erdas遙感影像分類

課程：遙感數(shù)字圖像處理實驗

導(dǎo)師：陳浩張東水11城規(guī)1班彭蝴蝶1110020123某地區(qū)的遙感影像分類1練習(xí)的數(shù)據(jù)：現(xiàn)有某地區(qū)的TM影像。

2練習(xí)的目的：根據(jù)某地的TM影像，進行土地類型的劃分。

3練習(xí)的方法：用監(jiān)督分類和非監(jiān)督分類兩種方法對比分析。

4練習(xí)的大體流程如下：5非監(jiān)督分類非監(jiān)督分類運用1SODATA（IterativeSelf-OrganizingDataAnalysisTechnique）算法，完全按照像元的光譜特性進行統(tǒng)計分類，常常用于對分類區(qū)沒有什么了解的情況。使用該方法時。原始圖像的所有波段都參于分類運算，分類結(jié)果往往是各類像元數(shù)大體等比例。由于人為干預(yù)較少，非監(jiān)督分類過程的自動化程度較高。（1）在ERDAS圖標面板工具條中點擊Classifier圖標→C1assification→UnsupervisedClassification---→unsupervisedclassification對話框如右：確定輸入文件(InputRasterFile):smtm.img（要被分類的圖像）→確定輸出文件(OutputFile):unsuper.img（即將產(chǎn)生的分類圖像）→選擇生成分類摸板文件：OutputSignatureSet（將產(chǎn)生一個模板文件）→確定分類摸板文件(Filename):unsuper.sig→對Clusteringoptions選擇InitializefromStatistics單選框InitializefromStatistics指由圖像文件整體（或其AOI區(qū)域）的統(tǒng)計值產(chǎn)主自由聚類，分出類別的多少由自己決定?！_定初始分類數(shù)（Numberofclasses）:10(本練習(xí)中最終要分出5種類型的地物)，實際工作中一般將分類數(shù)取為最終分類數(shù)的2倍以上?！x最大循環(huán)次數(shù)（MaximumIterations）：12（確保循環(huán)次數(shù)）→設(shè)置循環(huán)收斂閾值（ConvergenceThreshold）：0.95收斂閾值（ConvergenceThreshold）是指兩次分類結(jié)果相比保持不變的像元所占最大百分之此值的設(shè)立可以避免ISODATA無限循環(huán)下去?！c擊OK按鈕（關(guān)閉UnsupervisedClassification對話框，執(zhí)行非監(jiān)督分類，獲得一個初步的分類結(jié)果6監(jiān)督分類

監(jiān)督分類比非監(jiān)督分類更多地要求用戶來控制，常用于對研究區(qū)域比較了解的情況。在監(jiān)督分類過程中，首先選擇可以識別或者借助其它信息可以斷定其類型的像元建立模板，然后基于該模板使計算機系統(tǒng)自動識別具有相同特性的像元。對分類結(jié)果進行評價后再對模板進行修改，多次反復(fù)后建立一個比較準確的模板，并在此基礎(chǔ)上最終進行分類。定義分類模板A：顯示需要進行分類的圖像在Viewer窗口中選擇打開smtm.img，在RasterOption中選擇FittoFrame，B：ERDAS圖標面板工具子，點擊Classifier→Classification→SignatureEditor，打開分類模板編輯器SignatureEditor。C：在Viewer窗口中點擊，打開Raster工具面板。D：選擇按鈕，進入多邊形AOI繪制狀態(tài)，在視窗中選擇深藍色區(qū)域，繪制一個多邊形AOI，在SignatureEditr對話框，點擊圖標，將多邊形AOI區(qū)域加載到Signature分類模板中。E：重復(fù)上述操作過程，用同樣的方法加載9個深藍色多邊形AOI。F：在SignatureEditor對話框中，將該類的Signature全部選定，然后點擊合并圖標，這時一個綜合的新模板生成，單擊其Signature屬性進入編輯狀態(tài)，輸入water，點擊color屬性，選擇深藍色，在SignatureEditor菜單條，單擊Edit/delete，刪除合并前的模板。G：在圖像上繼續(xù)選擇多個磚紅色區(qū)域AOI(farmland)，赭色區(qū)域AOI（forest），綠色區(qū)域AOI(grass)淺藍色區(qū)域AOI(resident)。H：保存模板（super.sig）評價分類模板（分類預(yù)警評價，可能性評價，分類的分離性）

