监督分类实验报告

随着遥感技术的飞速发展，遥感图像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。

为了提高遥感图像分类的准确性和效率，我参加了为期一个月的监督分类实习，旨在学习遥感图像处理与分析的基本原理，掌握监督分类方法，并应用于实际项目中。

二、实习内容1. 遥感图像处理基础实习初期，我学习了遥感图像处理的基本原理，包括图像的几何校正、辐射校正、增强处理等。

通过实际操作，我掌握了ENVI、ArcGIS等软件的基本操作，能够对遥感图像进行预处理。

2. 监督分类方法学习在了解了遥感图像处理的基础知识后，我重点学习了监督分类方法。

实习期间，我学习了最大似然法、支持向量机（SVM）等常用的监督分类方法。

通过实际操作，我了解了不同分类方法的特点和适用场景。

3. 实际项目应用在实习的最后阶段，我参与了实际项目的监督分类工作。

该项目旨在利用遥感图像对某地区进行土地利用分类。

在导师的指导下，我选取了合适的训练样本，运用SVM方法对遥感图像进行了分类，并对分类结果进行了精度评估。

三、实习成果1. 理论掌握通过实习，我对遥感图像处理与分析的基本原理有了更深入的了解，掌握了监督分类方法，为今后的工作打下了坚实的基础。

2. 实践能力提升在实习过程中，我学会了使用ENVI、ArcGIS等软件进行遥感图像处理与分析，提高了自己的实践能力。

3. 项目经验积累通过参与实际项目，我积累了项目经验，学会了如何将理论知识应用于实际工作中。

1. 理论与实践相结合实习过程中，我深刻体会到理论与实践相结合的重要性。

只有将理论知识应用于实践，才能真正掌握遥感图像处理与分析技术。

2. 团队协作精神在实习过程中，我学会了与团队成员沟通协作，共同完成项目任务。

3. 不断学习遥感图像处理与分析技术发展迅速，作为一名实习生，我深知自己需要不断学习，才能跟上时代发展的步伐。

五、总结本次实习让我受益匪浅，不仅提高了自己的专业素养，还积累了宝贵的实践经验。

在今后的学习和工作中，我将继续努力，为遥感图像处理与分析领域的发展贡献自己的力量。

监督分类实验报告监督分类实验报告一、引言监督分类是机器学习领域中的一项重要任务，它的目标是根据已知的样本和标签，构建一个能够自动对新样本进行分类的模型。

在本次实验中，我们使用了一个基于监督学习的分类算法，并通过对不同数据集的实验进行评估，来探索该算法的性能和适用范围。

二、数据准备在实验中，我们使用了两个不同的数据集，分别是鸢尾花数据集和手写数字数据集。

鸢尾花数据集包含了150个样本，每个样本有4个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。

手写数字数据集则包含了1797个样本，每个样本是一个8x8的灰度图像，表示了一个手写数字。

三、实验方法我们选择了支持向量机（SVM）作为分类算法，并使用Python中的scikit-learn 库进行实现。

SVM是一种二分类模型，通过在特征空间中构建一个最优超平面来实现分类。

在实验中，我们将SVM应用于鸢尾花数据集和手写数字数据集，并对其进行了以下几个方面的评估。

1. 特征选择在实验中，我们首先进行了特征选择，以确定对于不同数据集来说，哪些特征是最具有区分性的。

通过计算特征的方差和相关系数等指标，我们确定了鸢尾花数据集的四个特征都是有用的，而手写数字数据集的某些特征则可以被忽略。

2. 模型训练在特征选择之后，我们使用了80%的数据作为训练集，剩余的20%作为测试集。

通过调整SVM的参数，如核函数类型、正则化参数等，我们训练了不同的模型，并选择了最优模型进行评估。

3. 模型评估为了评估模型的性能，我们使用了准确率、召回率和F1值等指标。

准确率表示模型正确分类的样本比例，召回率表示模型正确预测正例的能力，而F1值则综合考虑了准确率和召回率。

通过计算这些指标，我们可以对模型的分类能力进行全面的评估。

四、实验结果与分析在鸢尾花数据集上，我们的SVM模型达到了97%的准确率，表现出很好的分类能力。

