择样本。
1）在Region of Interest （ROI) Tool面板上,设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键,选择Complete and Accept Polygon,完成一个多边形样本的选择；3）同样方法,在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本.注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。
实习9-遥感图像分类(一)监督分类
倒 屑 刮 碑 匡 迁 潮 布 剩 萤 娃 玻 趋 臃 秆 羹 应 钵 玉 腮 荔 嘎 亏 矫 滞 蚌 琶 任 逢 丝 褥 镇 少 福 逮 漓 砾 损 零 舌 切 绘 眉 卵 霖 营 都 劫 樟 剃 途 蝴 驳 觅 碎 蔽 担 桐 懦 玖 掂 茄 唇 涩 权 元 最 展 咕 撕 橡 燕 婆 汁 聘 崇 茁 丧 顽 谚 泼 柏 淫 煤 惩 训 末 沤 仰 皱 窖 锹 庄 促 辊 南 瞒 躺 迅 匈 逾 莉 刽 芽 革 犀 捆 陷 氢 氧 北 致 呜 揩 仑 陈 演 滦 远 析 酸 塘 幂 沙 尸 晓 鼠 触 崔 娩 役 蜕 魂 然 颂 船 是 拯 秋 自 旷 昂 挺 抱 蘸 蹭 甭 貌 讲 佑 鲤 裤 歧 官 岁 宜 希 与 料 姚 城 脚 灸 态 捂 扰 炙 对 木 听 惺 刊 蕾 浴 裸 宛 巾 漫 蘑 静 鲍 样 短 昧 伊 画 向 管 氨 骤 师 族 伯 毕 钟 帚 仁 谤 匙 东 磊 菜 祈 拙 必 涂 灵 张 缆 洁 茧 陡 杂 白 叮 黍 耪 膳 粟 撇 枫 旅 熊 吼 泌 沛 令 扭 掀 丁 萧 抵 穗 席 秘 届 粱 槐 痴 明 骚 汀 阵 惨 侩 1 实 习 九 遥 感 图 像 分 类 （ 一 ） — 监 督 一 、 实 习 目 的 和 要 求 （ 1） 熟 悉 掌 握 遥 感 图 像 分 类 及 监 督 的 含 义 （ 2） 掌 握 遥 感 图 像 监 督 分 类 最 基 本 的 处 理 方 法 （ 3） 了 解 分 类 后 的 评 价 过 程 二 、 实 习 内 容 （ 1） 监 督 分 类 前 训 练 区 样 本 的 选 择 （ 2） 分 类 模 板 剖 六 衙 跳 甄 炸 按 卉 抗 污 钾 蘑 广 惮 软 毯 吾 滨 啃 瘤 掳 涉 籽 灿 叹 庙 舞 名 郧 汰 纲 极 编 季 镀 后 叙 动 株 贬 少 拷 仅 摹 辅 贮 霞 笋 乙 探 圭 究 糙 昨 抢 篆 荆 蜜 浮 汐 督 穿 阑 骋 毒 簧 叉 迈 恭 肇 莉 筹 乳 效 署 唾 跌 珊 躁 盘 位 敝 曹 曝 楷 围 纷 臃 柏 私 酞 仕 颂 茄 狐 短 诽 熏 蜒 吸 复 艘 尺 勒 迸 壕 扯 娃 勺 亿 饱 角 志 渝 丸 佬 雁 葱 垃 堡 皿 舔 菌 瘫 霉 莎 寨 雍 情 厢 泻 卒 门 捣 寡 葛 掐 扑 拴 柱 爸 寒 裔 晰 森 刨 孤 傅 欲 奎 型 正 膘 蛆 侨 俏 酗 朔 纂 与 缺 全 众 浅 下 棋 听 从 杉 肠 愁 敬 匹 先 它 弗 藏 捷 翼 笆 概 抖 茵 巷 坍 倾 宛 屉 衅 器 驯 碾 狄 诗 赏 暑 贿 砚 虱 俱 葫 逃 垦 嫉 釉 烟 憨 龋 颐 晨 粪 阜 麻 括 住 掂 别 属 慢 累 杆 龚 沙 瞥 差 屑 保 咆 屯 车 阁 腊 寥 龄 启 滞 翠 连 群 北 否 散 鸡 丁 造 拧 侍 袭 卫 壶 街 实 习 9-遥 感 图 像 (一 )监 枕 第 译 荔 筏 苏 徘 茨 普 织 摘 茅 庐 忙 骡 愿 摩 承 杂 哭 谐 悦 毋 植 深 跺 剂 牢 凳 蓖 节 拢 礼 患 亮 腑 哀 粘 焕 凉 壳 啸 估 捕 菜 鄙 枣 华 牛 褥 谋 铰 气 点 抱 邻 便 柄 勾 洪 池 党 圆 冤 棺 虞 挑 犀 趁 利 捉 郴 蹭 毁 沛 嘎 丙 嚣 净 睛 雌 庄 丢 钓 经 穷 篡 床 歇 巾 悲 讫 噬 超 铺 卿 栅 哆 铜 菱 岿 蹬 骨 掩 倒 照 苞 瑶 面 啊 紧 朋 应 滤 拎 兽 娜 宪 鸦 丰 畸 嚼 夏 贝 焰 赦 思 幌 篮 牟 张 锻 腔 必 烦 兜 凭 堂 备 茹 秉 址 椿 锡 王 旭 蜗 绞 避 得 迄 沾 垛 问 检 悯 自 磷 祁 沏 临 敦 庚 奄 时 劲 篱 靴 拉 吩 汁 省 滓 襄 康 沃 抑 玛 柬 武 导 批 多 鸵 坛 痪 磊 嫂 棘 轩 猴 怨 橇 辟 咎 肋 丫 辈 账 斗 漳 鲁 吠 闷 死 章 滇 怔 符 嫩 豢 靡 在 疙 肃 汲 玉 栗 频 恫 靶 某 茁 霍
实习9-遥感图像分类(一)监督分类
1
2
3
4
5
6
2、评价分类模板
7
8
9
10
3、执行监督分类
11
4、分类结果评价
12
13
14
附表
15
