监督分类、非监督分类操作手册
4.分类(监督与非监督分类)与裁剪
实验四分类（监督与非监督分类）与裁剪一、实验目的：理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的。
进一步理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的，同时深刻理解监督分类与非监督分类的区别。
学习通过ERDAS进行遥感图像规则分幅裁剪，不规则分幅裁剪的实验过程，能够对一幅大的遥感图像按照要求裁剪图像；二、实验内容：ERDAS遥感图像监督分类。
ERDAS遥感图像非监督分类。
遥感图像规则分幅裁剪，不规则分幅裁剪。
三、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图5-1 分类模板编辑器第三步：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2、评价分类模板介绍报警评价、可能性矩阵、直方图三种分类模板评价方法。
要求学生重点掌握利用可能性矩阵方法评价分类模板。
3、执行监督分类在监督分类中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法。
对参数模板有最大似然法、最小距离法等。
但要注意对应用范围，如非参数模板只能应用于非参数型模板；对于参数型模板，要使用参数型规则。
另外，使用非参数型模板，还要确定叠加规则和未分类规则。
监督分类对话框2、分类过程（Classification Procedure）第一步：调出非监督分类对话框方法一：DATA PRETATION→UNSUPERVISED CLASSIFICATION.方法二：Classifier图标→classification→unsupervised classification第二步：进行监督分类调出：unsupervised classification对话框，逐项填写。
实际工作中常将分类数目取为最终分类数目的两倍；收敛域值是指两次分类结果相比保持不变的像原所占最大百分比。
实习监督分类与非监督分类
1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。
同时确定土地的覆盖类型、编码以及色调。
居民点Town 砾石gravel desert道路Road 水稻田paddy land水浇地irrigated land 水库reservoir裸地barren land 工业区industrial area滩地shoaly land 林地forest草地grassland 河流stream2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。
加载512*512影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。
3. 计算各个样本之间的可分离性。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。
4. 监督分类：利用最大似然法完成分类。
①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。
在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。
具体操作：在监督分类影像中的Image上选择Overlay |Classification，点击“Supervised”，选择Option |Edit class colors/name 等来修改地物的名称和颜色5. 分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。
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。
实习8、监督分类与非监督分类
1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。
同时确定土地的覆盖类型、编码以及色调。
居民点Town 砾石gravel desert道路Road 水稻田paddy land水浇地irrigated land 水库reservoir裸地barren land 工业区industrial area滩地shoaly land 林地forest草地grassland 河流stream2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。
加载512*512影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。
3. 计算各个样本之间的可分离性。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。
4. 监督分类：利用最大似然法完成分类。
①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。
在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。
具体操作：在监督分类影像中的Image上选择Overlay |Classification，点击“Supervised”，选择Option |Edit class colors/name 等来修改地物的名称和颜色5. 分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。
(完整word版)ENVI监督分类与非监督分类
对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类,在输出的文件中选择相同的类别，点击Add Combination,所有的类别合并完后点击确定即可。
结果与分析1、各个样本之间的可分离性.说明哪些地物类型之间较易区分，哪些类型之间难以区分。