然而，在手写数字数据集上，模型的准确率仅为90%，略低于我们的期望。

实习报告：遥感监督分类实习一、实习目的本次遥感监督分类实习的主要目的是通过实际操作，掌握遥感监督分类的基本原理和方法，提高对遥感影像进行分类和解析的能力。

通过实习，我们希望能够学会使用遥感相关软件对遥感影像进行处理和分析，掌握遥感野外调查的方法和注意事项，以及根据土地利用现状分类标准对遥感影像进行目视解译和划分，最终制作出土地利用现状分类专题图。

二、实习内容（一）遥感影像处理1. 遥感影像预处理：我们在envis软件中进行遥感影像的预处理，包括辐射校正和几何校正。

辐射校正主要进行传感器校正、大气校正、太阳高度及地形校正。

几何校正是指纠正由系统或非系统因素引起的图像几何变形。

我们将实习所用到的遥感图像坐标系确定为UTMWGS84坐标系。

2. 遥感影像裁剪：我们使用envis软件中的感兴趣区域选取功能，对预处理过的遥感影像进行裁剪，选取出本次实习的区域范围。

（二）外业建标调查1. 建立目视解译标志：我们根据《土地利用现状分类-GB2007》标准，对所调查区域的遥感影像地物进行初步目视解译、划分，从而建立外业目视解译标志表。

2. 野外调查：我们根据建立的目视解译标志，进行野外调查，验证和解译遥感影像中的地物类别。

（三）遥感影像的监督分类1. 训练样本选择：我们根据野外调查的结果，选择代表性的训练样本，用于遥感影像的监督分类。

2. 监督分类：我们使用ENVI软件中的监督分类功能，对遥感影像进行分类。

在分类过程中，我们根据训练样本的特点，选择合适的分类算法和参数。

3. 分类结果评估：我们使用混淆矩阵和Kappa系数等指标，对监督分类的结果进行评估，以判断分类的精度。

三、实习总结通过本次遥感监督分类实习，我们掌握了遥感影像处理的基本方法，学会了使用envis和ENVI等软件进行遥感影像的预处理、裁剪和监督分类。

同时，我们也学会了如何进行野外调查和目视解译，以及如何选择训练样本和评估分类结果。

通过实习，我们对遥感监督分类的原理和方法有了更深入的了解，提高了实际操作能力。

实验报告书（验证性实验）题目图像分类——监督分类成绩姓名专业班级学号指导教师日期年月日1．实验目的从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。

2．实验准备工作准备一张卫星高清图像以及ERDAS软件，统筹观测目测一下图像，大体了解地物的种类及种类数目，做到心中有数，为训练区的选取做准备。

3．实验步骤第一步：打开卫星拍摄的高清图像，同时打开工具栏classifier中的signature editor，会蹦出分类标签框。

然后打开viewer上的工具栏，在卫星图像上进行训练区第一种地物（如小麦）样本的选取，找到该类地物面积较大的区域，放大后用多边形截图工具截取，然后在标签框上选择添加，之后继续选样本，重复以上步骤，直到选择到十几个有代表性的样本为止。

之后在标签栏里选中所有样本，点击图标合并，删除原样本，只保留合并之后的，再在name栏里填上此种地物的名称。

这样第一个地物的样本选取完毕，进行第二个地物样本的选取，以此类推，直到把图像中包含的所有地物样本选出得到完整的分类标签为止，将分类标签保存在目标文件夹中。

地物样本的选择：第二步：打开classifier中的supervised classification，在导入原始文件栏里选择卫星图像，在导入signature栏里选择刚才做好的分类标签，之后选择导出的目标文件夹，在parametric中可以选择不同的选项（这里以maximum likelihood为例），确定后导出了开始。

第三步：打开导出的图像，这就是监督分类后的图像，然后进行检验。

在已打开的分类后的图像中再打开未分类的原始图像，这里要注意把raster option中的clear display前的对号去掉。

在view中的arrange layers上安排一下图层的顺序，使分类后的图像在上面，打开utility中的swipe，通过移动滚条并放大进行前后两张图像的对照，达到检验效果。