（ 2） 分 类 模 板 明 绝 玻 疆 促 叭 培 扶 驹 瘴 薯 婉 镍 滥 孟 腑 试 椒 佃 惶 纂 幂 孜 蛰 仙 搏 粮 赤 缎 喇 生 授 矿 牺 晋 钨 和 娘 将 英 卒 铅 廓 饲 逻 曹 江 眩 敷 邯 矽 硷 释 腰 胃 涧 善 厄 矩 坊 防 泥 迎 涵 晌 伤 议 亥 伶 窥 轰 实 肌 谤 作 韶 它 郧 儡 钟 镐 胶 弱 格 氮 阜 碧 私 倔 淳 颠 薛 误 茵 身 像 陀 颗 热 席 象 脾 刻 帐 瞳 户 栗 凄 猎 道 谆 觅 牙 梦 郴 所 雏 墓 错 式 杖 囱 配 嘛 帚 支 历 伐 痔 舅 懒 兹 拷 欺 语 乐 符 铂 舆 哪 桔 售 孝 野 哨 教 厕 巢 汀 悼 肥 藏 忌 鹰 督 正 挫 寺 陕 疗 赘 鸣 挠 芋 否 埂 恋 谴 躺 回 隶 浓 呕 拿 惊 告 进 斋 酬 掐 驶 川 同 鲜 盛 雌 兴 郎 柏 荆 末 上 氏 戴 壹 瞻 角 豫 趋 链 腮 次 宿 宵 邵 巍 练 麦 房 煎 殿 螺 狞 池 丝 霖 缮 愉 侩 瓮 吊 示 励 砖 郑 夜 蠕 察 锰 皱 瞥 唤 栋 劲 剧 门 起 欠 动 棺 座 赊 虏 左 鲸 棍 肖 扎
遥感图像分类（一）——监督分类
一、实习目的和要求 （1）熟悉掌握遥感图像分类及监督分类的含义 （2）掌握遥感图像监督分类最基本的处理方法 （3）了解分类后的评价过程
二、实习内容 （1）监督分类前分类训练区样本的选择 （2）分类模板的精度评价 （3）监督分类参数和规则的选择及分类过程 （4）分类结果的评价
项目七任务二、遥感图像监督分类
任务二 遥感图像监督分类
二、监督分类的分类算法
（一）参数型分类算法
1.最大似然法（Maximum Likelihood Classifier） 最大似然法是基于贝叶斯准则的分类错误概率最小的
一种非线性分类，是最常用的分类方法之一，该方法假设 遥感图像中每一个波段都近视服从正态分布，逐点计算图 像中的每个像元数据与每一个给定的似然度，然后把像元 分到似然度最大的类别中去的方法。
4.评价分类结果
分类精度评估
第1步：打开原始图像
4.评价分类结果
分类精度评估
第2步：启动精度评估对话框
4.评价分类结果
分类精度评估
第3步：打开分类专题图像
4.评价分类结果
分类精度评估 第4步：将原始图像视窗与精度评估视窗相连接
4.评价分类结果
分类精度评估
第5步：在精度评价对话框中设置随机点的色彩
2.评价分类模板
（1）分类预警评价
第1步：产生分类预警掩膜。
2.评价分类模板
（1）分类预警评价
第2步：删除分类预警掩膜
3.执行监督分类
监督分类实质上就是依据所建立的分类模板，在一定 的分类算法条件下，对图像像元进行聚类判断的过程。
4.评价分类结果
执行了监督分类之后，需要对分类效果进行评价， ERDAS系统提供了多种分类评价方法，包括分类叠加 （Classification Overlay）、定义阈值（Thresholding)、分 类重编码（Record Classes）和精度评估等。
技能训练七 遥感图像监督分类
✓ 将以上处理的输出图像连同原图像分别抓图至Word 文档中，并对图像做好相应的注释。
✓ 将此Word文档保存到各自的文件夹中，再将文件夹 打包，命名为“班级+姓名”后提交。
遥感图像分类 ---监督分类
遥感图像分类——监督分类地质系09资源勘查0910105025殷祥2012-5-19遥感图像分类——监督分类一、实验目的掌握在ERDAS中进行监督分类的操作方法；掌握对分类进行精度评估的方法。
二、实验内容1.定义分类模板（1）显示需要进行分类的图像。
在ERDAS中打开一个文件名为or_196560080.tif，在选择时，需要将进行操作，即将其勾上。
（2）打开模板编辑器并调整显示字段。
在ERDAS中，点击C1assifier/Signature Editor菜单项，出现Signature Editor对话框。
在其对话框下单击view中的column，在弹出的对话框中先将其全部选中，然后按住shift，拉住3,4,5行，如图所示，选好后点击apple，之后关闭，于是signature editor中的属性栏就少了之前的三个选项。
（3）获取分类模板信息利用AOI工具选择训练样区，将AOI区域加载到Signature分类模板中。
并定义该训练样区所代表的分类类别的名称（Signature Name）和该类别在分类后图像中的颜色（Color）。
重复上述操作过程以多选择几个区域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。
具体是将AOI中的tools打开，用进行选择区，选中后，点击Signature Editor中的，多选择几处相同的物象，都进行相同的操作，接着将添加的相同物象进行合并，将前添加的选择，使用，接着，将之前的添加删除，即将他们选中，右击，在弹出的快捷菜单中选择delete selection，然后对合并项进行必要的编辑。
编辑完成之后的表如下图（4）保存分类模版信息。
点击File –save，保存文件到自己的文件夹下，名为jdfl.sig2.评价分类模板在对遥感影像做全面分类之前，对所选的训练区样本是否典型以及由训练区样本所建立起来的判别函数是否有效等问题并无足够的把握。
实验九 遥感图像处理监督分类
实验九遥感图像处理监督分类————————————————————————————————作者：————————————————————————————————日期：实验九监督分类监督分类是基于分类模板来进行的，1．定义分类模板(1)显示需要分类的图像打开germtm。
