遥感图像分类 ---监督分类.docVIP

遥感图像分类——监督分类 地质系09资源勘查 0910105025 殷祥 2012-5-19 遥感图像分类——监督分类 一、实验目的 掌握在ERDAS中进行监督分类的操作方法；掌握对分类进行精度评估的方法。 二、实验内容 1.定义分类模板 （1）显示需要进行分类的图像。 在ERDAS中打开一个文件名为or_196560080.tif，在选择时，需要将进行操作，即将其勾上。 （2）打开模板编辑器并调整显示字段。在ERDAS中，点击C1assifier/Signature Editor菜单项，出现Signature Editor对话框。在其对话框下单击view中的column，在弹出的对话框中先将其全部选中，然后按住shift，拉住3,4,5行，如图所示，选好后点击apple，之后关闭，于是signature editor中的属性栏就少了之前的三个选项。 （3）获取分类模板信息利用AOI工具选择训练样区，将AOI区域加载到Signature分类模板中。并定义该训练样区所代表的分类类别的名称（Signature Name）和该类别在分类后图像中的颜色（Color）。重复上述操作过程以多选择几个区域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。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。具体是将AOI中的tools打开，用进行选择区，选中后，点击Signature Editor中的，多选择几处相同的物象，都进行相同的操作，接着将添加的相同物象进行合并，将前添加的选择，使用，接着，将之前的添加删除，即将他们选中，右击，在弹出的快捷菜单中选择delete selection，然后对合并项进行必要的编辑。编辑完成之后的表如下图 （4）保存分类模版信息。点击File –save，保存文件到自己的文件夹下，名为jdfl.sig 2.评价分类模板 在对遥感影像做全面分类之前，对所选的训练区样本是否典型以及由训练区样本所建立起来的判别函数是否有效等问题并无足够的把握。因此，通常在全面分类之前，先仅用训练区中的样本数据进行试分类，即分类模版的评价。 分类模板评价工具包括：分类报警工具（Alarms）、可能性矩阵（Contingency matrix）、特征对象（Feature objects）、特征空间到图像掩模（Feature Space to image masking）、直方图方法（Histograms）、分类的分离性（Signature separability）、分类统计分析（Statistics）。 1)可能性矩阵（Contingency matrix）分类评价 单击中的evaluate中的contingency ，并对其进行图所示的设置，单击OK,，于是开始运行，完成之后单击OK得到下面的分类误差矩阵（混淆矩阵） 2) 分离性评判Evaluate-separability： 单击evaluate中的separability（欧式光谱距离，分类分离度，转换分离度，Jefferies距离），对弹出的窗口中进行图示的设置，单击OK，于是出现窗口editor，dir： 3.执行监督分类 设置完成后执行监督分类。分类完成后，打开分类图像（Supervised.img） 具体操作：单击中的，对弹出的窗口进行如下图所示的设置，然后OK，是运行，好后OK。 在viewer中将原始的tif格式的原图和新生成的jdfl.img叠加在一起，然后单击swipe得： 将和新生图的raster attribute进行比较 4.分类精度评估 执行了监督分类之后，需要对分类精度进行评估。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、航空像片或其它数据进行对比。下面是操作过程： （1）在视窗中打开原始图像和生成图像的叠加图 （2）在Classifier /Classification菜单中，选择Accuracy Assessment菜单项，进入精度评估模块。Accuracy Assessment 对话框中显示了一个精度评估矩阵（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