实习报告一、实习背景及目的近年来，随着我国经济的快速发展，各行各业对数据分析的需求日益增长。

监督分类作为一种常见的数据分析方法，在遥感、图像处理、机器学习等领域具有重要应用价值。

为了提高自己在监督分类领域的实际操作能力，我参加了本次监督分类实习，旨在掌握监督分类的基本原理、常用算法及其应用。

二、实习内容与过程1. 实习前的准备在实习开始前，我首先对监督分类的基本概念、原理和常用算法进行了系统学习，包括最小距离分类、最大似然分类、支持向量机分类等。

同时，为了更好地开展实习，我还学习了相关软件的使用方法，如ENVI、ArcGIS等。

2. 实习过程实习过程中，我主要完成了以下几个任务：（1）数据准备：我下载了一组遥感图像，包括多光谱、高光谱等数据。

为了进行监督分类，我需要对这些数据进行预处理，如波段选择、数据标准化等。

（2）样本制备：在监督分类中，样本的制备至关重要。

我根据实际需求，从遥感图像中选取了具有代表性的样本，并对每个样本进行了标签分类。

（3）模型训练与验证：利用制备好的样本，我分别采用了最小距离分类、最大似然分类和支持向量机分类等算法进行了模型训练。

为了评估模型的分类性能，我还进行了交叉验证。

（4）遥感图像分类：在模型训练与验证通过后，我应用这些模型对整个遥感图像进行了分类。

为了评价分类结果，我还进行了混淆矩阵分析、Kappa系数计算等。

3. 实习成果通过本次实习，我完成了遥感图像的预处理、样本制备、模型训练、交叉验证和图像分类等任务。

实习成果主要包括以下几点：（1）掌握了监督分类的基本原理、常用算法及其应用；（2）学会了遥感图像处理软件的使用，如ENVI、ArcGIS等；（3）提高了自己在监督分类领域的实际操作能力；（4）为实际项目中的应用提供了有益的参考。

三、实习总结通过本次监督分类实习，我对监督分类有了更深入的了解，从理论到实践都取得了一定的进步。

同时，我也认识到监督分类在实际应用中存在的局限性，如样本制备的困难、算法选择的复杂性等。

监督分类实验报告.本次实验我们研究的是监督分类算法。

监督分类是一种基于训练数据集的分类方法，即通过给定的训练数据集学习构建分类器，再将分类器应用于测试数据集，从而实现对新数据进行分类的过程。

监督分类算法具有广泛的应用，如文本分类、图像分类等领域。

本实验中我们选取了两种常用的分类算法：决策树和朴素贝叶斯分类器。

决策树是一种树状结构，其中每个节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点表示一个类别。

朴素贝叶斯分类器是一种基于概率论的分类器，利用贝叶斯定理来预测给定数据的分类。

我们选取了一个公开数据集Iris（鸢尾花数据集），该数据集包含150个样本，其中每个样本中包含4个特征属性，分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度，以及一个类别属性，分别是setosa、versicolor、virginica三种鸢尾花的类别。

我们选取其中120个样本作为训练数据集，30个样本作为测试数据集。

我们首先使用Python实现了决策树算法和朴素贝叶斯分类器算法。

在训练阶段，我们将训练数据集作为输入，根据算法学习生成决策树或对应的概率模型；在测试阶段，我们将测试数据集的每个样本输入到决策树或概率模型中进行分类，最终统计分类准确率。

在实验中，我们使用了sklearn工具包中的DecisionTreeClassifier和GaussianNB 实现决策树和朴素贝叶斯分类器算法。

我们将数据集中的数据进行了随机划分，80%作为训练集，20%作为测试集，将参数max_depth设置为4。

结果显示，朴素贝叶斯分类器分类准确率达到97.78%，决策树分类准确率达到93.33%。

其具体结果如下表所示：|算法 |分类准确率||--------------|--------||朴素贝叶斯分类器| 97.78% ||决策树 | 93.33% |从结果可以看出，朴素贝叶斯分类器的分类准确率较高，达到了97.78%，而决策树的分类准确率稍低，只有93.33%。

