实验四遥感图像分类一、背景知识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。

常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。

非监督分类运用ISODATA（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)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。

由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。

二、实验目的理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。

能够针对不同情况，区别使用监督分类、非监督分类。

理解计算机分类的常用算法实现过程。

熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。

三、实验容（6课时）1.非监督分类（Unsupervised Classification)；2.监督分类（Supervised Classification)；3.分类精度评价（evaluate classification）；4.分类后处理（Post-Classification Process）；四、实验准备实验数据：非监督分类文件：germtm.img监督分类文件：tm_860516.img监督模板文件：tm_860516.sig五、实验步骤、方法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己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停止。

(1)打开非监督分类对话框DataPrep图标/Data Preparation/Unsupervised Classification菜单项；(2)如下图输入相应参数后，OK完成非监督分类；(3)分类评价(Evaluate Classification )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。

1.显示原图像与分类图像在视窗中同时显示germtm.img和germs_isodat两个图像，叠加顺序为germtm.img在下，germtm_isodat.img在上。

germtm.img显示方式用红(4)、绿(5)、蓝(3)。

2.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)。

3.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。

4.不透明度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程度(Opacity)值设为0(透明)。

而要分析的类别的透明度设为1(即不透明)，操作方法：Rarster Attribute Editor对话框(genntm_isodata的属性表)：右键点击Opacity字段的名字，打开Column Options菜单，选择Formula 菜单项：在formula对话框的formula输入框中(用鼠标点击右上数字区)输入0，点击Apply按钮(应用设置)，所有类别设置成透明的。

把要所分析类别的不透明度设置为1。

逐类别检查分析类别的分类准确性。

5.确定类别专题意义及其准确程度视窗菜单条：Utility/Flicker6.标注类别的名称和相应颜色Rarster Attribute Editor对话框(germtm_isodata的属性表)：点击该类别的Class Names字段从而进入输入状态，右键点击该类别的Color字段(颜色显示区)，选择一种合适的颜色(如水体为蓝色)。

2、监督分类ERDAS IMAGINE的监督分类基于分类模板进行，分类模板的生成、管理、评价、和编辑等功能由分类模板编辑器实现。

分类模板的生成器可以基于原始图像其特征空间图像。

(1)显示需要进行分类的图像，在视窗中显示tm_860516.img：(2)打开模板编辑器并调整显示字段Classifier图标/Classification菜单/Signature Editor菜单项，打开Signature Editor对话框：(3)对分类意义不大的字段，调整如下：Signature Editor对话框菜单条：View/Columns，打开View Signature Columns对话框：将需要显示的字段选中即可。

(4)获取分类模板信息可以分别应用AOI绘图工具、AOI扩展工具、查询光标在原始图像或特征空间图像中获取分类模板信息，实际工作中有时只需用一种。

1.应用AOI绘图工具在原始图像获取分类模板信息①打开工具箱；②在视窗中选择一块区域，绘制一个多边形AOI；③在Signature Editor对话框中，将选中的多边形AOI区域加载到Signature分类模板中；④在Signature Editor中，改变刚才加入模板的Signature Name和Color分别为分类颜色；⑤重复上述操作过程以多选择几个绿色区域AOI，并将其作为新的模板加入到Signature Editor当中，同时确定各类的名字及颜色。

⑥对同一个专题类型(如水体)采集了多个AOI并分别生成了模板，将这些模板合并，以使该分类模板具多区域的综合特性。

2.保存分类模板(5)评价分类模板(Evaluating Signatures )分类模板建立之后，就可以对其进行评价、删除、更名、与其它分类模板合并等操作。

分类模板的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类。

1.预警评价(Alarms)分类模板预警工具根据平行六面体决策规则(parallelepiped division rule)将那些原属于或估计属于某一类别的像元在图像视窗中加亮显示，以示警报。

一个报警可以针对一个类别或多个类别进行。

如果没有在Signature Editor中选择类别，那么当前活动类别(Signature Editor中“>”符号旁边的类别)就被用于进行报警。

操作如下：Signature Editor对话框：View / Image Alarm，打开Signature Alarm对话框。

打开文件tm_860516.sig，对其评价。

2.可能性矩阵（误差矩阵）可能性矩阵(Contingency Matrix)评价工具是根据分类模板，分析AOI训练区的像元是否完全落在相应的类别之中。

通常都期望AOI区域的像元分到它们参于训练的类别当中，实际上，AOI中的像元对各个类都有一个权重值，AOI训练样区只是对类别模板起一个加权的作用。

Contingency Matrix工具可同时应用于多个类别，如果你没有在Signature Editor中确定选择集，则所有的模板类别都将被应用。

可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属于相应的类别。

操作如下：在Signature Editor对话框：在Signature Editor中选择所有类别，菜单：Evaluation / Contingency，打开参数设置窗口：OK后，显示评价结果：(6)执行监督分类(Perform Supervised Classification)在Supervised Classification对话框中，需要确定下列参数:∙确定输入原始文件(Input Raster File ):tm_860516.img∙定义输出分类文件(Classified File):tm_superclass.img∙确定分类模板文件(Input Signature File):tm_860516.sig∙选择输出分类距离文件:Distance File(用于分类结果进行阈值处理)∙定义分类距离文件(Filename):tm_distance.img∙选择非参数规则(Non-Parametric Rule ):Feature Space∙选择叠加规则(Overlay Rule ):Parametric Rule∙选择未分类规则(Unclassified Rule ):Parametric Rule∙选择参数规则(Parametric Rule ):Maximum Likelihood∙不选择Ciassify zeros(分类过程中是否包括0值)OK(执行监督分类，关闭Supervised Classification对话框)3、分类结果评价(evaluate classification)执行了监督分类之后，需要对分类效果进行评价，如果误差超出允许围，要重新分类，直到满意为止。

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)、精度评估(accuracy assessment)等。

1.分类叠加(classification overlay)将分类图叠加于原始图像之上，通过调节显示方式，目视检查精度。