Jeffries-Matusita（J—M距离）：水稻田水浇地河流居民地草地林地工业区裸地水稻田1。
99982。
00002.00002。
00001.95252.00002。
0000水浇1。
99982.00002。
00001.94941。
98902。
00002.0000Band0。
85 0。
90 0。
88 0.93 1.00 0.97 5Band0.90 0.93 0。
92 0。
92 0。
97 1。
00 63、最大似然法进行监督分类结果：原影像最大似然法进行监督分类结果监督分类的最大似然法分类结果中,主要的地物都可以被区分出来,地物分工业区94.7494.7418/1918/19裸地100.00100。
0042/4242/425、Clump Classes和Sieve classes结果：Clump Classes3＊3处理结果：Clump Classes5*5处理结果：在聚类统计的结果上很容易看出原本监督分类的生成结果中严重的椒盐现象消失了,地物类型都相对完整,但有些细节已经被消除看不清楚，3*3窗口与5＊5窗口生成的结果区别就在于3＊3窗口的细节较5*5窗口的更加清楚具体, 5＊5窗口将周边的面积较小的地物完全合并在一起.Sieve classes结果（Number of Neighbors设为8）：Sieve classes结果（Number of Neighbors设为4）：对影像的过滤分析生成的结果显得椒盐现象更加严重，结果影像上出现了很多小黑点，Number of Neighbors的值设置的越小,小黑点越密集，但是经过过滤分析的影像”孤岛”现象都已经消失。
ERDAS界面认识基本功能、图像增强、监督分类非监督分类操作教程
实验一界面认识ERDAS Imagine软件简介.实习目的：了解ERDAS Imagine 软件模块构成、功能.内容：·ERDAS IMAGINE软件概述（Introduction）·ERDAS IMAGINE目标面板（Function System）·ERDAS IMAGINE功能体系（Function System）1． ERDAS IMAAGINE软件概述（Introduction ）ERDAS IMAGINE是美国ERDAS公司开发的专业遥感图像处理与地理信息系统软件。
ERDAS IMAGINE是以模块化的方式提供给用户的，可使用户根据自己的应用要求、资金情况合理地选择不同功能模块及其不同组合，对系统进行剪裁，充分利用软硬件资源，并最大限度地满足用户的专业应用要求。
ERDAS IMAGINE面向不同需求的用户，对于系统的扩展功能采用开放的体系结构，以IMAGINE Essentials、IMAGINE Advantage，IMAGINE Professional的形式为用户提供了低、中、高三档产品架构，并有丰富的功能扩展模块供用户选择，使产品模块的组合具有极大的灵活性。
1．1 IMAGINE Essentials级是一个花费极少的，包括有制图和可视化核心功能的图像工具软件。
借助IMAGINE Essentials可以完成二维／三维显示、数据输入、排序与管理、地图配准、专题制图以及简单的分析。
可以集成使用多种数据类型，并在保持相同的易于使用和易于剪裁的界面下升级到其它的ERDAS产品。
1．2 IMAGINE Advantage级是建立在IMAGINE Essential级基础之上的，增加了更丰富的栅格图像GIS分析和单张航片下正射校工等强大功能的软件。
IMAGINE Advantage为用户提供了灵活可靠的用于栅格分析、正射校正、地形编辑及图像拼接工具。
简而言之，IMAGINE Advantage是一个完整的图像地理信息系统（Imaging G1S）。
非监督分类
非监督分类1.打开非监督分类对话框DataPrep图标/Data Preparation/Unsupervised Classification菜单项；(1)如下图输入相应参数后，点击OK完成非监督分类；(2)分类评价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。
a.显示原图像与分类图像在视窗中同时显示fenlei.img和shxfenlei.img两个图像，叠加顺序为fenlei.img在下，shxfenlei.img在上。
在视窗中打开Blend即可查询得到1.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)。
2.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。
得到非监督分类图像如下图所示：精度评价：在viewer中打开分类前的原始图像fenleitm.img以便进行精度评价。
打开accuracy assessment对话框,在此file/open中打开分类后的图像shxfenlei.img，将原始图像与精度评估视窗相连接view/select viewer,将光标在显示有原始图像的视窗中点击一下，确定与视窗中对应，ok并返回如下图示。
在精度评价中设置随机点的色彩，view/change colors菜单项，打开change color面板确定没有真实参考值的点的颜色为白色，有真实参考值的点的颜色为黄色选择OK后，在精度评价窗口中的编辑产生随机评估点。
随机点产生后，需要给出随机点的实际类别，然后，随机点的实际类别与分类图象的类别将进行比较，操作过程为edit/create/add random points，打开如下对话框及其设置可以看到生成十个比较点将这些点的类别显示出来,view/show all,所有点在视窗中以白色显示出来，edit/show class values使各类别号出现在数据表的class字段中：看随机点的分类是否正确，如果与自己分类的形同，则在Rererence的位置上填写相同的分类，如果不同，则填写正确的分类。
监督分类与非监督分类
