ERDAS图像分类

背景知识

图像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。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。

非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。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其它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)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。

非监督分类（Unsupervised Classification)

打开非监督分类对话框

DataPrep图标/Data Preparation/Unsupervised Classification菜单项；

如下图输入相应参数后，OK完成非监督分类；

分类评价(Evaluate Classification )

获得一个初步的分类结果以后，应用分类叠加检查分类精度。显示原图像与分类图像；在视窗中同时显示germtm.img和germs_isodat两个图像，叠加顺序为germtm.img在下，germtm_isodat.img在上。germtm.img显示方式用红(4)、绿(5)、蓝(3)。

打开分类图像属性表并调整字段显示顺序

最后使Histogam，Opacity，Color，Class_Names四个字段的显示顺序依次排在前，点击OK 按钮(关闭Column Properties对话框)。

给各个类别赋相应的颜色

Rarster Attribute Editor对话框(germtm_isodata的属性表：点击一个类别的Row字段从而选择该类别，右键点击该类别的Color字段(颜色显示区)，选择一种颜色。

不透明度设置

由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度(Opacity)值设为0(透明)。而要分析的类别的透明度设为1(即不透明)，操作方法：

Rarster Attribute Editor对话框(genntm_isodata的属性表)：右键点击Opacity字段的名字，打开Column Options菜单，选择Formula菜单项：

在formula对话框的formula输入框中(用鼠标点击右上数字区)输入0，点击Apply按钮(应用设置)，所有类别设置成透明的。把要所分析类别的不透明度设置为1。逐类别检查分析类别的分类准确性。

确定类别专题意义及其准确程度

视窗菜单条：Utility/Flicker

标注类别的名称和相应颜色

Rarster Attribute Editor对话框(germtm_isodata的属性表)：点击该类别的Class Names字段从而进入输入状态，右键点击该类别的Color字段(颜色显示区)，选择一种合适的颜色(如水体为蓝色)。

监督分类

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

第三步：获取分类模板信息

指导学生掌握四中获取分类模板信息方法中的两种。

第四步：保存分类模板

评价分类模板

报警评价、可能性矩阵、直方图三种分类模板评价方法。要求重点掌握利用可能性矩阵方法评价分类模板。

可能性矩阵(Contingency Matrix)评价工具是根据分类模板，分析AOI训练区的像元是否完全落在相应的类别之中。通常都期望AOI区域的像元分到它们参于训练的类别当中，实际上，AOI中的像元对各个类都有一个权重值，AOI训练样区只是对类别模板起一个加权的作用。

Contingency Matrix工具可同时应用于多个类别，如果你没有在Signature Editor中确定选择集，则所有的模板类别都将被应用。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中选择所有类别，菜单：Evaluation / Contingency，打开参数设置窗口：

点击OK后，显示评价结果：

可能性矩阵评价结果

执行监督分类(Perform Supervised Classification)

参数设置：

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 ): tm_860516.img

定义输出分类文件(Classified File): tm_superclass.img

确定分类模板文件(Input Signature File): tm_860516.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): tm_distance.img

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

不选择Ciassify zeros(分类过程中是否包括0值)

OK(执行监督分类，关闭Supervised Classification对话框)

分类精度评估

分类精度评估是将专题分类图像中的特定像元与己知分类的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其它数据进行对比。

①在Viewer中打开分类前的原始图像，以便进行精度评估。

②启动精度评估对话框，ERDAS图标面板菜单条:Main / Image

Classification /Classification菜单，选择Accuracy Assessment菜单

项，打开Accuracy Assessment对话框：