ERDAS使用指导手册.docx
- 文档编号:27471599
- 上传时间:2023-07-01
- 格式:DOCX
- 页数:44
- 大小:1.86MB
ERDAS使用指导手册.docx
《ERDAS使用指导手册.docx》由会员分享,可在线阅读,更多相关《ERDAS使用指导手册.docx(44页珍藏版)》请在冰豆网上搜索。
ERDAS使用指导手册
六、非监督分类
一、实习目的:
掌握非监督分类的方法与过程,加深对非监督分类方法的理解
一、实习内容:
Cluster、ISODATA
1.图像分类简介(Introductiontoclassification)
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。
常规图像分类主要有两种方法:
非监督分类与监督分类,专家分类方法是近年来发展起来的新兴遥感图像分类方法,下面介绍这三种分类方法。
非监督分类运用1SODATA(IterativeSelf-OrganizingDataAnalysisTechnique)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求用户来控制,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)、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
专家分类首先需要建立知识库,根据分类目标提出假设,井依据所拥有的数据资料定义支持假设的规则、条件和变量,然后应用知识库自动进行分类,ERDASIMAG1NE图像处理系统率先推出专家分类器模块,包括知识工程师和知识分类器两部分,分别应用于不同的情况。
由于基本的非监督分类属于IMAGINEEssentia1s级产品功能、但在1MAGINEProfessional级产品中有一定的功能扩展,而监督分类和专家分类只属于IMAGINEProfeSsiona1级产品,所以,非监督分类命令分别出现在DataPreparation菜单和classification菜单中,而监督分类和专家分类命令仅出现在Classification菜单中。
2非监督分类(UnsupervisedClassification)
ERDASIMAGINE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己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。
2.1分类过程(classificationProcedUre)
第一步:
调出非监督分类对话框
调出非监督分类对话框的方法有以下两种:
方法一:
在ERDAS图标面板工具条中,点击Dataprep图标
→DataPreparation→unsupervisedClassification→UnsupervisedClassification对话框如下:
方法二:
在ERDAS图标面板工具条中点击Classifier图标
→C1assification→UnsupervisedClassification---→unsupervisedclassification对话框如下:
可以看到,两种方法调出的UnsupervisedClassification对话框是有一些区别的。
第二步:
进行非监督分类
在Unsupervisedclassification对话框中:
→确定输入文件(InputRasterFile):
sj00.img(要被分类的图像)
→确定输出文件(OutputFile):
clh01.img(即将产生的分类图像)
→选择生成分类摸板文件:
OutputSignatureSet(将产生一个模板文件)
→确定分类摸板文件(Filename):
lz-isodat.sig
→对Clusteringoptions选择InitializefromStatistics单选框
InitializefromStatistics指由图像文件整体(或其AOI区域)的统计值产主自由聚类,分出类别的多少由自己决定。
UseSignatureMeans是基于选定的模板文件进行非监督分类,类别的数目由模板文件决定。
→确定初始分类数(Numberofclasses):
18分出18个类别)
实际工作中一般将分类数取为最终分类数的2倍以上。
.点击Initializingoptions按钮可以调出Fi1eStatisticsOptions对话框以设置ISODATA的一些统计参数,
.点击Co1orSchemeOptions按钮可以调出outputcolorSchemeOptions对话框以决定输出的分类图像是彩色的还是黑白的。
这两个设置项使用缺省值。
.定义最大循环次数(MaximumIterations):
24
最大循环次数(MaximumIterations)是指ISODATA重新聚类的最多次数,这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。
一般在应用中将循环次数都取6次以上。
→设置循环收敛阈值(ConvergenceThreshold):
0.95
收敛阈值(ConvergenceThreshold)是指两次分类结果相比保持不变的像元所占最大百分之此值的设立可以避免ISODATA无限循环下去。
→点击OK按钮(关闭UnsupervisedClassification对话框,执行非监督分类,获得一个初步的分类结果)
2.2分类评价(EvaluateClassification)
获得一个初步的分类结果以后,可以应用分类叠加(Classificationover1ay)方法来评价检查分类精度。
其方法如下:
第一步:
显示原图像与分类图像
在视窗中同时显示lanzhoucity.img和lz-isodat.img:
两个图像的叠加顺序为lanzhoucity.img在下、lz-isodat.img在上,lanzhoucity显示方式用红(4)、绿(5)、蓝(3)。
第二步:
打开分类图像属性并调整字段显示顺序
在视窗工具条中:
点击
图标(或者选择Raster菜单项—--选择Tools菜单)
→打开Raster工具面板
→点击RaSter工具面板的
图标(或者在视窗菜单条:
Rster---Attributes)
→打开RasterAttributeEditor对话框(lz-isodat.img的属性表)
属性表中的19个记录分别对应产生的18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,为了方便看到关心的重要字段,需要调整字段显示顺序。
RasterAttributeEditor对话框菜单条:
Edit→ColumnProperties→columnproperties对话框
在Columns中选择要调整显示顺序的字段,通过Up、Down、Top、Bottom等几个按钮调整其合适的位置,通过选择DisplayWidth调整其显示宽度,通过Alignment调整其对齐方式。
如果选择Editable复选框,则可以在Title中修改各个字段的名字及其它内容。
→在ColumnProperties对话框中调整字段顺序,最后使Histogram、opacity、color、class_names四个手段的显示顺序依次排在前面。
→点击OK按钮(关闭Columnproperties对话框)
→返回RasterAttributeEditor对话框(lz-isodat.img的属性表)
第三步:
给各个类别赋相应的颜色(如果在分类时选择了彩色,这一步就可以省去)
RasterAttributeEditor对话框(lz-isodat.img的属性):
→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)
→AsIs菜单→选择一种颜色
→重复以上步骤直到给所有类别赋予合适的颜色
第四步:
