监督分类（一）
数字图像处理
实习内容 监督分类 训练样区 图像分类 监督分类
9不同于无监督分类，监督分类由分类者严密控制。分类前需要知道分类的数据以及所需要分的类。在这个过程中，您选择像素能够代表某种类别的模式或土地覆盖类别，这些类别和模式你可以借助其他数据来源，如航空照片，地面真实数据或者地图。
9通过你定的模式，计算机系统可以自动查找具有类似特点的像素。如果分类是准确的，此分类结果代表初分类。
监督分类的基本步骤
监督分类是一个反复的过程，主要有以下步骤：
1.训练样区并创建特征
2. 评价和编辑特征
3. 图像分类
4. 评价分类结果实习内容 监督分类 训练样区 图像分类
怎样定义训练样本？
训练样本就是选择一组像素代表一定潜在类别。在
ERDAS image 中，用户可以选择以下方法完成：?通过矢量层
?通过的AOI
?通过特定区域具有相似光谱特征的一组连续像素
?通过专题栅格层的某个类别，例如：无监督分类的输出结果打开germtm.img
启动AOI 工具. 单击the AOI style 按纽设置AOI前景色和背景色为可识别的颜色
尝试其他光谱颜色分配R: 4; G:5; B:3
启动Classifier /Signature Editor
应该创建多边形AOI 工具在图像上暗蓝色区域创建一AOI (可根据需要放
大图像).
在Signature Editor窗口采用Add AOI to signature按纽，添加水域样区1
水域样区1
找到另外一处水域样本，采用AOI growth tool添加单击AOI growth 按钮, 然后单击样本的中间
可以自动产生
复杂的多边
形！单击Region Growing Properties 按钮
在Region Growing Properties Dialog 调整AOI包含更多更纯的样本区，变换the Area and Spectral Distance, 然后单击Redo直到满意为止.
在signature editor窗口添加第2个水域样本区融合相似的训练样本区
融合相似的训练样本区
如果此特征被应用，输出的分类结果如何？
选择signature “water”
View…/ Image Alarm…,
在signature alarm dialog单击“OK”.
对植被重复同样的步骤
找出一块红色区域作sample 1 of forest
创建一个仅包含植被的AOI ，并添加为特征区域找出一块亮红色区域作为the sample 2 of forest
创建一个仅包含亮红色区域的AOI (采用polygon tool or AOI growth tool)
将AOI sample 2 添加为植被的另外一个特征区找出一块暗红色区域作为the sample 3of forest
创建一个仅包含暗红色区域的AOI (采用polygon tool or AOI growth
将这三个植被样区融合为一个新特征命名为forest, 并将其颜色改为暗绿色删除以上最初的三个植被样本区选择“water”及“forest”signatures
采用Image alarm 查看哪些象素被各自分类到water (light blue) 和forest(dark green)
勾选the indicate overlap 并设置重叠颜色为黑色
对农田（farmland）重复同样的步骤
找出一块亮绿色区域作sample 1 of farmland
创建一个仅包含farmland的AOI ，并添加为特征区域
找出并添加farmland的另外一块样本区域
将这两个农田（farmland）样区融合为一个新特征
命名为farmland,并将其颜色改为黄色
删除以上最初的二个农田样本区
选择所有特征区，再次采用Image alarm查看潜在的分类区及分类重叠区对城镇居民点（urban）重复同样的步骤
找出一块亮蓝色区域作sample 1 of urban
创建一个仅包含urban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色
对农村居民点（suburban）重复同样的步骤
找出一块红色和蓝色混合区域作为suburban的样本区创建一个仅包含suburban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色选择所有signatures
再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素
将白色和亮绿色混合区域设为裸土（bare soil）的样本区创建一个仅包含bare soil的AOI ，并添加为特征区域
融合相类似区域，并重新设置名称和颜色再次, 选择signatures
再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素，并添加其他signatures
重置class value
“class value”为相应地物类分类图像的像元数.
