8实验八 遥感图象的监督分类10汇总.docx

8实验八 遥感图象的监督分类10汇总.docx

《8实验八 遥感图象的监督分类10汇总.docx》由会员分享，可在线阅读，更多相关《8实验八 遥感图象的监督分类10汇总.docx（23页珍藏版）》请在冰豆网上搜索。

8实验八遥感图象的监督分类10汇总

实验九、监督分类

一、实习目的：

掌握监督分类的方法与过程，加深对监督分类方法的理解

一、完习内容：

定义分类模板、评价分类模板、进行监督分类、评价分类结果。

前面已经谈到，监督分类一般有以下几个步骤：

定义分类模板（DefineSignatures）、评价分类模板（EvaluateSignatures）、进行监督分类（PerformSupervisedClassification）、评价分类结果（EvaluateClassification）。

下面将结合例子说明这几个步骤。

1.定义分类模板（DefineSignatureUsingsignatureEditor）

ERDASIMAGINE的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价、和编辑等功能是由分类模板编辑器来负责的。

毫无疑问，分类模板生成器是进行监督分类一个不可缺少的组件。

在分类模板生成器中，生成分类模板的基础是原图像和（或）其特征空间图像。

因此，显示这两种图像的视窗也是进行监督分类的重要组件。

第一步：

显示需要进行分类的图像

在视窗中要分类的图像:

\\...\...\germtm.img（Red4／Grean3／B1ue2、选择FittoFrame，其它使用缺省设置）。

第二步：

打开模板编辑器并调整显示字段

ERDAS图标面板工具子，点击C1assifier目标

→Classification菜单

→SignatureEditor菜单项

→SignatureEditor对话框

从上图中可以看到有很多字段，有些字段对分类的意义下大，我们希望不显示这些这段，所以要进行如下调整：

SignatureEdit对话框菜单条：

View→Columns→viewsignaturecolumns对话框

→点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。

→按住shift键的同时分别点击Red、Green、B1ue三个字段Red、Green、Blue三个字段将从选择集中被清除。

→点击Apply按钮

→点击Close按钮

从ViewSignatureCo1umns对话框可以看到Red、Green、Blue三个字段将不再显示。

第三步：

获取分类模板信息

可以分别应用AOI绘图工具、AOI扩展工具、查询光标等三种方法，在原始图像或特征空间图像中获取分类模板信息。

但在实际工作中也许只用一种方法就可以了，也许要将几种方法联合应用，这取决于您自己。

（1）应用AOI绘图工具在原始图像获取分类模板信息（略）

（2）应用AOI扩展工具在原始图像获取分类模板信息

扩展生成AOI（注AOI表示感兴趣区域）的起点是一个种子像元。

与该像元相邻的像元被按照各种约束条件来考察，如空间距离、光谱距离等。

如果被接受，则与原种子一起成为新的种子像元组，并重新计算新的种子像元平均值（当然也可以设置为一直沿用原始种子的值〕。

以后的相邻像元将以新的平均值来计算光谱距离。

但空间距离一直是以最早的种子像元来计算的。

应用AOI扩展工具在原始图像获取分类模板信息，首先必须设置种子像元特性，过程如下：

在显示有germtm.img图像的视窗中：

→AOI一SeedProperties菜单

→RegionGrowingProperties对话框

→在Neighborhood选择按四个相邻像元扩展，

表示被点击像元的上、下、左、右四个像元与被点击像元是相邻的。

而

表示其周围9个像元都与被点击像元相邻。

这里选择

。

（即，选择4临域扩展，还是8临域扩展）

→在GeographicConstrains设置地理约束,Area确定每个AOI所包含的最多像元数（或者面积），而Distance确定AOI所包含像元距被点击像元的最大距离，这两个约束可以只设置一个，也可以设置两个或者一个也不设。

在此处只设置面积约束为300个像元。

→在SpectralEuclideanDistance中设置波谱欧氏距离,本约束是指AOI可接受的像元值与种子像元平均值之间的最大光波欧氏距离（两个像元在各个波段数值之差的平方之和的二次根），大于该距离将不被接受。