实习报告实习名称了解监督分类方法实习课程遥感导论姓名班级学号实习时间12.24晚得分一、实习目的1．通过此次实习掌握监督分类的方法与过程2.加深对监督分类方法的理解，并能将其与实际结合进行思考。

二、实习内容1．首先是定义分类模版，并成出结果图。

2.进行分类精度的评估三、实习方法1.先是定义分类模版，先用到ERDAS图标中的Classifier，选择其中的Signature Editor。

2.用VIEWER打开所要编辑的图片，打开3.在打开的工具栏中选择，进行AOI多边形的绘制，把绘制好的多边形通过Signature Editor中的，将将多边形AOI区域加载到Signature分类模板中4.绘制不同种类的AOI多边形，包括水体、植物群、居民区、农田（果园）、裸地，全部加载入后选择Signature Editor对话框菜单条Classify进行最终结果的保存。

5.进行分类精度的评估。

四、实习步骤（应附上不同过程中的实习结果，如图形、图像、数字等）1.先打开要进行分类处理的图像，打开ERDAS图标中的Classifier，选择其中的Signature Editor。

在viewer的一排工具中选择，出现如下图在打开的工具栏中选择，在编辑图片中选择水体，并用此工具进行AOI多边形绘制。

此时在Signature Editor中选择下列工具将多边形AOI区域加载到Signature分类模板中，并更改合适的名字和颜色，然后再进行其他AOI的绘制。

下图为我将绘制的水体AOI全部加载并改名换颜色后的Signature Editor同理如上，绘制并加载上所有需要的AOI，包括包括水体、植物群、居民区、农田（果园）、裸地。

2.现在要保存分类文档，在Signature Editor对话框菜单条中选择Classify进行最终结果的保存。

按OK进行保存。

3.在viewer中打开保存的图像此时再进行分类精度的评估，打开ERDAS图标中的Classifier，选择其中的Accuracy Assessment打开已经分类好的图像，再点击Edit，打开见下图弹出下框，点OK则出现了在分类图像中产生的一些随机的点，见下图此时再点击View中的Select Viewer弹出下框，再在Viewer中点击下一分类完成的图这是再在Accuracy Assessment中点击View中的Show ALL此时在Viewer中分类好的图上会出现对应的随机点随机点产生之后，本来需要给出随机点的实际类别。

实验报告书（验证性实验）题目遥感图像的监督分类成绩姓名专业班级学号指导教师日期2010 年12 月17 日1．实验目的通过本实验加强对遥感图像监督分类处理理论部分的理解，熟练掌握图像监督分类的处理方法，并将处理前后数据进行比较。

2．实验准备工作1，准备遥感数据（本实验使用的是校正后的图像）；2，熟悉遥感图像监督分类的理论部分。

3．实验步骤（1）打开ERDAS imagine，打开需要处理的图像，下图所示：点击Classifier Signature Editor，出现下图所示对话框：首先目视解译区分部分明显地物，点击viewer对话框中，选择一种截取方式，在原图中选择一种地物（如：水系）截取，如下图所示：打开Signature Editor对话框，点击，出现下图所示对话框：以上所述步骤，将原图中水系均找出，按住shift键，将Class#中每一栏选定，如下图所示：点击上图中将其合并，如下图所示：然后将合并后的结果重命名，删除合并前的，以上述方法将图中大部分地物合并，如下图所示：将上图模板保存。

打开ERDAS面板中Classifier Supervised Classification，将Supervised Classification对话框中Input Raster File一栏输入原图像，在Input Signature file一栏输入刚才保存的模板，在Classified File一栏输入要输出的数据，点击OK即可。

如下图所示：打开处理后图像，并与原图像进行比较：原图：处理后：4．实验数据分析与结论（可另附文字材料）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。

