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。

→Maximum Iterations（定义最大循环次数）:24(一般在应用中将循环次数都取值 6 以上) →Convergence Threshold （设置循环收敛阈值）:0.950(取系统默认值)→单击OK 按钮（关闭Unsupervised Classification 对话框，执行非监督分类）下图为分类后的图：1.3 分类评价1）显示原图像与分类图像在视窗中同时显示 prin.img 和 prin_isodata.img,两个图像的叠加顺序为：prin.img （原图）在下，prin_isodata.img（分类图）在上。

在View#1窗口中依次打开原图和分类图。

注意：打开分类图时，select layer to add 对话框中 Raster Options 选择项中的“clear display”不勾选。

则可以保证在一个窗口中同时打开两幅图像。

2）打开分类图像属性表并调整字段属性右键prin_isodata文件，选择Display Attribute Table项，打开Attribute Table 窗口。

在Attribute Table窗口中，8 个记录分别对应产生的7个类及 Unclassified 类，每个记录都有一系列的字段。

如果想看到所有字段，需要用鼠标拖动浏览条。

3）给各个类别赋相应的颜色在Attribute Table窗口中，选中某一类Row字段，单击此类别颜色字段的颜色，即可为该类选择某一颜色，重复操作为所有类选择合适颜色。

4）不透明度的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度(Opacity)值设为 0（即改为透明），而要分析的类别的透明度设为 1（即不透明）在 Attribute Table中，直接将Opacity 字段中不需要分析的类的值改为0，需要分析的类的值设为 1. 此时，在视窗中只有要分析的类别的颜色显示在原图像的上面，其它类别都是透明的。

如下图：水体的Opacity被设为了0，并按回车键，水体部分的颜色变得与原图一致（即透明）。

可以右键影像→Swipe来查看。

5）确定类别专题意义及其准确程度右键影像→Flicker，打开Flicker工具条，点击Start/Stop开始闪烁，本步是设置分类图像在原图像背景上闪烁，观察它与背景图像之间的关系从而断定该类别的专题意义，并分析其分类准确与否。

6）标注类别的名称在Attribute Table中，单击刚才分析类别的Class Names 字段，并输入其专题意义（如水体、耕地、建筑等），重复第四到第六步直到对所有类别都进行了分析与处理。

得到如下结果：1.4 分类后处理分类重编码主要是针对非监督分类而言的。

由于非监督分类之前，用户对方类地区没有什么了解，所以在非监督分类过程中，一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过 ISODATA 聚类获得分类方案后，首先是对专题分类图像与原始图像对照，判断每个分类的专题属性，然后对相近或类似的分类通过分类重编码进行合并，并定义分类名称和颜色。

→Raster→ Unsupervised Classification→Fuzzy Recode→打开Fuzzy Recode对话框。

→Input Raster File (确定输入文件)→Output Cluster Layer (确定输出文件)→Neighbor Weighting Options：选择By Distance→OK执行编码1.5 精度评价执行了非监督分类之后，需要对分类效果进行评价，ERDAS系统提供了多种分类评价方法，包括分类叠加(classification overlay)、定义阈值(thresholding)、分类编码(recode classes)、精度评估(accuracy assessment)等，下面有侧重的进行。

1分类叠加(ClassificationOverlay)分类叠加就是将专题分类图像与分类原始图像同时在一个视窗中打开，将分类专题层置于上层，通过改变分类专题的透明度（Opacity）及颜色等属性，查看分类专题与原始图像之间的关系。

对于非监视分类结果，通过分类叠加方法来确定种别的专题特性、并评价分类结果。

对监视分类结果，该方法只是查看分类结果的正确性。

2分类重码对分类像元进行了分析之后，可能需要对原来的分类重新进行组合（如将林地1与林地2合并为林地），给部分或所有种别以新的分类值从而产生一个新的分类专题层。

3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已知分类的参考像元进行比较，实际工作中经常是将分类数据与地面真值、先前的试验舆图、航空相片或其它数据进行对比的途径之一。

下面是具体的操纵过程：1）在视窗中打开原始图像在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菜单条：→Raster→Supervised→AccuracyAssessment→打开Accuracy Assessment对话框Accuracy Assessment 对话框中显示一个精度评估矩阵（Accuracy Assessment Cellarray）。

精度评估矩阵中将包含分类图像若干像元的几个参数和对应的参考像元的分类值。

这个矩阵值可以使用户对分类图像中的特定像元与作为参考的已知分类的像元进行比较，参考像元的分类值是用户自己输进的。

矩阵数据存在分类图像文件中。

3）打开分类专题图像Accuracy Assessment 对话框菜单条：→→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4）将原始图像视窗与精度评估视窗相连Accuracy Assessment对话框：→工具条：点击SelectViewer图标（或菜单条：选择View菜单的SelectViewer）。

→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5）在精度评价对话框中设置随机点的色彩AccuracyAssessment对话框：→菜单条View →ChangeColors菜单项→打开Change color面板→在Points with no Reference确定没有真实参考值的点的颜色→在Points with Reference确定有真实参考值的点的颜色→OK（执行参数设置）→返回Accuracy Assessment对话框6）产生随机点本步操纵将在分类图像中产生一些随机的点，随机点产生之后，需要用户给出随机点的实际种别。

然后，随机点的实际种别与在分类图像的种别将进行比较。

Accuracy Assessment对话框：→Edit →Create/Add Random Points→打开Add Random Points对话框→在search Count中输进1024→在Number of Points中输进20→在Distribution Parameters选择Random单选框→OK（按照参数设置产主随机点）→返回Accuracy Assessment对话框可以看到在AccuracyAssessment对话框的数据表中出现了10个比较点，每个点都有点号、X/Y坐标值、Class、Reference等字段，其中点号、X/Y坐标值字段是有属性值的。

说明：在Add Random Point对话框中， search Count是指确定随机点过程中使用的最多分析像元数，当然这个数目一般都比Number of Point大很多，Number of Points设为20说明是产生20个随机点，假如是做一个正式的分类评价，必须产生20个以上的随机点。

选择Random意味着将产主尽对随机的点位，而不使用任何强制性规则。

Equalized Random 是指每个类将具有同等数目的比较点。

stratified Random是指点数与种别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择Use Minimum Points）,以保证小种别也有足够的分析点。

7）显随机点及其种别Accuracy Assessment对话框：→View→ShowAll(所有随机点均以第五步年设置的颜色显示在视窗中)。

→Edit→Show Class Values（各点的种别名出现在数据表的class字段中）。

8）输进参考点的实际种别值Accuracy Assessment对话框：→在数据表的Reference字段输进各个随机点的实际种别值（只不要输进参考点的实际分类值，它在视窗中的色彩就变为第5）步设置的Point With Reference颜色）9）设置分类评价报告输出环境及输出分类评价报告Accuracy Assessment对话框：→Report →Options→通过点击确定分类评价报告的参数→Report→Accuracy Report（产生分类精度报告）→Report→Cell Report（报告有关产生随机点的设置及窗口环境）。