光谱理论，遥感影像上的同类地物在相同的表面结构特征、植被覆盖、光照条件下，具有相同或相近的光谱特征,应归属于同一个光谱空间区域;不同的地物，光谱信息特征不同，应归属于不同的光谱空间区域。
数据准备与研究区概况实习数据：1. 512×512的研究区 Landsat 8 OLI影像；研究区概况:研究区域位于甘肃省金昌市北部，东北部分连接腾格里沙漠。
研究区地形以戈壁为主，有少量沙漠，土地干旱;植被以干旱植物为主，有叫少量的数目与草地，无河流。
土地空旷。
根据所下载影像数据命名规则可知,成像时间为2014年第262天,即八月下旬。
由于影像为西北河西走廊区域金昌市,农作物一年一熟，成熟期约为八月，故此时农作物尚未成熟。
农作物与各植物依旧呈现绿色。
研究区大部分以沙漠及戈壁为主，除此之外，有少量砾漠、草地、农田等，且有一条较小的河流与一片较大水体,地物种类简单且形式单一。
研究区含小部分城区且城区规模较小，建筑物密集度低，城镇高楼较少，农村建筑以砖瓦房为主，有少量土坯房。
其余戈壁区域未经人为开发，为自然状态。
操作步骤一、监督分类：1、选取研究区数据（512×512或者1024×1024)，结合GoogleEarth影像通过目视解译建立分类系统及其编码体系;编码体系如下：编码地物名称色调12水浇地 irrigated land R225 G225 B15030草地 grassland R170 G190 B03051河流 stream R150 G240 B25552水库、坑塘 reservoir or pond R160 G205 B24071沙漠 sandy desert R200 G190 B17072砾漠 gravel desert R215 G200 B18573裸地及盐碱地 barren land R200 G205 B2002、按照监督分类的步骤,在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区:训练样本如下:对训练样本进行统计，结果如下：对训练样本中各地物特征值进行统计,得到各个类别的特征统计表：地物类型73:barren land 采样单元数：波段1234567号：单变量统计最小13329132781422116003179042056019082值最大14137143391590318212208392251620998值均值13593。
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。
子情景4遥感图像分类——遥感影像监督分类和非监督分类.
6）产生随机点; Edit > create/add random points
7）显示随机点类别; view> show all ; Edit > show class values 8）输入参考点类别; Reference 输入 9）输出分类评价报告； Report> accuracy report
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
类别合并需要考虑实际意义
2）应用AOI扩展绘图工具获取分类模板信息
Region growing properties 进行Neighborhood 属性设置。
利用Region grow AOI选择种子点。
提示：AOI> seed properties>region growing Properties
约束条件：Area确定最多的像元数； Distance确定包 含像元距离种子点像元的最大距离。
2.评价分类模板（Evaluating Signatures） 类别的分离性：
用于计算任意类别间的统计距离，这个距离可以确定两 个类别间的差异程度，也可以确定在分类中效果最好的 数据层。
类别间统计距离计算公式： 1）欧氏光谱距离；2）Jeffries-matusta距离； 3)Divergence 分离度；4）Transformed divergence 转换 分离度
提示：对比Utility>flicker/ Blend/ Swipe区别
监督分类与非监督分类
缺点
• 主观性； • 由于图象中间类别的光谱差异，使得训练样
本没有很好的代表性； • 训练样本的获取和评估花费较多人力时间； • 只能识别训练中定义的类别。
第 8 章 遥感图像自动识别分类
§8-4 非监督分类
§8-4非监督分类
二 非监督分类 仅凭遥感影像地物的光谱特征的分布规
律，即自然聚类的特性，进行“盲目”的 分类；
否 是
迭代次数=I或相邻两次迭代类别中心变动小于限值
否 否
σ > TS 是
确定分裂后的中心
输出
否
DIK< TC
是
确定并类后的中心
ISODATA算法过程框图
(三) 平行管道法聚类分析
它以地物的光谱特性曲线为基础，同 类地物在特征空间上表现为以特征曲线 为中心，以相似阈值为半径的管子，此 即为所谓的“平行管道”。
(二) ISODATA算法聚类分析
可以自动地进行类别的“合并”和“分 裂”，从而得到类数比较合理的聚类结 果。
迭代次数 每类集群允许
选定初始类别中心
的最大标准差
输入迭代限值参数:I,Tn, TS ,TC
集群允许的最 短距离
对样本像素进行聚类并统计ni,m,σ
每类集群至少 的点数
ni<Tn
是 取消第i类
第 8 章 遥感图像自动识别分类
§8-3 监督分类(续)
原始影像数据的准备
(二) 分类过程
图像变换及特征选择 分类器的设计
初始类别参数的确定 逐个像素的分类判别
形成分类编码图像 输出专题图
▪ 选择样本区域 植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
监督分类与非监督分类
图像分类一、实验目的1、理解遥感图像分类的基本原理和方法。
2、掌握在ERDAS IMAGINE 软件中进行非监督分类、监督分类的操作流程以及两种分类方法的区别。
3、 了解分类后处理及精度评价原理及过程。
二、 实验设备1、ERDAS IMAGINE 遥感影像处理软件。