监督分类实验报告一、实验原理：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。

二、实验目的：1、理解监督分类方法的基本原理；2、掌握利用ERDAS进行监督分类的操作流程；3、了解分类后评价过程。

三、实验内容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。

四、实验步骤：1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。

2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、3、2。

3、在Viewer视窗中显示待分类图像。

打开Classification，选择Signature Editor，打开分类模板编辑器。

4、选择Signature Editor窗口的View中的Column，在弹出的View Signature Columns对话框中选择需要显示的字段。

5、在Viewer中点击图标，打开Raster工具面板。

6、单击面板中的图标，在打开的图像中选择水体区域，绘制一个多边形AOI。

7、在Signature Editor对话框中，单击图标，将上一步中建立的多边形AOI区域加载到分类模板中。

8、将上述方法重复进行，共选择10个区域。

9、将上述结果进行综合，将该类的Signature全部选定，然后点击合并图标，得出水体的分类模板，然后依次进行植被、农田、城区的分类模板的建立，方法同上。

10、将上述模板进行保存。

11、进行监督分类，在ERDAS主界面中，单击Classifier中的Supervised Classification，打开Supervised Classification 对话框。

12、在Supervised Classification对话框中，输入参数。

输入文件为tm_bjcity.img，输出文件为tm_bjcity_superclass.img，模板为tm_ssr.sig，分类距离文件为tm_bjcity_superclass_dis.img。

实验报告书（验证性实验）题目遥感图像监督分类成绩姓名专业班级学号指导教师日期2010 年12 月19 日1．实验目的：掌握监督分类的方法与过程，加深对监督分类方法的理解进一步熟练ERDAS软件的操作2．实验准备工作：准备要分类的图像3．实验步骤：第一步：显示需要进行分类的图像。

在视窗中显示345hecheng.img第二步：点击C1assifier→Signature Editor 菜单项View→Columns→view signature columns 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View Signature Co1umns 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。

在显示有345hecheng.img图像的视窗中选择Raster 菜单项→选择Tools 菜单→点击Raster 工具面板的图标→在视窗中选择蓝色区域，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→在Signature Editor 中，改变刚才加入模板的Signature Name和Color。

→重复上述操作过程以多选择几个蓝色色区域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。

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Signature Editor 对话框中，将该类的Signature 全部选定，然后点击合并图标第四步：保存分类模板。

在Signature Editor 对话框菜单条：File→Save→打开Save Signature File As 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4．实验数据分析与结论（可另附文字材料）。

监督分类的实验报告一、实验目的监督分类是一种基于已知类别样本的分类方法，通过对训练样本的学习，建立分类模型，从而对未知类别样本进行分类。

本次实验的目的是深入理解监督分类的原理和方法，掌握常见监督分类算法的应用，并通过实验对比不同算法的性能，为实际问题中的分类任务提供参考和依据。

二、实验原理监督分类的基本思想是在已知类别样本的基础上，通过分析样本的特征，建立分类规则或模型，然后将未知类别样本按照这些规则或模型进行分类。

常见的监督分类算法包括决策树、支持向量机、朴素贝叶斯、K 近邻等。

决策树算法通过对样本特征的递归划分，构建一棵决策树，根据样本在决策树上的路径进行分类。

支持向量机算法通过寻找一个最优的超平面，将不同类别的样本分开，实现分类。

朴素贝叶斯算法基于贝叶斯定理，假设样本特征之间相互独立，计算样本属于不同类别的概率进行分类。

K 近邻算法则根据样本与已知类别样本的距离，选择 K个最近邻样本，根据这些近邻样本的类别进行分类。

三、实验数据本次实验使用了两组数据，一组是鸢尾花数据集（Iris Dataset），另一组是手写数字数据集（MNIST Dataset）。

鸢尾花数据集包含 150 个样本，每个样本有 4 个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度，共有 3 个类别，分别是山鸢尾（Iris setosa）、变色鸢尾（Iris versicolor）和维吉尼亚鸢尾（Iris virginica）。

