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。
选择Classification中的分类后处理post classification，选择混淆矩阵Confusion Matrix的Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一对应加载进来，点击确定，即可生成混淆矩阵6. 分类后处理（clump—sieve—majority）。
类别集群：选择Classification |Post Classification，Clump Classes，在Select Input File对话框中选择Supervised。
最后设定数据输出路径。
类别筛选：选择Classification |Post Classification |Sieve classes，在Select Input File中选择Supervised，Group Min Threshold设为2, Number of Neighbors为8，进行保存。
主/次要分析：Classification |Post Classification |Majority/Minority Analysis，在Select Input File对话框中选择Supervised |Select All Items，Analysis Method设定为Majority，最后选择保存路径。
Clump对话框Sieve对话框Majority对话框7. 非监督分类：预先假定地表覆盖类型为30类，迭代次数选为15，由系统完成非监督分类；然后进行类别定义与合并子类，最后进行结果评价。
1、选择Classification的非监督分类Unsupervised，选择者IsoData，选择512*512子区，设置参数。
2、在Overlay下选择Classification，选择之前的非监督分类影像，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、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。
特征统计表Stats for ROI: greval desert [Yellow1] 1325 pointsBasic Stats Min Max Mean Stdev EigenvalueBand 163.00 89.00 76.79 4.63 535.02Band 260.00 93.00 76.14 6.78 10.10Band 376.00 117.00 95.99 8.34 4.03Band 464.00 98.00 82.60 7.16 1.35Band 569.00 124.00 97.56 13.95 0.98Band 660.00 113.00 86.65 13.01 0.69Stats for ROI: road [Cyan2] 181 pointsBasic Stats Min Max Mean Stdev EigenvalueBand 151.00 78.00 63.13 6.05 489.67Band 243.00 79.00 57.26 6.92 161.11Number of classes为分类的数目；Maximum iterations为迭代次数原始影像分类后影像经过最大似然法的监督分类后，主要地物可以被分类出来，可以看出大概的分类结果和各种主要地物的分布情况，但由于算法本身存在问题和在选取训练区时的人为因素造成很严重椒盐现象并且由于人为因素使得居民点划分有很大误差。
4、分类精度评价Overall Accuracy = (7639/9947) 76.7970%Kappa Coefficient = 0.7046Ground Truth (Pixels)Class town gravel desert road paddy land irrigated landUnclassified 0 0 0 0 0 town 543 22 9 2 0 greval desert 7 1182 3 0 0 road 33 0 124 75 3 paddy land 0 0 7 1886 5 irrigated lan 0 0 5 5 446 reservoir 0 0 0 16 0 barren land 76 118 5 1 0 industrail ar 45 3 19 14 0 shoaly land 0 0 0 17 0 forest 0 0 9 8 2 grssland 0 0 0 0 0 stream 0 0 0 0 0 Total 704 1325 181 2024 456Ground Truth (Pixels)Class reservoir barren land industrial area shoaly land forestUnclassified 0 0 0 0 0 town 0 450 13 0 0 greval desert 0 1022 3 0 0 road 0 46 25 1 2 paddy land 0 0 1 0 0 irrigated land 0 0 4 0 1分类后影像clump后影像【结果与分析】：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【结果与分析】：过滤处理解决分类影像中出现的孤岛问题。
过滤处理使用斑点分组方法来消除这些被隔离的分类像元。
但是使得影像更为破碎，出现了更多的黑点（在影像北方的裸地与砾石更加明显），椒盐现象更明显。
分类后影像Majority后影像【结果与分析】：主要分析后的影像效果较好，椒盐现象得到一定程度的避免，并且将一些影像里小的地块进行合并，使影像更加光滑。
7. 运用ISODA TA方法进行非监督分类：监督分类影像非监督分类影像非监督分类处理影像【结果与分析】：非监督分类影像中共30种根据摇感光谱划分的地物，明显可以感觉到地物分离太过破碎，并且由于“同物异谱”、“异物同谱”等原因使得同一地物被划分成不同类别或者不同地物被划分为同一地物；非监督分类处理影像将30类进行处理与合并，将名称与颜色进行重处理，然后得到影像，但是由于一些地物（水库、草地）等分布较少、破碎，所以被漏分，并且由于非监督分类后，30种地物有的颜色一致，在后期处理里存在很大的问题，使得同一个地物不知道是何种。
存在问题与解决办法1、在监督分类进行训练样本数据采集时，由于对影像的地理信息不是很清楚，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。
解决办法：加载结果影像，观察错分的地物，然后在人为的将错选的地物归类到合适的ROI；2、在非监督分类中由于“同物异谱”、“异物同谱”等原因使得同一地物被划分成不同类别或者不同地物被划分为同一地物，并且由于30种颜色有的重复，不能确定对应关系，操作很麻烦；解决办法：每一种颜色变动后，在重新加载，观察前后两张影像变动地方，然后在进行。