此处设置距离为：

10

→点击Options按钮，打开RegionGrowOptions面板以确定一些扩展设置

RegionGrowOptions面板上有三个复选框。

在种子扩展的过程中可能会有些不符合条件的像元被符合条件的像元包围，选择IncludeIslandPo1ygons使这些不符合条件像元,将以岛的形式被删除出来，如果不选择则全部作为AOI的一部分。

UpdateRegionMean是指每一次扩展后是否重新计算种子的平均值，如果选择该复选框则重新计算，如果不选择则一直以原始种子的值为平均值。

BufferRegionBoundary复选框是指对AOI产生缓冲区，该设置在选择AOI编辑DEM数据时比较有用，可以避免高程的突然变化。

这里选择IncludeIslandPolygons和UpdateRegionMean。

止次完成了种于扩展特性的设置，下面将使用种子扩展工具产生一个AO1。

在显示有germtm.img图像的视窗中：

→在视窗工具条中点击

图标（或在视窗菜单条：

Raster→Tools）

→打开Raster工具面板

→点击Raster工具面板的

图标

→点击视窗中的绿色区域

绿色区域对应的是水体，AOI自动扩展将生成一个针对水体的AO1。

如果扩展AOI不符合需要。

可以修改RegionGrowingProperties直到满意为止，注意在RegionGrowingProperties对话框中修改设置之后，直接点击Redo按钮就可重新对刚才点击的像元生成新的扩展AO1。

→在signatureeditor对话框，点击

图标，将扩展AOI区域加载到signature分类模板中

→在SignatureEditor中，改变刚才加入模板的Signann1e的名字（Name）和颜色（Color）。

→重复上述操作步骤，（为保证摸板的代表性，同一种地类选择多AOI区域，然后进行合并）

如，水体在不同的区域，一共选择了9个样本，

用鼠标同时选中9个样本，点击

进行合并（相当于取平均值），产生class10,

然后点击鼠标右键，删除前面的样本，保留合并后的样本。

同时确定各类别的名字及颜色。

重复上面的步骤，确定耕地、建筑物、林地等地类的分类摸板。

（3）应用查询光标扩展方法获取分类模板信息（略）

2.评价分类模板（EvaluatingSignatures）

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。

分类模扳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，这些模板训练方法包括监督、非监督、参数化和非参数化。

分类模板评价工具（方法）包括以下几种：

·Alarms：

分类报警工具

·Contingencymatrix：

可能性矩阵

·Featureobjects：

特征对象

·FeatureSpacetoimagemasking：

特征空间到图像掩模

·Histograms：

直方图方法

·Signatureseparability:

分类的分离性

·Statistics:

分类统计分析

当然，不同的评价方法各有不同的应用范围。

例如不能用Separability工具对非参数化（由特征空间产生）分类模板进行评价，而且分类模板中至少应具有5个以上的类别。

2.1报警评价（Alarms）（略）

2.2可能性矩阵

可能性矩阵（ContingencyMatrix）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。

ContingencyMatrix工具可同时应用于多个类别，如果你没有在SignatureEditor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。

AOI训练样区的分类可应用下列几种分类原则：

平于行六面体（Parallelepiped）、特征空间（FeatureSpace）、最大似然（MaximumLikelihood）、马氏距离（MahalanobisDistance）。

各种原则详见FieldGuide一书。

下面说明可能性矩阵评价工具的使用方法：

在SignatureEditor对话框：

→在signatureEditor中选择所有类别

→菜单条：

Evaluation→Contingency

→打开ContingencyMatrix对话框

→选择非参数规则（Non-parametricRule）：

FeatureSpace

→选择叠加规则（OverlayRule）：

ParametricRule

→选择未分类规则（UnclassifiedRule）：

ParametricRu1e

→选择参数规则（ParametricRule）：

MaximumLikelihood

→选择像元总数作为评价输出统计：

pixelCounts

→OK（关闭ContingencyMatrix对话框，计算分类误差矩阵）

然后，IMAGINE文本编辑器（TextEditor）被打开，分类误差矩形矩阵将显示在编辑器中供查看统计，该矩阵的局部（以像元数形式表达部分）如下：

从矩阵中可以看到在水体选择了1005个像元，1005全部属于水体类别，分类模板正确率99.50%；同理，建筑选了49个像元，48全部属于建筑，1个属于林地，分类模板正确率97.96%；其它的都是全部正确。