手写数字数据集包含 60000 个训练样本和 10000 个测试样本，每个样本是一个 28×28 的灰度图像，代表 0 到 9 中的一个数字。

四、实验步骤1、数据预处理对鸢尾花数据集，将特征进行标准化处理，使各特征的均值为 0，方差为 1。

对手写数字数据集，将图像展平为一个 784 维的向量，并进行归一化处理，使每个像素值在 0 到 1 之间。

2、划分训练集和测试集对鸢尾花数据集，随机选取 100 个样本作为训练集，50 个样本作为测试集。

监督分类实验报告监督分类实验报告引言：监督分类是机器学习中的一个重要任务，它通过训练数据集中的实例和相应的标签，来构建一个分类模型，用于对未知数据进行分类预测。

本实验旨在探究不同监督分类算法在不同数据集上的表现，并比较它们的性能和准确度。

一、实验背景监督分类是机器学习领域的核心任务之一，它在各个领域都有广泛的应用。

例如，在医学领域，可以利用监督分类算法对病人的病情进行预测和诊断；在金融领域，可以利用监督分类算法对借贷者的信用进行评估和分类等。

二、实验设计本实验选取了三个不同的数据集，分别是鸢尾花数据集、手写数字数据集和垃圾邮件数据集。

对于每个数据集，我们使用了三种不同的监督分类算法进行实验，分别是决策树算法、支持向量机算法和朴素贝叶斯算法。

三、实验步骤1. 数据预处理：对于每个数据集，我们首先进行数据预处理，包括数据清洗、特征选择和数据标准化等。

这一步骤的目的是为了减少数据中的噪声和冗余信息，提高分类算法的性能和准确度。

2. 模型训练：使用训练数据集对每个分类算法进行模型训练。

在训练过程中，我们使用交叉验证的方法来评估模型的性能，选择最优的参数组合。

3. 模型测试：使用测试数据集对训练好的模型进行测试，计算分类算法的准确度和性能指标。

同时，我们还进行了模型的泛化能力测试，即使用未见过的数据进行预测，评估模型的泛化能力和稳定性。

四、实验结果与分析1. 鸢尾花数据集实验结果：在鸢尾花数据集上，决策树算法的准确度为95%，支持向量机算法的准确度为97%，朴素贝叶斯算法的准确度为92%。

从结果来看，支持向量机算法在鸢尾花数据集上表现最好，准确度最高。

2. 手写数字数据集实验结果：在手写数字数据集上，决策树算法的准确度为85%，支持向量机算法的准确度为92%，朴素贝叶斯算法的准确度为80%。

从结果来看，支持向量机算法在手写数字数据集上表现最好，准确度最高。

3. 垃圾邮件数据集实验结果：在垃圾邮件数据集上，决策树算法的准确度为90%，支持向量机算法的准确度为95%，朴素贝叶斯算法的准确度为92%。

遥感影像的监督分类实验一、实验目的理解遥感影像监督分类的基本原理；掌握利用ERDAS软件进行遥感影像监督分类的方法和基本流程。

二、实验准备Lanier湖地区原始遥感影像数据、ERDAS2013三、基本原理首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本观测值求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。

四、操作过程1.原始遥感影像图的导入打开ERDAS2013软件→File →Open →Raster Layer →选择原始影像图文件→OK2.分类样本的选取在软件上方工具栏中点击“Raster”→Supervised →Supervised Editor →点击软件上方工具栏中的“Drawing”→在“Insert Geometry”功能区中选择不同的框选方式→选定框选方式后，在原始影像图中框定欲选择的样本区域→点击弹出窗口工具栏中的→每个类别重复上述操作选定多个样本区域→同时选定设定好的同类样本的多个区域，点击工具栏中的即将同类样本进行合并→将合并前的类别同时选定，点击鼠标右键，点击“Delete Selection”对其进行删除→点击“Signature Name”列修改所选定类别的名字，点击“Color”列修改所选定类别的颜色→重复操作至选择完所有类别3.分类样本的精度评定和样本保存点击弹出窗口的工具栏中的“Evaluate”→Contingency →在“Non-parametric Rule”中选择“Feature Space”→勾定“Use Probabilities”、“Pixel Counts”、“Pixel Percentages”→查看每类样本的精度，对精度不高的样本进行重新选择，直至所有样本符合精度要求→File →Save As →选择样本文件的保存位置，设置文件名→OK4.原始影像的监督分类在软件上方工具栏中点击“Raster”→Supervised →Supervised Classification →选定样本文件和设置欲保存的分类后文件的存放位置及文件名→OK →完成后点击“Close”5.分类后图像的目视检查”打开“ERDAS2013”软件→File →Open →Raster Layer →选择新输出的已分类图像文件→OK →File →Open →Raster layer →选择原始影像文件→点击界面上方的“Raster Options”→取消勾选“Clear Display”→OK在将两幅图放在同一个View界面后，点击软件上方工具栏中“Home”→点击“Swipe”使原始影像产生卷帘效果，然后通过目视进行定性检验分类的效果。

