遥感监督分类
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！。
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。
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。
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。
答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。
主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、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。
通常使用马氏距离、欧氏距离、计程距离这三种判别函数。
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：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。
可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；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。
区域遥感影像的监督分类方法
区域遥感影像的监督分类方法引言遥感影像是指通过航空器、卫星等远距离进行非接触无损观测、记录的图像。
区域遥感影像分类是遥感图像处理的重要应用之一，它通过对遥感影像进行数字解析和模式识别，将图像中的不同地物按照一定的分类体系进行准确划分。
本文将介绍区域遥感影像的监督分类方法。
一、监督分类概述监督分类是指在训练样本的指导下，通过计算机自动对图像进行分类。
首先需要选取具有代表性的样本区域，然后进行特征提取和分类器训练。
最后将分类结果应用到整个图像上。
二、特征提取特征提取是依据遥感影像的光谱、纹理、形状等特征，将图像转化为数值描述的过程。
常见的特征包括光谱特征、纹理特征和形状特征。
1. 光谱特征光谱特征是通过分析遥感影像不同波段的光谱反射率或辐射亮度，提取不同地物类别的差异性。
可以使用的光谱特征包括单波段特征、双波段特征和多波段特征。
2. 纹理特征纹理特征是描述图像中局部区域的统计特征，对于纹理丰富的地物分类具有较好的效果。
常用的纹理特征包括灰度共生矩阵、局部二值模式和小波变换等。
3. 形状特征形状特征是描述地物边界形状和轮廓的特征。
常用的形状特征包括面积、周长、圆形度和椭圆度等。
三、分类器选择分类器是监督分类中的关键组成部分，其作用是将特征提取得到的各种属性与训练样本进行比较和判断，从而进行分类。
常见的分类器包括最小距离分类器、支持向量机和随机森林等。
1. 最小距离分类器最小距离分类器是基于样本数据之间的距离进行分类判别的方法，将测试样本分配给最邻近的训练样本。
最小距离分类器简单有效，但对于样本分布不均匀的情况效果较差。
2. 支持向量机支持向量机是一种广泛应用于监督分类中的机器学习方法。
它通过划分不同类别的样本，使得样本与分类决策边界的距离最大化。
3. 随机森林随机森林是一种集成学习方法，将多个决策树分类器组合起来进行分类。
它能够有效地处理高维数据和具有噪声的遥感影像。
四、分类结果评价分类结果的评价是监督分类中非常重要的一步，它能够评估分类方法的准确性和可靠性。
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。
遥感图像分类---监督分类
实验遥感图像分类---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。
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。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
测绘技术中的遥感图像分类与监督分类方法
测绘技术中的遥感图像分类与监督分类方法引言遥感图像分类是测绘技术中常用的图像处理方法之一，它通过对遥感图像进行分类和分割，为地理信息系统（GIS）和地球观测提供了重要的数据支持。
本文将介绍遥感图像分类的基本概念，以及常用的监督分类方法。
一、遥感图像分类的基本概念遥感图像分类是指将遥感图像中的像素根据其反射率或辐射率等特征划分为不同地物类别，并赋予其相应的分类标签。
遥感图像分类可以帮助人们了解地物分布、变化趋势以及环境状况等，对于农业、城市规划、环境保护等领域具有重要的应用价值。
二、监督分类方法1. 最大似然法最大似然法是一种常用的监督分类方法，它基于贝叶斯决策理论，通过计算每个像素属于不同类别的概率，从而确定其分类标签。
最大似然法假设像素的灰度值服从高斯分布，并通过最大化像素灰度值在每个类别中的概率来进行分类。