分類預(yù)警評價

A：選中water類別

B：單擊View→ImageAlarm→打開SignatureAlarm對話框→選中IndicateOverlap，設(shè)置同時屬于兩個或以上的像元疊加預(yù)警顯示，點擊色框設(shè)置為黃色。C：點擊EditParallelepipedLimits按鈕→Limits對話框→點擊SET按鈕→打開SetParallelepipedLimits對話框→設(shè)置計算方法（Method）:Minimum/Maximum→選擇使用的模板（Signature）:Current→OK（關(guān)閉setParallelepipedLimits對話框）

→返回Limits對話框→Close（關(guān)閉Limits對話框）→返回SignatureAlarm對話框→OK（執(zhí)行報警評價，形成報警掩膜）→Close（關(guān)閉signatureAlarm對話框）D：根據(jù)SignatureEditor中指定的顏色，選定類別的像元顯示在原始圖像視窗中，并覆蓋在原圖像之上，形成一個報警掩膜結(jié)果如圖所示，發(fā)現(xiàn)resident面積過大，于是按照同樣的方法選擇AOI、刪除、合并再應(yīng)用分類預(yù)警評價檢驗?zāi)０宓臏蚀_性。

可能性評價

A：選中SignatureEditor屬性表中的所有類別。

B：單擊Evalute/Contingency，打開ContingencySignatureEditor屬性表中的所有類別。

C：單擊Evalute/Contingency，打開ContingencyMatrix對話框，Non-parametricRule,選擇FeatureSpace，OverlapRules選擇ParametricRule，UncalssifiedRule選擇,ParametricRule，ParametricRule選擇MaximumLikehood。D：設(shè)置完成后，點擊OK按鈕，便顯示分類誤差矩陣，（…chg4\ex1\super\contigency）。從分類誤差的總體百分比來看，誤差矩陣值大于85%，這個結(jié)果是令人滿意的。（如右圖：誤差矩陣）分類的分離性

A：在模板編輯器中選擇water、forest。

B：選擇SignatureEditor/Evaluate/Separability命令，打開SignatureSeparability對話框。

C：組合數(shù)據(jù)層數(shù)（LayersPerCombination）選擇3，DistanceMearsure選擇TransformedDivergence，OutputForm選擇ASCII，ReportType選擇CompleteReport。

D：點擊OK按鈕完成設(shè)置，計算其分離性，結(jié)果如下圖所示

。E：依次選擇其他的類計算分類的分離性。本試驗中TD的值均大于1700，則說明類可以分開，模板可以使用（3）進行監(jiān)督分類

完成以上步驟后便可以進行監(jiān)督分類，步驟如下：

選擇處理圖像文件（InputRasterFile）為：smtm.img。

在InputSignature中選擇super.sig。

在ClassifiedFile中設(shè)置數(shù)據(jù)存儲路徑及名稱，這里為super.Img。

選中輸出分類距離文件為DistanceFile。

在Non-ParametricRule中選擇FeatureSpace。

在OverlapRule中選擇ParametricRule。.