采用“class value”升序（ascending order）重置signature顺序保存signature file
采用supclass.sig保存signature file
保存AOI file
以supclass.aoi为文件名保存AOI file
实习内容
监督分类
训练样区
图像分类
执行监督分类（supervised classification）
选择所有signatures
Classify…/ Supervised…
设置：
-Output file: supclass.img
-Non-parametric Rule: Parallelepiped
-Overlap Rule: Parametric Rule
-Unclassified Rule: Parametric Rule
Parametric Rule: Maximum
Likelihood
单击Ok 开始classification!制作监督分类专题图（supclass.img）
Save your AOI file as supclass_
作业
在你的作业文件夹中包括以下三个文件：
Output Cluster File: supclass.img
Signature File: supclass.sig
Map Composition File: supclass.map
结束！
成都信息工程学院 遥感图像处理实验报告 实验6：遥感图像监督分类与非监督分类 专业：遥感科学与技术 班级： 092班 姓名：李翔 学号：2009043063 实验名称：遥感图像监督分类与非监督分类 实验教室： 5404教室 指导老师：刘志红 实验日期：2011年4月6日和4月13日
遥感数字图像处理实验报告 一、项目名称 遥感图像监督分类与非监督分类 二、实验目的 学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。 三、实验原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的过程，称为图像的分类。 根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。 分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。 聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。 四、数据来源 1．下载网站：https://www.doczj.com/doc/1e12736557.html,/admin/dataLandsatMain.jsp 2．波段数为6个。 3．分辨率为28.50,米。 4．投影为UTM, Zone48。 五、实验过程 一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标，打开对话框， 2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，确定循环次数和阈值。如图所示：
ENVI监督分类 监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。训练样本类别是像元的集合或单一波谱。在分类过程中，可以选择它们作为代表区域或分类素材。 监督分类的步骤：类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证 数据：以Landsat TM为数据源，影像can_tmr.img 处理过程： 一、样本选择：打开影像can_tmr.img后543波段显示，目视判断一下这个影像中地物大概分几类，可定义偏暗红色的为裸地，鲜绿色的为耕地，深绿色的为林地，白色的为沙地，沙地与林地之间的绿色的为草地，黑色的为阴影与水体定义为其他。在主影像窗口菜单中点overlay----region of interests, ROI tool窗口就打开了，window 的方式点击zoom窗口，先定义一类ROI：裸地
在缩放窗口中画裸地，画的图斑尽量小，分布尽量均匀。
划完裸地后，点击new region，定义新的种类，沙地、林地、草地、其他的定义和画法都同裸地一样。得到如下结果： 二、验证样本：在ROI tool对话框菜单点击options—compute ROI separability 计算ROI 可分离性，这是一种定量的方式来验证样本的方法。还有一种定性的来验证样本的方法是N维可视化方法。
选择要进行可分离性计算的文件为影像can_tmr.img，点击OK
点击把六组样本都选择，点击OK。出现如下报告： 红笔圈画区域数字代表两类样本的相近性，数字越大代表越不相近，两类样本越不好区分。后面每一栏>1.8最好，所以我们需要修改林地和草地。激活草地（表格中草地前面带星号），点击Goto，进行逐一删除后重新画样本。下图是我修改后进行计算ROI可分离性后的结果，每项都>1.8，合格。
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、实验内容（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)
遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的
理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。
4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。
6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结
遥感非监督分类实验报告书 部门： xxx 时间： xxx 整理范文，仅供参考，可下载自行编辑
遥感图像的非监督分类实验报告 姓名：李全意 专业班级：地科二班 学号：2018214310 指导教师：段艳 日期：2018年6月3日 1. 实验目的 通过本实验加强对遥感非监督分类处理理论部分的理解，熟练掌握图像非监督分类的处理方法，并将处理前后数据进行比较。 b5E2RGbCAP 2. 实验准备工作 <1）准备遥感数据<本实验使用的是老师提供的遥感数据）； <2）熟悉遥感图像非监督分类的理论部分 3．实验步骤 4. 实验数据分析与结论 <1）通过分类前后图像的比较，发现非监督分类后的图像容易区分不同地物； <2）分类过程中存在较多错分漏分现象，同种类别中有多种地物； <3）非监督分类根据地物的光谱统计特性进行分类，客观真实且方法简单，而且具有一定的精度。 5. 实验收获及需要解决的问题 <1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。 p1EanqFDPw
Unsupervised Classification, 在Unsupervised Classification对话框中，将参数设计设计如下： Number of classes：30,一般将分类数取为最终分类数的2倍以上；Maximum Iterations：18； 点击Color Scheme Options决定输出的分类图像为黑白的；Convergence Threshold：0.95。 点击OK即可。打开完成后图像与原图像对比： 原图：完成后： <2）打开原图像，在视窗中点击File/Open/Raster Layer，选择分类监督后的图像classification1.img，在Raster Options中，取消Clear Display如下：
Ⅰ.软件的基本操作 ENVI主工具条： 1．图像的输入与输出.首先启动ENVI, 选择File- Open Image File,出现Enter Data Filename 对话框，选择文件的正确路径，点击文件名，再点击“OK”打开文件。 2．在打开的Available Band List 菜单中，可以显示图像的各个波段的基本信息，其中“Gray Scale”为灰色显示，“RGB Color”为彩色合成，并且可以选择彩色合成的波段，单击“Load”就可显示图像，打开的图像由三部分组成：Scroll（滚动）窗口、主图像窗口、以及缩放（Zoom）窗口, 可以使用多个显示窗口组，组中每个窗口的大小都可以调整。其中菜单中的“New Diaplay”可以打开一个新的图像。 3．在“Available BandsList”菜单中选择“Available Files List”还可以可以显示出遥感图像的基本信息，具体如图所示： 4.若要保存图像，需要在图像所在窗口中选择File-Save Image As-Image File，弹出Output Display to ImageFile 对话框。对于单波段图像，选择8-bit Color，而多波段彩色合成图像则选择24-bit Color图像的保存方式有两种：一是直接保存为文件；二是选“Memory”，记忆在“Available BandsList”菜单中。 Ⅱ.图像增强与变换 一．空间域增强 1.线性变换 线性拉伸：线性拉伸的最小和最大值分别设置为0 和255，两者之间的所有其它值 设置为中间的线性输出值，选择Stretch_Type > Linear Contrast Stretch。
杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院
1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像
ENVI非监督分类：ENVI图文教程 ENVI非监督分类的流程 (1) 根据具体项目需求先整体上分析一下分类的影像，确定好需要分类出几类。 (2) 选择适合的分类算法。 (3) 对分类出来的类别进行定义、合并、删除。 (4) 分类后处理。 (5) 结果验证。 ENVI非监督分类的算法 非监督分类仅仅用统计方法对数据集中的像元进行分类，它不需要用户定义任何训练分类器。Unsupervised Classificatio n 菜单为你提供了： （1）Iso Data(迭代自组织数据分析技术) （2）K-Means(K-MEANS算法)两种非监督分类技术。 单个菜单具体内容如下所述。 Isodata Isodata 非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。重复分类是分割、融合和删除是基于输入的阈值参数的。除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有像元都被归到与其最临近的一类里。这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。详情参见：Tou, J. T. and R. C. Gonzalez, 1974.Pattern Recognition Principles, Addison-Wesley Publishing Company, Reading, Massachusetts.
执行Isodata（独立数据）非监督分类： （1）打开影像数据（打开影像数据的方法参考上节内容），在这我们使用的是练习数据位置参考下图。 （2）读取波段值（R:4,G:3,B:2）,结果如下图。 （3）选择Classification > Unsupervised >Isodata. （4）出现Classification Input File 对话框，进行标准文件选择或输入文件的子集和掩模。 （5）点击“OK”，显示ISODATA Parameters 对话框。 ISODATA Parameters 对话框 在ISODATA Parameters 对话框中可以利用的选项包括：即将被限定的分类数的范围输入，像元变化阈值（0~100%），被用来对数据进行分类的最多迭代次数，分割、合并和删除分类阈值以及可选的距离阈值。 1 输入被限定的类数范围（最小值和最大值）。 用到类数范围是由于独立数据算法是基于输入的阈值进行拆分与合并的，并不遵循一个固定的类数。 2 在合适文本框里，输入迭代次数的最大值和一个变化阈值（0~100%）。 当每一类的像元数变化小于阈值时，用变化阈值来结束迭代过程。当达到阈值或迭代达到了最多次数时，分类结束。 3 在合适文本框里，键入形成一类需要的最少像元数。 如果一类中的像元数小于构成一类的最少像元数，则这一类就要被删除，其中的像元被归到距离最近的类里。 4 在“Maximum Class Stdv”文本框里，键入最大分类标准差（用十进制）。
实验四遥感图像的非监督分类与监督分类 一、实验目的 1．非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织 数据分析技术（ISodata）和K均值算法（K-Means）； 2．分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类 效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束 后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息， 统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进 行分析。 3．对训练区中的像元进行分类； 4．用训练数据集估计查看监督分类后的统计参数； 5．用不同方法进行监督分类，如最小距离法、马氏距离法和最大似然法。 二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes 中输15即分为15类，Change Iterations中输6，即最大迭化量为6次， Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定 保存结果后New display →Load Band，双击查看Cursor Location/V alue，发 现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击 Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行 大量的野外调查，确定同一类码所代表的地物是什么
envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。
实验五：监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。 三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：
基本原理 1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类。监督分类的具体步骤：
操作方法及过程 1. 选择你熟悉的研究区数据，加载到ENVI，可以是裁剪前的图像，也可以是裁剪后的图像。根据实习要求，通过目视解译预想好将要建立的地物种类，并基于此提取出各类地物（要求不少于5种），如可分为居民点、道路、河流、湖泊、在植耕地、水田……几类（或参考下表）。根据以下操作步骤确定土地的覆盖类型、编码以及色调。 居民点Town 砾石gravel desert 道路Road 水稻田paddy land 水浇地irrigated land 水库reservoir 裸地barren land 工业区industrial area 滩地shoaly land 林地forest 草地grassland 河流stream 2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用（感兴趣的区域）ROI工具建立训练区，给出各个类别的特征统计表。 加载研究区影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。请根据实际图像选择分类类型和构建ROI，并截图至此（以下以两种地物选取ROI为例，请自行补全其他）：
老师要求提交： 1.可能性矩阵 2.精度评价报告 3.分类结果图 具体流程： 1．打开影像，考试时的影像是老师给的高分辨率影像。以已有的QuickBird影像为例：File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。 2.选择监督分类样本（感兴趣区域）： 在影像的工具栏中选择，Overlay---Region of interest
在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择 选择类别，植被，水体，裸地，房屋。 查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok., 相关度大于1.8的说明分类较好。保存文件。 2.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。 Select all Item 阈值Probability Threshold一般在0~1之间。 不需输出真实值。 因为还要分类后处理，储存至memory.