虽然最大似然法在某些情况下效果较好，但它对于复杂的遥感图像分类问题可能存在一定的局限性。
2. 支持向量机（SVM）支持向量机是一种基于统计学习理论的监督分类方法，它通过构建一个最优的超平面，将不同类别的像素分隔开。
支持向量机不仅可以处理线性可分的数据，还可以通过核函数将数据映射到高维空间，从而处理线性不可分的数据。
支持向量机在处理遥感图像分类问题时具有较好的性能，但其计算复杂度较高，需要大量的训练样本和运算时间。
3. 随机森林随机森林是一种集成学习方法，它通过组合多个决策树，从而提高分类准确性。
随机森林不仅可以处理多类别的分类问题，还可以处理高维数据，并且具有较好的鲁棒性和抗噪性。
在遥感图像分类中，随机森林通常能够取得较好的分类效果，并且对于特征的选择和处理具有一定的鲁棒性。
4. 卷积神经网络（CNN）卷积神经网络是一种基于深度学习的监督分类方法，它通过多层卷积层和池化层进行特征提取和降维，最后通过全连接层进行分类。
卷积神经网络在图像分类领域取得了显著的成就，对于遥感图像分类问题也有较好的应用效果。
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。
遥感影像的监督分类研究
遥感影像的监督分类研究导言：遥感影像的监督分类是一种基于机器学习方法对遥感影像进行自动分类和分类精度评估的研究。
随着遥感技术的发展，遥感影像在土地利用、资源监测、环境保护等领域的应用越来越广泛，而遥感影像的分类是遥感应用的关键步骤之一一、监督分类方法：监督分类是一种利用已有的样本数据训练出分类器，再将分类器应用于遥感影像中进行像元分类的方法。
常用的监督分类方法包括最大似然分类、支持向量机分类、随机森林分类等。
这些方法的应用基本上可以分为两个步骤：第一步是样本训练，即以已知类别的样本数据训练分类器；第二步是分类预测，即将训练好的分类器应用于待分类的遥感影像之中。
二、监督分类研究进展：1.特征提取方法的研究：监督分类的关键是选择合适的特征进行分类，传统的特征提取方法主要是基于像素的特征，例如颜色、纹理、形状等。
近年来，基于深度学习的特征提取方法逐渐兴起，通过深度神经网络自动学习图像的特征表示，大大提高了分类的准确性。
2.遥感影像时序信息的利用：遥感影像的时序信息对于监督分类具有重要的作用。
传统的监督分类方法主要利用单张影像进行分类，忽略了影像的时序变化。
近年来，一些研究开始关注时间序列遥感影像的监督分类，通过将多个时期的遥感影像堆叠起来，利用时序信息提取更具有区分性的特征，提高分类的准确性。
3.遥感影像分类的自动化：遥感影像分类通常需要人工标注训练样本，而标注过程比较繁琐，且人工标注的结果具有主观性。
因此，研究者们开始探索自动化的遥感影像分类方法，通过利用未标注的影像数据进行自动分类器的训练，减少了人工标注的工作量和主观性对分类结果的影响。
4.监督分类的性能评估：监督分类的性能评估是监督分类研究中的关键问题，有助于评估分类方法的准确性和可行性。
传统的性能评估指标包括精度、召回率、F-值等。
近年来，一些研究开始关注面向对象的分类评估方法，以更准确地评估分类结果的空间一致性。
三、研究挑战与展望：监督分类研究面临一些挑战，如：1.遥感影像的多样性：不同地区、不同传感器的遥感影像具有很大的多样性，如何处理不同数据源的遥感影像，提取更具有区分性的特征，仍然是一个挑战。
监督分类与非监督分类遥感实习
4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，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。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
Clump对话框Sieve对话框Majority对话框
【结果与分析3】：（clump—sieve—majority）请替换如下对比图并分析发生的变化
分类后影像clump后影像
【分析】：聚类处理将邻近的类似分类单元进行聚类合并，可以看到影像中比较小的地物被合并，但是也将一些比较孤立的地物被错分。
分类后影像sieve后影像
实验结果
1、监督分类：（请将前后对比图截图至此）
原始影像监督分类后影像
【分析】：
2.运用ISODATA方法进行非监督分类结果对比图：
监督分类影像非监督分类影像非监督分类合并后处理影像
【分析】：
存在问题与解决办法
1、在监督导致地物选取有很大的误差，城镇居民区、工业区选区不能有效地区分，裸地与砾石也比较难以辨别。
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tdivercd1expdivercd8jm距离j21e3最大似然分类法是基于概率论中每个像元存在属于所有类别的概率假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率比较各个类别的概率值并将像元划归到概率最大的那个类别当中去
遥感分类方法
