erdas遥感影像分类

• • •
•
定义分类模板 A ：显示需要进行分类的图像 在Viewer 窗口中选择打开 smtm.img，在Raster Option中选择Fit to Frame， B ：ERDAS图标面板工具子， 点击 Classifier→Classification →Signature Editor，打开 分类模板编辑器Signature Editor。
•
D：设置完成后，点 击OK按钮，便显示分 类误差矩阵，（… chg4\ex1\super\con tigency）。从分类误 差的总体百分比来看， 误差矩阵值大于 85%，这个结果是令 人满意的。（如右图： 误差矩阵）
分类的分离性 A ：在模板编辑器中选择water、 forest。 B ：选择 SignatureEditor/Evaluate/Separability 命令，打开SignatureSeparability对话 框。 C ：组合数据层数 （LayersPerCombination）选择3， DistanceMearsure选择 TransformedDivergence， OutputForm选择ASCII，ReportType选 择CompleteReport。 D：点击OK按钮完成设置，计算其分 离性，结果如下图所示 。
确定输入文件(Input Raster File):smtm.img（要被分类的图像） →确定输出文件(Output File):unsuper.img（即将产生的分类图像） →选择生成分类摸板文件：Output Signature Set（将产生一个模板文件） →确定分类摸板文件(Filename):unsuper.sig →对Clustering options选择Initialize from Statistics单选框 Initialize from Statistics指由图像文件整体（或其AOI区域）的统计值产主自由 聚类，分出类别的多少由自己决定。 →确定初始分类数（Number of classes）:10 (本练习中最终要分出5种类型的地物)， 实际工作中一般将分类数取为最终分类数的2倍以上。 →定义最大循环次数（Maximum Iterations）：12（确保循环次数） →设置循环收敛阈值（Convergence Threshold）：0.95 收敛阈值（Convergence Threshold）是指两次分类结果相比保持不变的像元所占 最 大百分之此值的设立可以避免ISODATA无限循环下去。 →点击OK按钮（关闭Unsupervised Classification对话框，执行非监督分类，获得 一个初步的分类结果
课程：遥感数字图像处理实验 导师：陈浩 张东水
11城规1班 彭蝴蝶 1110020123
某地区的遥感影像分类
• 1练习的数据：现有某地区的TM影像。 2练习的目的：根据某地的TM影像，进行土地类型的划分。 3练习的方法：用监督分类和非监督分类两种方法对比分析。 4练习的大体流程如下：
• • • •
• •
G ：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)。 H ：保存模板（super.sig）
评价分类模板（分类预警评价，可能性评价，分类的分离性） 分类预警评价 A：选中water类别 B：单击View →Image Alarm →打开Signature Alarm 对话框 →选中 Indicate Overlap ，设置同时属于两个或以上的像元叠加预警显示，点 击色框设置为黄色。
• •
•
（1） 在 ERDAS 图标面板工具条中 点击 Classifier 图标 →C1assification →Unsupervised Classification---→unsupervised classification 对话框如右：
• • • • • • • • • • • • • • •
6 监督分类 •
监督分类比非监督分类更多地要求用户来控制，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。
5 非监督分类 非监督分类运用1SODATA（ Iterative Self-Organi zing 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。
•
•
• •
• • • • • • • • • • • • • •
（5）分类后处理 A ：聚类统计 聚类统计(Clump) 是通过地分类专题图像计算每个分类图斑的面积、记录相邻区域 中最 大图斑面积的分类值等操作，产生一个Clump 类组输出图像，其中每个图斑都包含 Clump类组属性；该图像是一个中间文件，用于进行下一步处理。 ERDAS 图标面板菜单条：Main→Image Interpreter →GIS Analysis →Clump →Clump 对话框 或ERDAS图标面板工具条：点击Interpreter 图标→GIS Analysis →Clump →Clump 对话框 →Clump 对话框中，需要确定下列参数： 选择处理图像文件（InputFile）为super.img。 在OutputFile中输入super_clump。 选择文件坐标类型（CoordinateType）为Map。 确定聚类统计临域大小（ConnectNighbors）为4。 点击OK按钮，执行聚类统计分析。
• • • • • •
•