三、 实验过程及要求1、 非监督分类ERDAS IMAGINE 使用ISODATA 算法（基于最小光谱距离公式）来进行非监督分类。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值：聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
ISODATA 实用程序不断重复，直到最大的循环次数已达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。
1.1 分类流程图1.2 分类过程1）调出非监督分类对话框在菜单栏中单击Raster → Unsupervised Classification →选择Unsupervised Classification 项，打开Unsupervised Classification 对话框。
影像分析结果验证分类后处理类别定义/类别合并影像分类分类器选择ISODATAK MENA 其它2）进行非监督分类在 Unsupervised Classification 对话框中→Input Raster File (确定输入文件)：待分类的图像（此处为经过主成分分析后的图像）。
→Output Cluster Layer (确定输出文件)。
→勾选Output signature Set （选择生成分类模板文件）→ (确定分类模板文件) 。
→Cluster Options:选择 Initiate from Statistics.→分类方法:选择isodata.→Number of Classes（确定初始分类数）:7→对于 Initializing Options 和 Color Scheme Options 两项均取缺省值。
ENVI非监督分类：ENVI图文教程
ENVI非监督分类：ENVI图文教程ENVI非监督分类的流程(1) 根据具体项目需求先整体上分析一下分类的影像，确定好需要分类出几类。
(2) 选择适合的分类算法。
(3) 对分类出来的类别进行定义、合并、删除。
(4) 分类后处理。
(5) 结果验证。
ENVI非监督分类的算法非监督分类仅仅用统计方法对数据集中的像元进行分类，它不需要用户定义任何训练分类器。
Unsupervised Classificatio n 菜单为你提供了：（1）Iso Data(迭代自组织数据分析技术)（2）K-Means(K-MEANS算法)两种非监督分类技术。
单个菜单具体内容如下所述。
IsodataIsodata 非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。
每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。
重复分类是分割、融合和删除是基于输入的阈值参数的。
除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。
这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。
详情参见：Tou, J. T. and R. C. Gonzalez, 1974. Pattern Recognition Principles, Addison-Wesley Publishing Company, Reading, Massachusetts.执行Isodata（独立数据）非监督分类：（1）打开影像数据（打开影像数据的方法参考上节内容），在这我们使用的是练习数据位置参考下图。
（2）读取波段值（R:4,G:3,B:2）,结果如下图。
（3）选择Classification > Unsupervised > Isodata.（4）出现Classification Input File 对话框，进行标准文件选择或输入文件的子集和掩模。
envi操作(2)
八、定义感兴趣区及分类主窗口—Classification：监督分类，非监督分类，决策树分类。
2）监督分类：按照分类以前自定义的样本进行分类。
2 样本选择：主影像窗口—Tools—Region Of Interest—ROI Tool 调出感兴趣区工具窗口进行样本选择，可以进行样本编辑（名称，颜色，填充方式等），样本选择越精确，分类结果越好。
2 选择分类方式：分类方式包括平行六面体法、最短距离法、马氏距离法、最大似然法、波谱角分类以及二进制编码法等，选择合适的分类方式。
2 引入影像—确定分类范围和波段—选择样本—给定阈值—确定存储路径和文件名—OK。
平行六面体法：用一条简单的判定规则对多波谱数据进行分类。
判定边界在图像数据空间中，形成了一个N维平行六面体。
平行六面体的维数由来自每一种选择的分类的平均值的标准差的阈值确定。
如果像元值位于N个被分类波段的低阈值与高阈值之间，则它归属于这一类。
如果像元值落在多个类里，那么ENVI将这一像元归到最后一个匹配的类里。
没有落在平行六面体的任何一类里的区域被称为无类别的。
最短距离法：用到每一个终端单元的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。
所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为“无类别”）。
马氏距离法：是一个方向灵敏的距离分类器，分类时用到了统计。
它与最大似然分类有些类似，但是假定所有类的协方差相等，所以是一种较快的方法。
所有像元都被归到最临近的ROI类，除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别）。
最大似然法：假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。
除非选择一个可能性阈值，所有像元都将参与分类。
每一个像元被归到可能性最大的那一类里。
波谱角分类：（SAM）是一个基于自身的波谱分类，它是用n维角度将像元与参照波谱匹配。
监督分类、非监督分类操作手册