如果每个地类摸板精度都在90%以上，就可保存摸板，用摸板进行下一步监督分类操作。

自己选择摸板文件保存路径和文件名，供后面分类调用

2．3由特征空间模板产生图像掩膜（略）

2.4模板对象图示（略）

2.5直方图方法（略）

3.执行监督分类（PerformSupervisedClassification）

在监督分类过程中，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、Mahalanobis距离、最小距离等方法。

当然，非参数规则与参数规则可以同时使用，但要注意应用范围，如非参数规则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，如果使用非参数型模板，还要确定叠加规则（Overlayrule）和未分类规则（unclassifiedrule）。

下面是执行监督分类的操作过程：

ERDAS图标面板菜单条：

Main→ImageClassification→Classification菜单

或ERDAS图标面板工具条：

点击Classifier图标→Classification菜单

→SupervisedClassification菜单项

→SupervisedClassification对话框

在SupervisedClassification对话框中，需要确定下列参数：

→确定输入原始文件（InputRasterFile）：

\\...\...\germtm.img（需要分类的文件）

→定义输出分类文件（ClassifiedFile）：

分类结果文件（自己确定路径和文件名）

→确定分类模板文件（InputSignatureFile）：

全面保存的摸板文件

→选择输出分类距离文件：

DistanceFile（用于分类结果进行阈值处理）

→定义分类距离文件（Filename）：

自己确定路径和文件名（可以定义不输出距离文件）

→选择非参数规则（Non_parametricRule）:

FeatureSpace

→选择叠加规则（OverlayRule）:

ParametricRule

→选择未分类规则（UnclassifiedRule）:

ParametricRule

→选择参数规则（ParametricRule）:

MaximumLikelihood

→不选择Classifyzeros（分类过程中是否包括0值）

→OK（执行监督分类，关闭supervisedClassification对话框）

可以查看分类结果图象属性表，添加面积属性，操作同非监督分类。

4.评价分类结果（Evaluateclassification）

执行了监督分类之后，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（classificationoverlay）、定义阈值（thresholding）、分类编码（recodeclasses）、精度评估（accuracyassessment）等，下面有侧重的进行介绍。

4．1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。

对于非监督分类结果，通过分类叠加方法来确定类别的专题特性、并评价分类结果。

对监督分类结果，该方法只是查看分类结果的准确性。

4．3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），给部分或所有类别以新的分类值从而产生一个新的分类专题层。

该功能的

4．4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，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其它数据进行对比的途径之一。

下面是具体的操作过程：

第一步：

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。

第二步：

启动精度评估对话框

ERDAS图标面板菜单条：

Main→ImageClassification→Classification

或ERDAS图标面板工具条：

点击Classifier图标→Classification菜单

→选择AccuracyAssessment菜单项

→打开AccuracyAssessment对话框

AccuracyAssessment对话框中显示了一个精度评估矩阵（AccuracyAssessmentCellarray）。

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入的。

矩阵数据存在分类图像文件中。

第三步：

打开分类专题图像

AccuracyAssessment对话框菜单条：

File→Open

→打开ClassifiedImage对话框

→在ClassifiedImage对话框中确定与视窗中对应的分类专题图像

→OK（关闭ClassifiedImage对话框）

→返回AccuracyAssessment对话框

第四步：

将原始图像视窗与精度评估视窗相连接

AccuracyAssessment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

第五步：

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Changecolor面板

→在PointswithnoReference确定没有真实参考值的点的颜色

→在PointswithReference确定有真实参考值的点的颜色

→OK（执行参数设置）

→返回AccuracyAssessment对话框

第六步：

产生随机点

本步操作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类别。

然后，随机点的实际类别与在分类图像的类别将进行比较。

AccuracyAssessment对话框：

→Edit→Create/AddRandomPoints

→打开AddRandomPoints对话框

→在searchCount中输入1024

→在NumberofPoints中输入20

→在DistributionParameters选择Random单选框

→OK（按照参数设置产主随机点）

→返回AccuracyAssessment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AddRandomPoint对话框中，searchCount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NumberofPoint大很多，NumberofPoints设为20说明是产生20个随机点，如果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意味着将产主绝对随机的点位，而不使用任何强制性规则。

EqualizedRandom是指每个类将具有同等数目的比较点。

stratifiedRandom是指点数与类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UseMinimumPoints）,以保证小类别也有足够的分析点。