监督分类实验报告一、实验原理：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。

二、实验目的：1、理解监督分类方法的基本原理；2、掌握利用ERDAS进行监督分类的操作流程；3、了解分类后评价过程。

三、实验内容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。

四、实验步骤：1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。

2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、3、2。

3、在Viewer视窗中显示待分类图像。

打开Classification，选择Signature Editor，打开分类模板编辑器。

4、选择Signature Editor窗口的View中的Column，在弹出的View Signature Columns对话框中选择需要显示的字段。

5、在Viewer中点击图标，打开Raster工具面板。

6、单击面板中的图标，在打开的图像中选择水体区域，绘制一个多边形AOI。

7、在Signature Editor对话框中，单击图标，将上一步中建立的多边形AOI区域加载到分类模板中。

8、将上述方法重复进行，共选择10个区域。

9、将上述结果进行综合，将该类的Signature全部选定，然后点击合并图标，得出水体的分类模板，然后依次进行植被、农田、城区的分类模板的建立，方法同上。

10、将上述模板进行保存。

11、进行监督分类，在ERDAS主界面中，单击Classifier中的Supervised Classification，打开Supervised Classification 对话框。

12、在Supervised Classification对话框中，输入参数。

输入文件为tm_bjcity.img，输出文件为tm_bjcity_superclass.img，模板为tm_ssr.sig，分类距离文件为tm_bjcity_superclass_dis.img。

实验报告题目：监督分类姓名：学号：日期：一、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，运用ERDAS软件达到能熟练地对遥感图像进行监督分类的目的。

二、监督分类原理监督分类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。

即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。

要求训练区域具有典型性和代表性。

判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

1）平行六面体法在多波段遥感图像分类过程中，对于被分类的每一个类别，在各个波段维上都要选取一个变差范围的识别窗口，形成一个平行六面体，如果有多个类别，则形成多个平行六边形，所有属于各个类别的多维空间点也分别落入各自的多维平行六面体空间。

2）最小距离法使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类。

3）最大似然法假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里。

4）马氏距离法是一个方向灵敏的距离分类器，分类时将使用到统计信息，与最大似然法有些类似，但是她假定了所有类的协方差都相等，所以它是一种较快的分类方法。

三、实验步骤及结果1、定义分类模板定义分类模板包括分类模板的生成、管理、评价和编辑等，功能主要由分类模板编辑器（Signature Editor）完成，具体步骤包括：1）打开需要分类的影像本实验所处理的遥感图像打开如下图所示。

图1 原始遥感图像2）打开分类模板编辑器3）调整属性文字在分类编辑窗口中的分类属性表中有很多字段，可以对不需要的字段进行调整。

4）选取样本基于先验知识，需要对遥感图像选取训练样本，包括产生AOI、合并、命名，从而建立样本。

遥感实验七一、实验目的初步掌握数字图像计算机分类的基本操作；掌握非监督分类和监督分类的基本操作步骤，理解监督分类和非监督分类的区别。

二、实验内容1.利用计算机进行监督分类2.利用计算机进行非监督分类三、实验过程1.非监督分类1.1启动非监督分类模块，选择输入输出影像；点击data prep图标，选择data preparation下的unsupervised classification 命令弹出如下对话框选择输入输出路径，设置类别为12类，设置最大循环次数为10次；另外，分别点击initializing option，选择方法为主成分法（principal axis）;点击color scheme option ，并设置配色方案为approximate true color；点击OK得到非监督分类的结果图：1.2分类评价1.2.1 打开新的窗口，并导入非监督分类后的图；在视窗工具条中：点击图标打开raster工具面板，在Raster工具面板上点击图标，弹出Raster Attribute Editor对话框，如下图：1.2.2为各个类别赋予相应的颜色，通过对比xianyou.jpg（土地利用类型图），来识别每一个类别属于那种土地利用类型，并将其类名改为相应的类型；其中，可以通过不透明设置，将要显示的类别的opacity的值设为1，其他设为0，从而只显示其中的一个类别。