3.分类后处理， ①分类合并，在主菜单中Classification—post classification—Sieve Classes 选择刚才分类好的，memory影像，改变Group Min Threshold数值，由2改到8.即改变每类别最小像元值，由于我只选了四个类别数，应该做完后不会有类别的合并。 保存文件，即要求交的分类结果图。 ②生成混淆矩阵 主菜单中，Classification—post classification—confusion Matrix—Using Ground Truth ROIS. 将所有类别都选上。
土地利用监督分类及制图 1、数据准备 (2) 1-1.提取聊城所在地级市.shp图像 (2) https://www.doczj.com/doc/1e12736557.html,ndsat 8 oli遥感影像获取 (3) 1-3.对影像做辐射定标、大气校正处理 (3) 1-3-1辐射定标 (3) 1-3-2大气校正 (4) 1-4影像镶嵌 (8) 1-5.裁剪聊城地域遥感影像 (10) 1-6.监督分类（最大似然法） (10) 1-6-1.建立感兴趣区域 (10) 1-6-2.可分离度检验 (11) 1-6-3.监督分类 (11) 1-6-3混淆矩阵 (12) 1-6-4. 分类后处理 (12) 1-6-5目视解译修改局部 (12) 1-7导出TIF (13) 2、制图 (13) 2-1.ARCGIS中打开前期导出的TIF图像 (14) 2-2.在属性表中增加（名称）字段 (14) 2-3.将视图切换成--布局视图 (15) 2-4.插入标题、比例尺、指北针等 (15) 2-5.导出地图 (16)
1、数据准备 1-1.提取聊城所在地级市.shp图像 1.ARCGIS中打开全国县级矢量图 2.工具箱中打开:ArcToolbox--Analysis Tools--Extract--Select 根据所选择区域的字段属性进行提取 Select工具 3.提取结果 聊城市矢量图
https://www.doczj.com/doc/1e12736557.html,ndsat 8 oli遥感影像获取 注意下载的影像时间差不要太大，云量要小 下载影像信息 1-3.对影像做辐射定标、大气校正处理 1-3-1辐射定标 1.ENVI 5.1中打开遥感影像 2.ENVI 5.1 工具箱中打开工具：Radiometric Correction--Radiometric Calibration； 选择要校正的多光谱数据“- - - -_MTL_MultiSpectral”进行辐射定标。 定标参数设置
实验遥感图像监督分类 实验目的： 通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。 实验内容： 监督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。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象元建立模板，然后基于该模板使计算机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，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。 实验步骤： 第一步：定义分类模板 ERDAS IMAGINE 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。 在分类模板编辑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，显示这两种图像的窗口也是进行监督分类的重要组件 1、显示需要分类的图像 在窗口中显示图像germtm.img。 具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。
图5－1 设置图像显示参数 点击OK，打开图像（图5－2）。 图5－2 打开图像 2、打开分类模板编辑器 两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。
精心整理 一、实验名称 遥感图像的监督分类与非监督分类 二、实验目的 理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。 三、 四、 五、 1. 1.1打开并显示影像文件，选择合适的波段组合加载影像 打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。 1.2使用感兴趣区（ROI）工具来选择训练样区 1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。出现ROI Tool对话框， 2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。
由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。 1.3选择分类方法进行分类 1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。 以最小距离法（Minimum Distance）为例进行说明。选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。 2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择 点击 2. 1 2 3. 。 1 选择Mode :polygon delete from class将错误点剔除。 2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。图为采用八联通域将像素小于5的点删除。 3.3混淆矩阵精度验证 1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。 2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。