ERDAS IMAGINE Professional 操作手册—监督分类和非监督分类图像分类简介：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。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。
非监督分类运用1SODATA（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。
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、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。
由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification 菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。
监督分类与非监督分类
监督分类与非监督分类（1） 非监督分类监督分类的原理是利用计算机自动判别，erdas中我们主要采用isodata算法，在算法的设计上我们要做一个预算次数的限定，否则有些图像会出现死循环，没法继续。
在主菜单模块中点击CLASSIFIER，在打开的对话框中点击unsupervised classification项，打开如图二的对话框，在input raster file输入germtm.img 影像，填写输出文件名称，去掉右边的勾选项，在output colorScheme options 选项框打开，点选approximate true color 选项，close，number of classe改为12类，最大迭代次数改为24次，点击ok执行非监督分类。
其结果如下图三所示，图四为其属性值（2） 监督分类监督分类主要确定训训练样区，有很多种方法可以判定训练样区，当然也可以拿非监督分类的记过做实验样区。
本实验的训练样区是采用人工目视判别，首先制作训练样区的分类下图所示是确定好的类中分类，然后在训练样区的基础上对图像进行分类。
打开classifier 模块，在弹出对话框点选第一项signature editor 项，弹出对话框如图五所示。
在view1中选择一些典型特征区域，分别为耕地，城市，水域，森林四类，如图五所示。
选择signature editor菜单中classify中的supervised项，弹出如图六所示对话框，填写输入输出文件名及地址，然后选择overlap rule 为parametric 项，unclassified选择parametric，parametric rule选择parametric ，点击ok执行监督分类。
执行效果如图七所示。
监督分类与非监督分类汇总教材
操作步骤一、监督分类：1、选取研究区数据（512×512或者1024×1024），结合GoogleEarth影像通过目视解译建立分类系统及其编码体系；编码体系如下：编码地物名称色调12 水浇地irrigated land R225 G225 B15030 草地grassland R170 G190 B03051 河流stream R150 G240 B25552 水库、坑塘reservoir or pond R160 G205 B24071 沙漠sandy desert R200 G190 B17072 砾漠 gravel desert R215 G200 B18573 裸地及盐碱地barren land R200 G205 B2002、按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区：训练样本如下：对训练样本进行统计，结果如下：ban d7 241388.72320377.44538052.43808207.371071346.471460959.071327725.27相关系数矩阵band11.00 0.99 0.97 0.93 0.83 0.69 0.76band20.99 1.00 0.98 0.95 0.86 0.72 0.79band30.97 0.98 1.00 0.99 0.92 0.79 0.86band40.93 0.95 0.99 1.00 0.97 0.85 0.90band50.83 0.86 0.92 0.97 1.00 0.93 0.95band60.69 0.72 0.79 0.85 0.93 1.00 0.99band70.76 0.79 0.86 0.90 0.95 0.99 1.00 3、对所选ROI样本进行可分离性评价，结果如下：JM值统计表：Jeffries-Matusita30 12 51 52 71 72 7330草地 1.999 1.999 2.000 1.999 1.998 1.99812水浇地1.999 1.9992.000 2.000 2.000 2.00051河流 1.999 1.999 1.995 2.000 2.000 2.000 52水库 2.000 2.000 1.995 1.993 2.000 2.00071沙漠 1.999 2.000 2.000 2.000 1.999 1.99972砾漠 1.998 2.000 2.000 2.000 1.999 1.89673裸地 1.999 2.000 2.000 2.000 1.999 1.896分离散度统计表：Transformed Divergence30 12 51 52 71 72 7330草地 1.941 2.000 1.785 2.000 2.000 2.00012水浇2.000 2.000 2.000 2.000 2.000 2.000地51河流 2.000 2.000 1.980 2.000 2.000 2.00052水库 2.000 2.000 2.000 2.000 2.000 2.00071沙漠 2.000 2.000 2.000 2.000 2.000 1.99972砾漠 2.000 2.000 2.000 2.000 2.000 2.00073裸地 2.000 2.000 2.000 2.000 2.000 2.000分析上述可分性度量矩阵可知，各地物间JM值均在1.8以上，因此可以有效的对各地物进行区分，因此所选ROI样本很适合与此监督分类。