遥感分类方法遥感技术作为一种获取地球表面信息的重要手段，已经广泛应用于农业、林业、地质勘探、环境监测等领域。
而遥感分类作为遥感技术的重要应用之一，对于地物的识别和分类具有重要意义。
本文将介绍一些常见的遥感分类方法，以期为相关领域的研究和应用提供一些参考。
1. 监督分类。
监督分类是一种基于训练样本的分类方法。
其基本思想是通过已知类别的样本数据，利用计算机自动识别地物类别。
监督分类的步骤一般包括选择训练样本、提取特征、选择分类器、训练分类器和分类结果验证等。
监督分类方法在遥感图像分类中应用广泛，具有较高的分类精度和稳定性。
2. 无监督分类。
与监督分类相对应的是无监督分类，它是一种不需要事先给定训练样本的分类方法。
无监督分类的基本思想是根据遥感图像自身的统计特征，将图像中的像元划分为不同的类别。
常见的无监督分类方法包括聚类分析、最大似然法、K均值算法等。
无监督分类方法适用于地物类别未知或难以获取训练样本的情况，但其分类精度通常低于监督分类。
3. 半监督分类。
半监督分类是监督分类和无监督分类的结合，它利用少量的已知类别样本和大量的未标记样本进行分类。
半监督分类方法能够充分利用未标记样本的信息，提高分类精度和泛化能力。
常见的半监督分类方法包括基于图的半监督分类、半监督支持向量机等。
4. 物候分类。
物候分类是一种基于地物生长发育特征的分类方法。
它利用遥感影像获取的植被生长信息，对地物进行分类。
物候分类方法通常结合植被指数、植被指数变化率等指标，对不同生长阶段的植被进行识别和分类。
物候分类方法在农业、林业等领域具有重要的应用价值。
5. 多尺度分类。
多尺度分类是利用多个尺度的遥感数据进行地物分类的方法。
多尺度分类方法能够充分利用不同尺度数据的信息，提高分类精度和鲁棒性。
常见的多尺度分类方法包括多尺度分割、多尺度特征融合、多尺度分类器融合等。
总结。
遥感分类方法是遥感技术应用的重要环节，不同的分类方法适用于不同的应用场景。
遥感图像分类与监督分类算法
遥感图像分类与监督分类算法在当今信息爆炸的时代，遥感技术在地理信息系统、环境生态监测、农业资源调查和城市规划等领域发挥着重要作用。
遥感图像分类是一种通过分析图像中各种对象的特征，将图像分割为多个具有相同特征的区域并确定其类别的过程。
而监督分类算法则是指在有标注的训练样本集的基础上，通过将待分类样本与已知类别的样本进行比较，从而判断待分类样本所属类别的算法。
遥感图像分类是一项具有挑战性的任务，因为遥感图像中的类别多样性和复杂性。
而监督分类算法则是实现遥感图像分类的关键工具之一。
下面将介绍几种常见的监督分类算法及其在遥感图像分类中的应用。
1. 支持向量机(SVM)支持向量机是一种常见的监督分类算法，其基本思想是将样本空间映射到一个高维特征空间，并在该特征空间中构建一个最优超平面，使得不同类别的样本能够得到最大的间隔。
SVM在遥感图像分类中应用广泛，特别是对于多类别分类问题具有较好的性能。
通过选择不同的核函数和调整超参数，SVM能够适应不同的遥感图像分类任务。
2. 最近邻分类器最近邻分类器是一种简单而有效的监督分类算法。
其基本思想是根据待分类样本与已知样本之间的距离来确定其类别。
最近邻分类器在遥感图像分类中也得到了广泛应用。
通过选择不同的距离度量方法，如欧氏距离、曼哈顿距离或闵可夫斯基距离等，最近邻分类器能够灵活地处理各种遥感图像分类问题。
3. 决策树决策树是一种基于树状结构的监督分类算法。
其基本思想是通过将样本空间划分为多个子空间，并在每个子空间中选择最佳的划分特征，从而得到一个具有较低误差率的分类器。
决策树在遥感图像分类中也被广泛使用。
通过选择不同的划分准则和剪枝策略，决策树能够适应不同的遥感图像分类任务。
除了上述三种常见的监督分类算法，还有一些其他的算法也在遥感图像分类中发挥着重要作用。
例如，基于神经网络的分类算法能够通过模拟人脑的学习和信息处理机制来实现遥感图像分类。
此外，基于贝叶斯理论的分类算法也能够利用先验概率和条件概率来进行遥感图像分类。
遥感监督分类实验
测绘工程学院《遥感导论》实验六专业名称：海洋技术班级：海洋101 姓名：张丹学号：日期：2012/11/15 成绩：实验六、监督分类一、实验目的与要求实验目的：掌握监督分类的方法与过程，加深对监督分类方法的理解实验要求：掌握定义分类模板、评价分类模板、进行监督分类、评价分类结果、分类后处理的方法和原理，将实验过程中的实验成果相应的截图并粘贴到实验报告中。
二、实验准备软件准备：ERDAS遥感图像处理软件数据准备：需要监督分类的遥感图像三、实验内容与主要过程1.定义分类模板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图1-1 图像的视窗第二步：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：A、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。
图1-2 view signature columns对话框B、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。