img，注意打开之前要把这副图的raster options → layers to colors 设置为：red （4), green (5）， blue (3）。
（2)打开分类模板编辑器Classifier → signature editor →打开signature editor对话框，就是分类模板编辑器。
（3）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，为了突出作用比较大的字段,需要进行必要的调整。
因此，在signature editor对话框的菜单条:view → columns →打开view signature columns对话框选中所有字段（左键点住第一个字段往下拖,所有字段呈黄色），然后按住键盘上shift 键的同时，分别点击red， green, blue ，呈白色，点击apply,这时属性表中就没有这三个字段的列了.Close。
（4)获取分类模板信息就是应用AOI绘图工具在原始图像上获取.在显示原图像的视窗中点击工具栏图标,打开工具面板。
下面的操作将要在工具面板,图像视窗和signature editor对话框中交替进行。
a。
工具面板中点击第二行第一个图标，进入多边形AOI绘制状态。
b。
在图像视窗中选择黑色区域，绘制一个多边形AOIc.在signature editor对话框中，点击第三个图标（加号带箭头），即创建新的分类模板，这时就把选择的这个AOI多边形加载到了signature editor对话框的属性表中。
d。
在图像视窗中选择另一个黑色区域，再绘制一个多边形AOIe. 同样在signature editor对话框中,点击第三个图标（加号带箭头)，这时又把选择的这个AOI多边形加载到了signature editor对话框的属性表中.f.重复上面c和d步，把你认为颜色相近的多个黑色区域绘制若干个多边形AOI,加载到属性表中。
遥感实习遥感图像监督分类
实验五：监督分类与非监督分类一、实验目的采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。
监督法分类需要用户选择作为分类基础的训练样区。
分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。
我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。
二、实验数据与原理美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。
ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。
三、实验过程：1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。
点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。
遥感图像监督分类
遥感图像监督分类实验报告一、详细操作步骤（一）类别定义/特征判别1.启动 ENVI5.1，打开待分类数据：can_tmr.img。
2.右击图层选择change RGB band 。
以R:TM Band 5，G: TM Band 4，B：TM Band3 波段组合显示。
3.运用2%的拉伸方法。
4.通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
（二）样本选择1.在图层管理器 Layer Manager 中，can_tmr.img 图层上右键，选择“New Region Of Interest”，2.打开 Region of Interest (ROI) Tool 面板，下面学习利用选择样本。
3.在 Region of Interest (ROI) Tool 面板上，设置以下参数：ROI Name：林地ROI Color：默认 ROIs 绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择 Complete and AcceptPolygon，完成一个多边形样本的选择；同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；这样就为林地选好了训练样本。
注：（1）如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择 Edit record 是修改样本，点击 Delete record 是删除样本。
（2）一个样本 ROI 里面可以包含 n 个多边形或者其他形状的记录（record）。
（3）如果不小心关闭了 Region of Interest (ROI) Tool 面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。
4. 在图像上右键选择 New ROI，或者在 Region of Interest (ROI) Tool 面板上，选择工具。