非监督分类
2. 影响分类结果的因素是什么？ 为什么利用同样的方法分类，两幅影像的分类结果会存在很大的差别？
a.影像分类结果的因素包括 （1）计算机的分辨率、识别和计算方法 （2）判读者的经验 （3）图像分辨率 （4）同物异谱和异物同谱 （5）分类的计算方法 （6）云和大气等干扰 （7）分类数量的定义 b.分类结果产生差异的原因 （1）计算机的分辨率、识别和计算方法 （2）判读者的子类定义不同 （3）图像分辨率 （4）云和大气等干扰
1.监督分类 对南宁市2006年影像进行监督分类，并保存ROI文件和分类结果图像。 步骤： （1）定义样本 （2）选择训练样区 （3）分离性评价 （4）监督分类 （5）去噪 （6）精度评价
根据南宁市土地利用情况及国际撒分类要求， 将南宁市土地类别分为林地、水体、建筑用 地、灌草地、裸地和耕地六类
3. 非监督分类与监督分类有什么区别？ 你认为非监督分类适合什么情景下采用？
a.监督分类与非监督分类的根本区别点在于是否利用训练场地来获取先验的类别知识。 （1）训练场地的选择是监督分类的关键， 监督分类根据训练场提供的样本选择特征参数， 建立判别函数，对待分类地区进行分类。 （2）非监督分类方法简单，且分类具有一定精度， 非监督分类不需要更多的先验知识，它根据地物的光谱统计特 性进行分类，分类结果的好坏需要经过实际调查来检验。
最大释然法分类分类结果
去噪
（3）监督分类ROI作为真实ROI对监督分类结果进行验证
（4）非监督分类结果图像作为真实地表影像对监督分类结果惊醒验证
2. 非监督分类 对南宁市2006年影像进行非监督分类，并保存分类结果。
步骤：
（1）选择分类方法及分类数 （2）识别和定义子类 （3）合并子类 （4）精度评价
监督分类ROI 和分类结果作 为检验样本
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。
监督分类和非监督分类word精品文档11页
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：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。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
- 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)。
ERDAS IMAGINE Professional 操作手册—监督分类和非监督分类图像分类简介：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。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。
非监督分类运用1SODATA（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。
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、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。
由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification 菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。
1、非监督分类（Unsupervised Classification）ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。
聚类过程始于任意聚类平均值或一个己有分类模板的平均值：聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
ISODATA实用程序不断重复，直到最大的循环次数已达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。
1、在ERDAS IMAGINE图标面板上，点击Dataprep图标。
打开Data Preparation对话框：生成专题栅格层1、从Data Preparation菜单选择Unsupervised Classification。
打开Unsupervised Classification对话框。
2、在Data Preparation菜单上点击Close。
3、在Unsupervised Classification对话框中的Input Raster File，输入germtm.img。
4、在Output File下输入germtm_isodata.img。
设置Initial Cluster Options5、在Clustering Options下，Number of Classes后输入10 。
选择处理选项1、在Processing Options下的定义最大循环次数（Maximum Iterations）为24。
最大循环次数（Maximum Iterations）是指ISODATA重新聚类的最多次数，这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。
一般在应用中将循环次数都取6次以上。
2、设置循环收敛阈值（Convergence Threshold）为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。
3、在Unsupervised Classification对话框中，点击OK。
4、在Job Status对话框中，当完成100%时，点击OK。