图1-3 Red、Green、Blue三个字段C、点击Apply按钮D、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。
基于ENVI的遥感图像监督分类方法比较研究
基于ENVI的遥感图像监督分类方法比较研究一、本文概述随着遥感技术的快速发展，遥感图像已成为地理空间信息获取和提取的重要数据来源。
在遥感图像处理中，图像分类是一个关键环节，对于理解地表覆盖、环境监测、城市规划等领域具有重要意义。
监督分类作为遥感图像分类中的一种重要方法，通过利用已知类别的训练样本对图像进行分类，能够实现较高的分类精度。
然而，不同的监督分类方法在处理遥感图像时可能存在差异，因此，对基于ENVI的遥感图像监督分类方法进行比较研究具有重要的理论和实践价值。
本文旨在探讨基于ENVI的遥感图像监督分类方法，包括最大似然分类、支持向量机分类、决策树分类和随机森林分类等。
通过对这些方法的原理、特点及其在遥感图像分类中的应用进行比较分析，本文旨在揭示各种方法的优势和局限性，为实际应用中选择合适的分类方法提供指导。
本文首先介绍了遥感图像监督分类的基本原理和分类流程，然后详细阐述了ENVI软件中常用的监督分类方法，包括它们的理论基础、实现步骤以及参数设置。
在此基础上，本文通过实验对比分析不同分类方法在遥感图像上的表现，以评估它们的分类精度和稳定性。
本文总结了各种方法的优缺点，并探讨了未来遥感图像监督分类方法的发展趋势。
通过本文的研究，可以为遥感图像分类领域的学者和实践者提供有益的参考，推动遥感图像分类技术的不断发展和完善。
二、遥感图像预处理在进行遥感图像的监督分类之前，预处理是一个必不可少的步骤。
预处理的主要目的是消除或降低图像中的噪声和干扰，增强图像的信息内容，为后续的分类提供高质量的数据。
辐射定标：辐射定标是将遥感图像的像素值转换为实际的物理量，如反射率、亮度温度等。
这个过程是基于遥感器的物理模型和测量参数来完成的。
辐射定标能够消除传感器响应的非线性效应，确保图像数据在定量分析和比较时的准确性。
大气校正：由于大气吸收和散射的影响，遥感图像上可能会出现亮度失真和色彩偏移。
大气校正的目的是消除这些影响，恢复地物的真实反射率。
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 。
选择训练区计算训练区统计量 评价训练区统计量 进行图像分类 显示分类图像和精度计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。
- 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)。
实验遥感图像监督分类
实验目的：
通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。
实验内容：
监督分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的象元建立模板，然后基于该模板使计算机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，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。
实验步骤：
第一步：定义分类模板
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。
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。
因此，显示这两种图像的窗口也是进行监督分类的重要组件
1、显示需要分类的图像
在窗口中显示图像germtm.img。
具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。
图5－1 设置图像显示参数
点击OK，打开图像（图5－2）。
图5－2 打开图像
2、打开分类模板编辑器
两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。
图5－3 Signature Editor窗口
3、调整分类属性字段
如图5－3所示，Signature Editor窗口中的分类属性表中有很多字段，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。
在Signature Editor窗口菜单条，单击View/Columns命令，打开View Signature Columns对话框（图5－4）。
图5－4 View Signature Columns对话框
在View Signature Columns对话框中，（1）单击第一个字段的Column列并向下拖动鼠标直到最后一个字段，此时，所有字段都被选择上，并用黄色标识出来；（2）按住Shift键的同时分别单击Red、Green、Blue三个字段，Red、Green、Blue 三个字段将分别从选择集中被清除（图5－5）。