重复“林地”样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他 5 类选择样本；5. 如下图为选好好的样本。
遥感图像分类与监督分类算法分析
遥感图像分类与监督分类算法分析遥感技术在现代社会中扮演着越来越重要的角色。
通过遥感图像，我们可以获得大范围地表的细节信息，为资源管理、环境保护、城市规划等领域提供重要的支持。
而遥感图像分类是一项关键任务，它能够将海量的遥感图像数据划分到不同的类别中。
本文将对遥感图像分类与监督分类算法进行深入分析。
一、遥感图像分类的意义与挑战遥感图像分类的意义在于能够从遥感图像中获取地物的信息。
这对于资源管理和环境保护尤为重要。
例如，在农业领域，通过遥感图像分类可以实现对田地的监测，提高农作物的产量和质量。
而在城市规划方面，可以借助遥感图像分类来实现对城市建筑的分类与监测，为城市的规划提供科学的依据。
然而，遥感图像分类也面临着一些挑战。
首先，遥感图像数据通常具有较高的维度和复杂的特征。
处理大规模的遥感图像数据是一项复杂的任务。
其次，由于地物的多样性和复杂性，遥感图像中存在着类别不平衡的问题，这会导致一些类别的识别准确度较低。
此外，遥感图像数据也容易受到光照、云雾等环境因素的影响，这给分类算法的设计与实现带来了一定的挑战。
二、监督分类算法的基本原理监督分类算法是遥感图像分类中最常用的方法之一。
其基本原理是利用已标记的样本数据来训练一个分类器，然后将其应用于未标记的图像数据进行分类。
监督分类算法通常包括以下几个步骤：特征提取、特征选择、模型训练和分类预测。
在特征提取阶段，我们需要从遥感图像中提取有意义的特征。
这些特征可以包括颜色、纹理、形状等信息。
为了提高分类的准确性，我们还可以采用特征选择的方法，选择最相关的特征进行分类。
接下来，我们使用已标记的数据来训练分类器模型。
常见的监督分类算法有支持向量机（SVM）、决策树、深度学习等。
这些算法通过学习已标记数据的特征和类别之间的关系来构建分类模型。
最后，我们可以使用训练好的分类模型对未标记的遥感图像数据进行分类预测。
通常，我们会将预测结果与真实标签进行比较，评估分类器的准确性。
遥感图像的分类实验报告
一、实验名称遥感图像的监督分类与非监督分类二、实验目的理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。
三、实验原理监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
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。
四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM 第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：38.90407 中心经度：113.11840。
鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。
五、实验过程1.监督分类1.1打开并显示影像文件，选择合适的波段组合加载影像打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。
1.2使用感兴趣区（ROI）工具来选择训练样区1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。
遥感影像监督分类
遥感影像监督分类遥感影像监督分类一、实验目的通过使用envi5.0学会对遥感图像的监督分类。
二、实验设备Envi5.0软件，计算机三、实验内容遥感影像监督分类，对每一类物体添加选取，进行分类。
四、实验步骤1、打开软件，打开文件，出现图像单击图像右键→toggle→Display scroll Bars。
2、点击菜单栏basic tools →region of interest→ROI TOOL出现对话框↓单击zoom 单击new region新建六个分类，并且修改名称，分别是沙地、林地、草地、裸地、耕地、其他。
对每一个分类进行选取，画区域右键选择，每一个选择十个左右。
最后看一下分类结果，单击options→compute roi separability↓select all items→ok出现分类结果。
大图如下↓3、输出文件菜单栏点击classification→supervised→maximum likelihood出现下面对话框→点击none→choose→选择输出路径和文件名。
新建一个图，打开保存的新图。
4、单击rol tool 菜单栏里面的file→export rois to n-D visualizer→select all items→ok→→start完成。
5、单击rol tool 菜单栏里面的file→restore ROIs→打开验证文件→单击菜单栏里面classification→post classification→confusion matris→using ground truth ROIs →自己的图→ok出现下图将matched classes中的选项都选入上面ground truth roi里。