2、监督分类内容：定义分类模板、评价分类模板、进行监督分类、评价分类结果。
监督分类一般有以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification ）。
下面将结合例子说明这几个步骤。
定义分类模板（Define Signature Using signature Editor）准备工作1、显示需要进行分类的图像，从Viewer菜单条上选择File -> Open -> Raster Layer，显示需要分类的图像，打开Select Layer To Add对话框：2、在Select Layer To Add对话框的File name部分，从<ERDAS_Data_Home>/examples路径下选择germtm.img，这个影像将被进行分类。
3、在对话框的上面点击Raster Options，然后设置Layers to Colors 的Red，Green，Blue 分别为4，5和3。
4、点击Fit to Frame选项。
5、在Select Layer To Add对话框里，点击OK。
打开模板编辑器1、在ERDAS IMAGINE图标面板上，点击Classifier图标。
显示Classification菜单。
2、从Classification菜单上选择Signature Editor，运行Signature Editor。
打开Signature Editor。
3、在Classification菜单上，点击Close，从屏幕上去除这个菜单。
4、在Signature Edit上选择View→Columns，打开View Signature Columns对话框。
5、在View Signature Columns对话框的第一栏Column上右键，进入Row Selection菜单，点击Select ALL。
6、按住Shift键，选择Column的3，4，5对应的Red, Green，Blue取消选中这些行。
7、在View Signature Columns对话框中，点击Apply。
8、在View Signature Columns对话框中，点击Close。
应用AOI工具获取分类模板信息1、在Viewer菜单条上，选择AOI -> Tools。
显示AOI工具面板。
2、在Viewer 工具条上的放大工具，放在Viewer中的germtm.img的亮绿色区域。
3、在AOI工具面板上，点击多边形图标。
4、在Viewer中的放大的绿色区域中画多边形。
5、在Signature Editor上，点击图标或者从工具条上选择Edit -> Add将多边形AOI区域加载到Signature分类模板中。
6、在Signature Editor上，在刚加的样本的Signature Name栏点击，改变名字为Agricultural Field_1，然后按Enter键。
7、在Signature Editor上，点击Agricultural Field_1旁的Color栏，选择Green。
8、在Viewer窗口中的germtm.img影像上的浅蓝/蓝绿色区域上放大。
9、重复步骤2到4，画多边形。
10、建立完多边形后，多边形周围的框表明这个多边形已经被选中。
在在Signature Editor上，点击图标或者从工具条上选择Edit -> Add将多边形AOI区域加载到Signature 分类模板中。
11、在Signature Editor上，在刚加载的样本的Signature Name栏点击，改变名字为Agricultural Field_2，然后按Enter键。
12、在Signature Editor上，点击Agricultural Field_2旁的Color栏，选择Cyan。
选择临近选项（Select Neighborhood Options）1、从Viewer菜单上，选择AOI -> Seed Properties。
打开Region Growing Properties对话框。
2、在Region Growing Properties对话框中，点击临近图标。
3、在Geographic Constrains下，选中Area检查框设置地理约束，在Area字段后输入300。
4、在Spectral Euclidean Distance中设置距离为：10 。
5、在Region Grow Options对话框中，点击Options。
打开Region Grow Options对话框。
6、在Region Grow Options对话框中，确保Include Island Po1ygons被选中。
7、在Region Grow Options对话框中，点击Close。
建立一个AOI1、在AOI工具面板上，点击区域增长图标。
2、在Viewer中的germtm.img亮红区域上点击。
这是森林区域。
3、在Region Growing Properties对话框中，在Area和Spectral Euclidean Distance字段重新输入数字，Area为500，Spectral Euclidean Distance为15。
4、在Region Growing Properties对话框中，点击Redo，用新的参数修改AOI多边形。
加载一个样本1、AOI选择之后，点击图标，将扩展AOI区域加载到signature分类模板中。
2、在Signature Editor中，改变刚才加入模板的Signature Name的名字（Name）为Forest_1，然后按Enter。
3、在Signature Editor中，改变Forest_1的Color，选择Yellow。
4、在Region Growing Properties对话框中，在Area字段中输入300。
加载另一个样本1、在Viewer中，选择Utility -> Inquire Cursor。
2、在Viewer中的germtm.img影像上，将十字光标交点拖拉到一个深红区域，这是森林区域。