在精度评价对话框中设置随机点的色彩。在AccuracyAssessment对话框中，菜单条 View/ChangeColors/Changecolor面板，在PointsWithnoReference确定 没有真实参考值的点 的颜色，在PointsWithnoReference确定有真实参考值的 点的颜色，设为红色，单击OK按钮 （执行参数设置），返回AccuracyAssessment 对话框。 C：产生随机点。在AccuracyAssessment对话框，选择Edit/AddRandomPoints， 打开AddRandomPoints对话框。在Search Count中输入确定随机点过程中使 用最多分析像元数， 这个数目一般都比NumberOFPoint大很多；在Number OF Point输入15；在 DistributionParmeters选择Random。单击OK按钮，返回 AccuracyAssessment对话框。 D：在AccuracyAssessment对话框，选择View/ShowAll，所有随机点均以设定 的颜色显 示在视窗中。Edit/ShowClassValues，各点的类别出现在数据表的 class字段中。 E ：输入参考点的实际类别值。在AccuracyAssessment对话框中，在数据 Reference字段输入各个随机点的实际类别值。 F：设置分类评价报告输出环境及输出分类评价报告。AccuracyAssessment对话 框中Report/Options，通过点击确定分类评价报告的参数。 Report/AccuracyReport，产生分类精度报告。Report/CellReport，报告有关产生随机点的设 置及窗口环境。有报告将显示在ERDAS文本编辑器窗口，可以保存为文本。
•
F ：在Signature Editor对话框中，将该类的Signature 全部选定，然后 点击合并图标 ，这时一个综合的新模板生成，单击其Signature 属性进入 编辑状态，输 入water，点击color属性，选择深蓝色，在Signature Editor菜单条，单击Edit/delete，删除合并前的模板。
• • • • • • • • •
C：点击Edit Parallelepiped Limits 按钮 →Limits 对话框 →点击SET 按钮 →打开Set Parallelepiped Limits对话框 →设置计算方法（Method）:Minimum/Maximum →选择使用的模板（Signature ）:Current →OK（关闭set Parallelepiped Limits对话框） →返回Limits对话框 →Close（关闭Limits对话框） →返回Signature Alarm对话框 →OK（执行报警评价，形成报警掩膜） →Close（关闭signature Alarm对话框）
•
• •
Baidu Nhomakorabea
结果评价（非监督分 类与监督分类都是采用以下 步骤进行评价） 第一步 分类叠加 结束非监督/监督分类后， 在Viewer窗口打开 smtm.img和super.img， 在打开super.img时 RasterOptions中去除 ClearDisplay选项。
•
在Viewer窗口，选择 Utility/Flick命令，选择 AutoMode，Speed设为600。 检查分类结果的准确性。
• • •
第二步 精度评估 A：在Viewer中打开分类前的smtm.img。 选择 Main/ImageClassification/Classification/AccuracyAssessment命令， 点击 Select Viewer按钮，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。 B：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
•
D：根据Signature Editor中指定的颜色，选定类别的像元显示在原始图像 视窗中，并覆盖在原图像之上， 形成一个报警掩膜结果如图所示，发现 resident面积过大，于是按照同样的方法选择AOI、删除、合并再应用分类 预警评价检验模板的准确性。
可能性评价 A：选中SignatureEditor属性表 中的所有类别。 B：单击Evalute/Contingency， 打开ContingencySignatureEditor 属性表中的所有类别。 C：单击Evalute/Contingency， 打开ContingencyMatrix对话框， Non-parametricRule , 选择 FeatureSpace，OverlapRules选 择ParametricRule， UncalssifiedRule选 择 ,ParametricRule， ParametricRule选择 MaximumLikehood。
E ：依次选择其他的类计算 分类的分离性。本试验中TD 的值均大于1700，则说明类 可以分开，模板可以使用
（3）进行监督分类 完成以上步骤后便可以 进行监督分类，步骤如下： 选择处理图像文件 （InputRasterFile）为： smtm.img。 在InputSignature中选 择super.sig。 在ClassifiedFile中设置 数据存储路径及名称，这里为 super.Img。 选中输出分类距离文件 为Distance File。 在NonParametricRule中选择 Feature Space。 在OverlapRule中选择 ParametricRule。. 在ParametricRule中选 择MaximumLikelihood。 单击OK按钮，执行监督 分类。
•
•
C ：在Viewer窗口中 点击，打开Raster工 具面板。 D ：选择按钮，进入 多边形AOI绘制状态， 在视窗中选择深蓝色 区域，绘制一个多边 形AOI，在Signature Editr对话框，点击图 标，将多边形AOI区 域加载到Signature 分类模板中。
E ：重复上述操作过程，用同样的方法加载9个深蓝色多边形 AOI。