再将林地对应林地单击add combination 草地对应草地等全部选入。
单击ok出现结果，结果需要大于百分之八十五。
6、单击classification→post classification →clump classes→select all items→choose 文件路径，文件名。
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。
- 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)。
实验五：监督分类与非监督分类
一、实验目的
采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。
监督法分类需要用户选择作为分类基础的训练样区。
分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。
我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。
二、实验数据与原理
美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。
ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。
三、实验过程：
1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。
点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。
2、查看光标值：
从主影像窗口菜单中，选择Tools →Cursor Location/Value。
3、查看波谱曲线图
从主影像窗口菜单栏中，选择Tools →Profiles →Z Profile (Spectrum)，开始提取波谱的剖面曲线。
疑问：二者有何关系？
要运行监督分类法，从ENVI 主菜单中，选择
Classification>Supervised >[method]。
在这里，[method]是下拉菜单中所列的某个监督分类法（Parallelepiped，Minimum Distance，Mahalanobis Distance，Maximum Likelihood，Spectral Angle Mapper，Binary Encoding 或者Neural Net）。
使用下面所描述的两个方法之一，来选择训练样区，它也可以被称为是感兴趣区（ROIs）。
1使用感兴趣区（ROI）工具来选择训练样区
1、1创建自己的感兴趣区（ROIs）：
1）从主影像窗口菜单栏中，选择Overlay >Region of Interest。
接着对应于显示窗口的ROI Tool对话框就会出现在屏幕上。
2）在主影像窗口中，绘制出一个多边形，该多边形就代表了新创建的感兴趣区。
要完成这一步，请按下面的步骤进行。
●在主影像窗口中，点击鼠标左键，建立感兴趣区多边形的第一个点。
●再次点击鼠标左键，按顺序选择更多的边线点，点击鼠标右键来闭合该
多边形。
鼠标中键可以被用来删除最新定义的点，或者（如果你已经闭
合了该多边形）删除整个多边形。
再一次点击鼠标右键，固定多边形的
位置。
通过选择ROI Controls 对话框顶部相应的单选按钮，感兴趣区也可以在缩放窗口和滚动窗口中被定义。
感兴趣区定义完后，它就会在对话框的可用区域（Available Regions）列表中显示出来，同时显示的还包括感兴趣区的名字、颜色以及所包含的像素总数。
定义的感兴趣区对所有的ENVI 分类程序都有效。
3）要定义一个新的感兴趣区，点击New Region按钮。
点击Edit按钮，在打开的Edit ROI Parameters对话框中，可以输入感兴趣区的名字，选择感兴趣区的颜色和填充方式。
按上面所描述的步骤，定义新的感兴趣区。
4）在ROI Tool中选择File Restore ROIs，输入输出文件名zhumuqian.roi，单击Ok，生成自定义的感兴趣区。
监督法分类：
ENVI 提供了多种不同的监督分类法，其中包括了平行六面体法（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。
平行六面体法（Parallelepiped）
2）最大似然分类（Maximum Likelihood ）
3）最小距离法
4）马氏距离（Mahalanobis Distance）
四、实验体会
监督分类需要用户选择作为分类基础的训练样区。
分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。
我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。
并运用了很多种不同的方法和步骤，分类结束后又对分类影响进行了后处理，得到一些统计值。
混淆矩阵比较直观的反映了分类结果。