监督分类 练习

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。

Signature Editor对话框菜单条：View→Columns→View SignatureColumns对话框→点击第一个字段的Columns列并向下拖鼠标直到最后一个字段，此时，所有字段都被选上了，并用黄色标识出来。

→按住Shift键的同时分别点击Red、Green、Blue三个字段前的数字码，目的是将这三个字段从选择集中清除掉→点击Apply按钮，分类属性表中显示的字段发生变化→点击Close按钮，关闭View Signature Columns对话框。

第四步：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。

下面主要介绍应用AOI绘图工具在原始图像中获取分类模板信息。

在显示aaa.img图像的视窗的菜单条上点击AOI，在其下拉菜单上点击Tools，由此打开感兴趣区域工具条（即AOI→Tools→打开AOI工具面板）下面的操作将在AOI工具面板、图像视窗、Signature Editor对话框三者之间交替进行。

→在AOI工具面板上点击图标，进入多边形AOI绘制状态。

→在图像视窗中选择深红色区域（林地），绘制一个多边形AOI，双击结束→在Signature Editor对话框中，点击CreateNew Signature图标，将多边形AOI区域加载到SignatureEditor分类模板属性表中→在图像视窗中选择另一个深红色区域，再绘制一个多边形AOI→同样在Signature Editor对话框中，点击Create New Signature图标，将多边形AOI区域加载到Signature Editor分类模板属性表中→重复上述两步操作过程，选择图像中你认为属性相同的多个深红色区域绘制若干多边形AOI，并将其作为模板依次加入到Signature Editor分类模板属性表中→按下Shift键，同时在Signature Editor分类模板属性表中依次点击选择Class#字段下面的分类编号，将上面加入的多个深红色区域AOI模板全部选定→在Signature Editor工具条上点击Merge Signature图标（合并所选择的一组分类模板），将多个深红色区域AOI模板合并，生成一个综合的新模板，其中包含了合并前的所有模板像元属性。

→在Signature Editor菜单条，点击Edit→Delete，删除合并前的多个模板。

→在Signature Editor属性表中，改变合并生成的分类模板的属性：包括分类名称Signature Name与颜色Color→重复上述所有操作过程，根据实地调查结果和已有研究成果，在图像视窗选择绘制多个黑色区域AOI（河湖水体），依次加载到Signature Editor分类模板属性表中，并执行合并生成综合的河湖水体分类模板，然后确定分类模板名称和颜色。

→同样重复上述所有操作过程，绘制多个青色区域AOI（长江水）、多个高亮区域AOI（新城镇建设用地）、老城区建设用地、农田等……，加载、合并、命名，建立新的模板。

注意：各类别的名称确定后，可以更改其类别代码（Value），用简单的1、2、3……来标识。

→如果已对所有的类型都建立了分类模板，则进入第五步，保存分类模板。

第五步：保存分类模板现在将分类模板保存起来，以便随后依据分类模板进行监督分类。

→Signature Editor对话框菜单条→File→Save→打开Save Signature File As对话框→确定是保存所有模板（All）或只保存被选中的模板（Selected）→确定保存分类模板文件的目录和文件名（*.sig）如aaa.sig→OK2．评价模板（评价分类模板Evaluate Signatures）在对遥感影像做全面分类之前，我们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。

因此，通常在全面分类之前，先仅用训练区中的样本数据进行试分类，即分类模板的评价。

这里我们以可能性矩阵评价工具来做说明。

它主要是分析AOI训练区的像元是否完全落在相应的类别中。

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。

在Signature Editor对话框：→在Signature Editor分类模板属性表中选择所有类别→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 Rule→选择参数规则（Parametric Rule）：Maximum Likelihood（最大似然法）→选择像元总数或者像元百分数作为评价输出统计：Pixel Counts；Pixel Percentages→OK（关闭Contingency Matrix对话框，计算分类误差矩阵）→打开IMAGINE文本编辑器（Text Editor），显示分类误差矩阵从分类误差总体的百分比来说，如果误差矩阵值小于85%，则分类模板的精度太低，需要重新建立。

3．确定初步分类结果（执行监督分类Perform Supervised Classification）监督分类实质就是依据所建立的分类模板、在一定的分类决策规则条件下，对图像像元进行聚类判断的过程。

用于分类决策的规则即各种分类判别函数。

选择判别函数及其相应的准则后，就可执行计算机自动分类了。

①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→Supervised Classification菜单项→Supervised Classification对话框或者②ERDAS图标面板工具条：点击Classifier图标→ Classification菜单→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 ）：aaa.img→定义输出分类文件（Classified File ）：suclassaaa.img→确定分类模板文件（Input Signature File ）：aaa.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 ）：→选择非参数规则（Non-Parametric Rule ）：Feature Space （特征空间）→选择叠加规则（Overlay Rule ）：Parametric Rule （参数规则）→选择未分类规则（Unclassified Rule ）：Parametric Rule→选择参数规则（Parametric Rule ）：Maximum Likelihood （最大似然法） →不选择Classify zeros （分类过程中是否包括0值）→OK （关闭Supervised Classification 对话框，执行监督分类）注意分类方法的选择：在监督分类过程中，用于分类决策的规则是多类型、多层次的，如对非参数分类模板有特征空间、平行六面体（Parallelepiped ）等方法，对参数分类模板有最大似然法Maximum Likelihood 、马氏距离法Mahalanobis ，最小距离法Minimum Distance 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，非参数规则只能应用于非参数型模板，而对于参数型模板，要使用参数型规则。