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(即改为透明),而要分析的类别的透明度设为1(即不透明)。
RasterAttributeEditor对话框(lz-isodat.img的属性表):
→右键点击Opacity字段的名字
→ColumnOptions菜单→Formula菜单项
→Formula对话框
→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)
→返回RasterAttributeEditor对话框(lz-isodat.img的属性表):
→点击一个类别的ROW字段从而选择该类别
→点击该类别的Opacity字段从而进入输入状态
→在该类别的Opacity字段中输入1,并按回车键
此时,在视窗中只有要分析类别的颜色显示在原图像的上面,其它类别都是透明的。
第五步:
确定类别专题意义及其准确程度
视窗菜单条:
Utility→flicker→viewerFlicker对话框→AutoMode
本小步是设置分类图像在原图像修背景上闪烁,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。
第六步:
标注类别的名称和相应颜色
RasterAttributeEditor对话框(lz-isodat.img的属性表):
→点击刚才分析类别的ROW字段从而选择该类别
→点击该类别的classNames字段从而进入输入状态
→在该类别的ClassNames字段中输入其专题意义(如居民区),并按回车键
→右键点击该类别的Color字段(颜色显示区)
→AsIs菜单→选择一种合适的颜色
重复以上4、5、6三步直到对所有类别都进行了分析与处理。
注意,在进行分类叠加分析时,一次可以选择一个类别,也可以选择多个类别同时进行。
七、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
二、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
在视窗中显示<ERDASHOME>\execise\ljxtm.img(Red4/Grean5/B1ue3、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
无论是在原图像还是在下面要讲的特征空间图像中,都是产主AOI区域来作为分类模板信息的来源。
首先练习如何用AOI绘图工具获取分类模板信息。
在显示有ljxtm.img图像的视窗:
→点击
图标(或者选择Raster菜单项→选择Tools菜单)
→打开Raster工具面板
→点击Raster工具面板的
图标
→在视窗中选择红色区域,绘制一个多边形AOI
→在SignatureEditr对话框,点击
图标,将多边形AOI区域加载到Signature分类模板中
→在SignatureEditor中,改变刚才加入模板的SignatureName和Color。
→重复上述操作过程以多选择几个红色区域AOI,并将其作为新的模板加入到SignatureEditor当中,同时确定各类的名字及颜色。
如果对同一个专题类型(如水体)采集了多个AOI并分别生成了模板,可以将这些模板合并,以便该分类模板具多区域的综合特性。
具体做法是在SignatureEditor对话框中,将该类的Signature全部选定,然后点击合并图标
,这时一个综合的新模板生成,原来的多个Signature同时存在(如果必要也可以删除)。
(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ljxtm.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
。
→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ljxtm.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
绿色区域对应的是耕地,AOI自动扩展将生成一个针对耕地的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
(Color)。
→重复上述操作步骤,选择多AOI区域,并将其作为新的模板加入到SignatureEditor
中,同时确定各类别的名字及颜色。
(3)应用查询光标扩展方法获取分类模板信息
该方法与第
(2)种方法大同小异,只不过第
(2)种方法是在选择扩展工具后,用点击
的方式在图像上确定种子像元,而本方法是要用查询光标(InquireCursor)确定种子像元。
种子扩展的设置与第
(2)种方法完全相同。
在显示有ljxtm.img图像的视窗中点击:
→Utility一InquireCursor
→在视窗中出现一个十字光标,十字交点可以准确定位一个像元的位置
→将十字光标标交点移动到种子像元上
→点击RegionGrowingProperties对话框的GrowatInquire按钮
→产生一个新的AOI
→在SignatureEditor对话框,点击
图标,将AOI区域加载到Signature分类模板中
第四步:
保存分类模板
以上分别用不同方法产生了分类模板,下面将该模板保存起来。
在SignatureEditor对话框菜单条:
File→Save
→打开SaveSignatureFileAs对话框
→确定是保存所有的模板还是只保存被选中的模板
→确定文件的目录和名字(Sjg文件)
→点击OK按钮
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。
分类模板评价工具包括:
·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)
第一步:
产生报警掩膜
分类模板报警工具根据平行六面体决策规则(Parallelepipeddivisionrule)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SignatureEditor中选择类别,那么当前活动类别(SignatureEditor中“>”符号旁边的类别)就被用于进行报警。
具体使用过程如下:
在SignatureEditor对话框:
→View→ImageAlarm
→打开SignatureAlarm对话框
→选中IndicateOverlap
→点击EditParallelepipedLimits按钮
→Limits对话框
→点击SET按钮
→打开SetParallelepipedLimits对话框
→设置计算方法(Method):
Minimum/Maximum
→选择使用的模板(Signature):
Current
→OK(关闭setParallelepipedLimits对话框)
→返回Limits对话框
→Close(关闭Limits对话框)
→返回SignatureAlarm对话框
→OK(执行报警评价,形成报警掩膜)
→Close(关闭signatureAlarm对话框)
根据SignatureEditor中指定的颜色,选定类别的像元显示在原始图像视窗中,并覆盖在原图像之上,形成一个报警掩膜。
第二步,利用Flicker功能查看报警掩膜
第三步:
删除分类报警掩膜
视窗菜单条:
View→ArrangeLayers菜单
→打开ArrangeLayers对话框
→右键点击AlarmMask图层
→弹出LayerOptions菜单→选择DeleteLayer
→AlarmMask图层被删除
→App1y(应用图层删除操作)
→提示verifySaveonC1ose→N0
→Close(关闭ArrangeLayers对话框)
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C
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- ERDAS 使用 指导 手册