ENVI中掩膜掩膜操作及影像分类教程(转) 上一篇/ 下一篇 2008-11-25 15:41:31 / 个人分类：收藏 查看( 179 ) / 评论( 0 ) / 评分( 0 / 0 ) Arcview中添加影像并根据需要建立裁剪区，命名为caijian.shp--->ENVI中打开被裁剪影像，如 TMband432，-->vector--open vector >选择caijian.shp, load selected--->masking--build mask--->options--inport ENFs--选择caijian.shp---继续操作保存为文件或保存于缓存中----> apply mask---选择TMband432并设置spatial subset中的ROI/ENF,select mask band及裁剪波段的选择--保存裁剪后的影像. 监督与非监督分类结合的影像分类方法: 以2004年的Aster影像为例,软件采用Erdas,步骤如下: 1) 对Aster2004band432进行非监督分类生成unsuclass2004band432.img(60类,迭代20次,其他默认),同时生成摸板文件unsuclass2004band432_sig1.img; 2) 对unsuclass2004band432_sig1.img进行类合并操作,生成摸板文件 unsuclass2004band432_reclssig.img; 3) 进行监督分类时的样区选择并加入到unsuclass2004band432_reclssig.img 中,生成分类摸板unsuclass2004band432_susig.img,同时进行分类后合并,生成监督分类摸板 unsuclass2004band432_susig.img,并进行监督分类生成分类后文件suclass2004band432.img; 4) 对suclass2004band432.img进行分类重编码,生成C; 5) 对suclass2004band432.img进行club操作生成suclassband432_club.img; 6) 对suclassband432_club.img进行elimite操作生成2004classband432_x.img,其中的x 为聚类参数. 操作过程中的具体操作见下图,但愿对需要的人有所帮助:
实验4：遥感影像的监督分类和非监督分类实验学时：4 实验类型：综合 实验要求：必修 一、实验目的 1、对非监督分类：先对分类过程不施加任何先验知识，凭像元的光谱特征，运用迭代自组织分析（ISODA TA）算法，把一组像素按照相似性归为若干类别。 2、对监督分类：在对遥感图像上地物类别属性已经有了先验知识的基础上，即要从图像中选取所区分的各类地物的样本，建立模板再进行自动识别。 二、实验内容 通过对遥感图像的处理和分析，掌握遥感图像处理中目标检测方法。 三、实验要求 通过练习，熟练掌握遥感图像两类分类方法、评价方法的原理及实现过程，体会在具体应用中的适应性。 四、实验条件 遥感影像（qb.img，quickbird 数据，蓝绿红3个波段）、Erdas软件 五、实验步骤 遥感图像理解中主要有两种基于统计方法的分类：监督分类和非监督分类。 我们使用Erdas软件中的进行分类实验，以下我们分别对这两种进行实验。 1）非监督分类 ①点击Unpervised Classification，弹出如下图的对话框：
图5 在对话框中输入要分类的图像和输出的文件名，在Number of Classes 中输入要分类的种类数（至少为目标分类数的两倍，我们要把原图像分为4类，所以该处的参数要大于8）。 点击OK按钮就完成了非监督分类的基本操作。 ②打开分类后的遥感图像，此时还没有对各个类进行颜色设定，如图六 所示：
图6 ③点击Viewer上的工具，弹出Raster Attribute Editor对话框，在该对话框中可以对各个类的显示颜色进行设定，并且修改各个类的类名。 对照原遥感图像，我们将分类后的影像图显示为四种颜色，如图八所示：
实验五遥感图像的非监督分类 一、实验目的 1．非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织 数据分析技术（ISodata）和K均值算法（K-Means）； 2．分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类 效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束 后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息， 统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进 行分析。 二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes中输15即分为15类，Change Iterations中输6，即最大迭化量为6次，Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定保存结果后New display →Load Band，双击查看Cursor Location/Value，发现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行大量的野外调查，确定同一类码所代表的地物是什么 2）合并类的操作：Classification →Post classification →Combine classes →K-Means →OK； 在Select Input Class中选Class 8，Select Output Class中选Class 10（即把第8类和第10类合并）→点Add combination →OK →Memory →OK；在原界面中选择保存结果→New Display →Load Band；在Load 后的Display中点击Tools →Link →Geographic link，则Display（当前）和Display #2（前一个）变为on，表示2者合并→OK，可查看变化结果。