某地区的遥感影像分类 - 副本.docVIP

某地区的遥感影像分类 1练习的数据：现有某地区的TM影像。 2练习的目的：根据某地的TM影像，进行土地类型的划分。 3练习的方法：用监督分类和非监督分类两种方法对比分析。 4练习的大体流程如下： 否 是 否 否 是 5 非监督分类 非监督分类运用1SODATA（ Iterative Self-Organi zing 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。 （1） 在 ERDAS 图标面板工具条中点击 Classifier 图标 →C1assification →Unsupervised Classification---→unsupervised classification 对话框如下： →确定输入文件(Input Raster File):smtm.img（要被分类的图像） →确定输出文件(Output File):unsuper.img（即将产生的分类图像） →选择生成分类摸板文件：Output Signature Set（将产生一个模板文件） →确定分类摸板文件(Filename):unsuper.sig →对Clustering options选择Initialize from Statistics单选框 Initialize from Statistics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。 →确定初始分类数（Number of classes）:10 (本练习中最终要分出5种类型的地物)， 实际工作中一般将分类数取为最终分类数的2倍以上。 →定义最大循环次数（Maximum Iterations）：12（确保循环次数） →设置循环收敛阈值（Convergence Threshold）：0.95 收敛阈值（Convergence Threshold）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Unsupervised Classification对话框，执行非监督分类，获得 一个初步的分类结果 6 监督分类 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。 定义分类模板 A ：显示需要进行分类的图像 在Viewer 窗口中选择打开smtm.img，在Raster Option中选择Fit to Frame， B ：ERDAS图标面板工具子，点击C1assifier→Classification→Signature Editor，打开 分类模板编辑器Signature Editor。 C ：在Viewer窗口中点击，打开Raster工具面板。 D ：选择按钮，进入多边形AOI绘制状态，在视窗中选择深蓝色区域，绘制一 个多边形AOI，在Signature Editr对话框，点击图标，将多边形AOI区域加 载到Signature分类模板中。 E ：重复上述操作过程，用同样的方法加载9个深蓝色多边形AOI。 F ：在Signature Editor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，单击其Signature 属性进入编辑状态，输 入water，点击color属性，选择深蓝色，在Signature Editor菜单条，单击Edit/delete， 删除合并前的模板。 G ：在图像上继续选择多个砖红色区域AOI(farmland)，赭色区域AOI（forest），绿色 区域AOI(grass)浅蓝色区域AOI(r