在ParametricRule中選擇MaximumLikelihood。

單擊OK按鈕，執(zhí)行監(jiān)督分類。結(jié)果評價（非監(jiān)督分類與監(jiān)督分類都是采用以下步驟進行評價）第一步分類疊加結(jié)束非監(jiān)督/監(jiān)督分類后，在Viewer窗口打開smtm.img和super.img，在打開super.img時RasterOptions中去除ClearDisplay選項。在Viewer窗口，選擇Utility/Flick命令，選擇AutoMode，Speed設(shè)為600。檢查分類結(jié)果的準確性。第二步精度評估A：在Viewer中打開分類前的smtm.img。選擇Main/ImageClassification/Classification/AccuracyAssessment命令，點擊SelectViewer按鈕，將光標在顯示有原始圖像的視窗中點擊一下，原始圖像視窗與精度評估視窗相連接。B：打開分類專題圖像AccuracyAssessment對話框菜單條：File→Open→打開ClassifiedImage對話框→在ClassifiedImage對話框中確定與視窗中對應(yīng)的分類專題圖像→OK（關(guān)閉ClassifiedImage對話框）→返回AccuracyAssessment對話框文件。在精度評價對話框中設(shè)置隨機點的色彩。在AccuracyAssessment對話框中，菜單條View/ChangeColors/Changecolor面板，在PointsWithnoReference確定沒有真實參考值的點的顏色，在PointsWithnoReference確定有真實參考值的點的顏色，設(shè)為紅色，單擊OK按鈕（執(zhí)行參數(shù)設(shè)置），返回AccuracyAssessment對話框。C：產(chǎn)生隨機點。在AccuracyAssessment對話框，選擇Edit/AddRandomPoints，打開AddRandomPoints對話框。在SearchCount中輸入確定隨機點過程中使用最多分析像元數(shù)，這個數(shù)目一般都比NumberOFPoint大很多；在NumberOFPoint輸入15；在DistributionParmeters選擇Random。單擊OK按鈕，返回AccuracyAssessment對話框。D：在AccuracyAssessment對話框，選擇View/ShowAll，所有隨機點均以設(shè)定的顏色顯示在視窗中。Edit/ShowClassValues，各點的類別出現(xiàn)在數(shù)據(jù)表的class字段中。E：輸入?yún)⒖键c的實際類別值。在AccuracyAssessment對話框中，在數(shù)據(jù)Reference字段輸入各個隨機點的實際類別值。F：設(shè)置分類評價報告輸出環(huán)境及輸出分類評價報告。AccuracyAssessment對話框中Report/Options，通過點擊確定分類評價報告的參數(shù)。Report/AccuracyReport，產(chǎn)生分類精度報告。Report/CellReport，報告有關(guān)產(chǎn)生隨機點的設(shè)置及窗口環(huán)境。有報告將顯示在ERDAS文本編輯器窗口，可以保存為文本。（5）分類后處理A：聚類統(tǒng)計聚類統(tǒng)計(Clump)是通過地分類專題圖像計算每個分類圖斑的面積、記錄相鄰區(qū)域中最大圖斑面積的分類值等操作，產(chǎn)生一個Clump類組輸出圖像，其中每個圖斑都包含Clump類組屬性；該圖像是一個中間文件，用于進行下一步處理。ERDAS圖標面板菜單條：Main→ImageInterpreter→GISAnalysis→Clump→Clump對話框或ERDAS圖標面板工具條：點擊Interpreter圖標→GISAnalysis→Clump→Clump對話框→Clump對話框中，需要確定下列參數(shù)：選擇處理圖像文件（InputFile）為super.img。在OutputFile中輸入super_clump。選擇文件坐標類型（CoordinateType）為Map。確定聚類統(tǒng)計臨域大?。–onnectNighbors）為4。點擊OK按鈕，執(zhí)行聚類統(tǒng)計分析。B：去除分析ERDAS圖標面板菜單條：Main→ImageInterpreter→GISAnalysis→Eliminate→Eliminate對話框或ERDAS圖標面板工具條：點擊Interpreter圖標→GISAnalysis→Eliminate→Eliminate對話框在OutputFile中輸入super_eliminate。文件坐標類型（CoordinateType）選擇Map。確定最小圖斑大?。∕inimum）為20。確定輸出數(shù)據(jù)類型（Output），為Unsigned4Bit.點擊OK按鈕，執(zhí)行去除分析。C：分類重編碼

ERDAS圖標