图5－5 清除Red、Green、Blue三个字段
（3）单击Apply按钮，分类属性表中显示的字段发生变化。
（4）单击Close按钮，关闭View Signature Columns对话框。
此时，从View Signature Columns对话框可以看到，Red、Green、Blue三个字段将不再显示（图5－6）。
图5－6 Red、Green、Blue三个字段被清除
4、获取分类模板信息
可以分别应用AOI绘图工具、AOI扩展工具和查询光标等3种方法，在原始图像或特征空间图像获取分类模板信息。
下面将介绍应用AOI绘图工具获取分类模板信息。
在View＃1窗口的菜单条中，执行Raster/Tools命令，打开Raster工具面板（图5－7）。
或单击Raster图标，打开Raster工具面板（图5－7）。
图5－7 Raster工具面板
下面的操作将在Raster工具面板、图像窗口、Signature Editor对话框三者之间交替进行。
（1）在Raster工具面板单击图标，进入多边形AOI绘制状态。
（2）在图像窗口中选择绿色区域（农田），绘制一个多边形AOI（图5－8）。
图5－8 绘制多边形AOI
（3）在Signature Editor窗口，单击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（图5－9）。
图5－9 加载多边形AOI
（4）在图像窗口中选择另一个绿色区域，再绘制一个多边形AOI。
（5）同样在Signature Editor窗口，单击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。
（6）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绿色区域绘制若干个多边形AOI，并将其作为模板依次加入到Signature Editor分类模板属性表中。
（7）按下shift键，同时在Signature Editor分类模板属性表中依次单击Class 字段下面的分类编号，将你上面加入的多个绿色区域AOI模板全部选定（图5－10）。
图5－10 选中所有AOI模板
（8）在Signature Editor工具条，单击Merge Signature图标，将多个绿色区域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象元属性（图5－11）。
图5－11 生成新模板Class5
（9）在Signature Editor菜单条，单击Edit/Delete，删除合并前的多个模板（图5－12）。
图5－12 删除合并前的模板
（10）在Signature Editor属性表，改变合并生成的分类模板的属性：包括名称与颜色分类名称（Signature Name）：Agriculture/颜色（Color）：绿色。
（11）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，在图像窗口选择多个黑色区域AOI（水体），依次加载到Signature Editor分类属性表，并执行合并生成综合的水体分类模板，然后确定分类模板名称和颜色。
（12）同样重复上述所有操作过程，绘制多个蓝色区域AOI（建筑）、多个红色区域AOI（林地）等，加载、合并、命名，建立新的模板（图5－13）。
图5－13 建立好模板
（13）如果将所有的类型都建立了分类模板，就可以保存分类模板，单击File/Save,打开Save Signature File as对话框，设置好保存路径与文件名（super.sig），单击OK保存（图5－14）。
图5－14 保存分类模板
第二步：评价分类模板（略）
第三步：执行监督分类
监督分类实质上就是依据所建立好的分类模板、在一定的分类决策条件下，对图像象元进行聚类判断的过程。
下面是执行监督分类的操作过程：在ERDAS图标面板菜单条，单击Main/Image Classification命令，打开Classification对话框（图5－15）。
或在ERDAS图标面板工具条，单击Classifier 图标/Classification/Supervised Classification命令，打开Supervised Classification对话框（图5－15）。
图5－15 Supervised Classification对话框
在Supervised Classification对话框中，需要选好图5－16所示的参数：
图5－16 设置参数
单击OK按钮，执行监督分类，弹出执行进度状态条，当Percent Down为100%时表示运行完成，单击OK完成。
查看分类结果图像，打开两个窗口，分别显示分类前的图像germtm.img和分类后的图像germtm_super.img（图5－17）。
图5－17 分类结果图
第四步：评价分类结果（略）。