第七步：

显随机点及其类别

AccuracyAssessment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→ShowClassValues（各点的类别号出现在数据表的class字段中）

第八步：

输入参考点的实际类别值

AccuracyAssessment对话框：

→在数据表的Reference字段输入各个随机点的实际类别值（只不要输入参考点的实际分类值，它在视窗中的色彩就变为第五步设置的PointWithReference颜色）

第九步：

设置分类评价报告输出环境及输出分类评价报告

AccuracyAssessment对话框：

→Report→Options

→通过点击确定分类评价报告的参数

→Report→AccuracyReport（产生分类精度报告）

→Report→CellReport（报告有关产生随机点的设置及窗口环境）

→所有报告将显示在ERDAS文本编辑器窗口，可以保存为本文件

→File→SaveTable（保存分类精度评价数据表）

→File→close（关闭AccuracyAssessment对话框）

通过对分类的评价，如果对分类精度满意，保存结果。

如果不满意，可以进一步做有关的修改，如修改分类模板等，或应用其它功能进行调整。

5．分类后处理（Post-ClassificationProcess）

无论监督分类还是非监督分类，都是按照图像光谱特征进行聚类分析的，因此，都带有一定的盲目性。

所以，对获得的分类结果需要再进行一些处理工作，才能得到最终相对理想的分类结果，这些处理操作就通称为分类后处理。

5.1聚类统计（Clump）

无论利用监督分类还是非监督分类，分类结果中都会产生一些面积很小的图斑。

无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除。

ERDAS系统中的GIS分析命令Clump、Sieve、Eliminate可以联合完成小图斑的处理工作。

聚类统计（Clump）是通过地分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性；该图像是一个中间文件，用于进行下一步处理。

ERDAS图标面板菜单条：

Main→ImageInterpreter→GISAnalysis

→Clump→Clump对话框

或ERDAS图标面板工具条：

点击Interpreter图标→GISAnalysis

→Clump→Clump对话框

→Clump对话框中，需要确定下列参数：

→确定输入文件（InputFile）：

分类结果文件

→定义输出文件（OutputFile）自己定义路径和文件名

→文件坐标类型（CoordinateType）：

Map

→处理范围确定（SubsetDefinition）：

ULX/Y,LRX/Y（缺省状态为整个图像范围，可以应用InquireBox定义子区）

→确定聚类统计邻域大小（ConnectNeighbors）:

8（统计分析将对每个像元四周的8个相邻像元进行）

→OK（关闭Clump对话框，执行聚类统计分析）

→分别在两个窗口打开处理前和处理后后文件，查看处理结果

5．2过滤分析（Sieve）

Sieve功能是对经Clump处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。

显然，这里引出了一个新的问题，就是小图斑的归属问题？

可以与原分类图对比确定其新属性，也可以通过空间建模方法、调用Delerows或Zonel工具进行处理（详见空间建模联机帮助）。

Sieve经常与Clump命令配合使用，对于无须考虑小图斑归属的应用问题，有很好的作用。

ERDAS图标面板菜单条：

Main→lmageInterpreter→GISAnalysis

→Sieve→sieve对话框

或ERDAS图标面板工具条：

点击Interpreter图标→GISAnalysis

→Sieve→sieve对话框

在Sieve对话框中，需确定下列参数：

→确定输入文件（InputFile）：

classify.img

→定义输出文件（OutputFile）：

classify_sieve.img

→文件坐标类型（CoordinateType）:

Map

→处理范围确定（SubsetDefinition）:

ULX/Y,LRX/Y（缺省状态为整个图像范围，可以应用InquireBox定义子区）

→确定最小图斑大小（MinimumSize）：

16pixels

→OK（关闭sieve对话框，执行过滤分析）

5.3去除分析（Eliminate）

去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组，

ERDAS图标面板菜单条：

Main→ImageInterpreter→GISAnalysis

→Eliminate→Eliminate对话框

或ERDAS图标面板工具条：

点击Interpreter图标→GISAnalysis

→Eliminate→Eliminate对话框

在Eliminate对话框中，需要确定下列参数：

→确定输入文件（InputFile）：

需要处理的文件（原始文件或聚类处理的结果文件）

→定义输出文件（Outp