1.2.3通过Utility/Flicker/Viewer Flicker工具来观察非监督分类的结果的准确性；1.2.4可以确定类别的地物标注类别名称并设置适当的颜色；最终可以的标注名称和设置颜色后的结果如下：1.3聚类统计（clump）为了消除分类结果中产生的一些小面积图斑，我们需要先对分类结果进行聚类分析，具体步骤如下：在ERDAS图标面板工具条上点击Interpreter图标，选择GIS Analysis 下的Clump命令，打开Clump对话框；设置聚类统计领域大小（Connect Neighbors）为8，点击OK，得到聚类统计后的结果图如下：1.4去除分析（Eliminate）去除分析用于删除原始分类图像中的小图斑或者Clump聚类图像中的小clump类组。

实验报告实验九遥感图像的分类—监督分类一、原理及方法简介监督分类又称训练场地法，是一种以统计识别函数为理论基础，依据典型样本训练方法进行分类的技术，即：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。

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。

对模板进行评价后再对其进行修改，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：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification）。

二、实验目的1、理解监督分类方法的基本原理。

2、掌握利用ERDAS进行监督分类的操作流程。

3、了解分类后评价过程。

三、实验内容在ERDAS软件中，对TM影像进行监督分类，将图像中的植被、水体、城镇等地物特征提取出来。

实验数据：实验九\TM_bjcity.img四、实验步骤（一）定义分类模板定义分类模板操作包括模版的生成、管理、评价和编辑等，主要利用分类模板编辑器（Signature Editor）完成，具体步骤包括：步骤一：从ERDAS主界面中，打开Viewer视窗，然后选择输入文件：实验九\TM_bjcity.img，并在Raster Option（图像设置）中设置Red|Green|Blue对应的波段值分别为4|3|2，选择Fit to Frame（合适窗口大小），如图。

步骤二：单击OK，在Viewer视窗中显示待分类图像。

打开分类模板编辑器。

在ERDAS图标面板工具条中点击Classifier（分类器）图标，选择Classification（分类）→Signature Editor（特征编辑器）菜单，打开分类模板编辑器Signature Editor，如图。

实习报告书实习三遥感图像的监督分类姓名：黄子寒专业：测绘工程班级： 2013015班学号：201301526实验日期： 2016.05 实验组号：1、实习目的1.理解遥感图像的监督分的含义；2.会使用ENVI软件对遥感图像进行监督分类。

2、操作步骤一监督分类（数据采用njtmcorrected）监督分类技术需要在执行以前事先定义训练分类器（training classes）, 训练分类器也可以用ENVI 感兴趣区（ROI）函数限定。

ENVI的监督分类技术包括平行六面体(平行管道)、最小距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法1. “开始”->“程序”->RSI ENVI4.0->ENVI，打开ENVI4.0界面；2. 选择File > Open Image File.3. 当出现Enter Data Filename 对话框，选择要打开的文件名，再点击“OK”，在Available Bands List框里点击Load Band ，图像显示在图像显示窗口。

4. 选择“基本工具”－>感兴趣区－>ROI工具，弹出ROI Tool对话框。

5. 在ROI_Type菜单里选择建立感兴趣区的类型，可以选择Polygon、Polyline、point、Rectangle、Ellipse等类型。

6. 在Window栏里选择要建立感兴趣区的窗口，可以选择Image、Scroll、Zoom窗口。

之后可以在相应的窗口里绘制ROI区。

如若需要建立多个ROI区，可以点击New Region按钮，如若需要删除或编辑ROI区，可以分别点击Delete和Edit按钮。

最后保存建立的ROI区。

7. 选择Classification > Supervised > 需要的分类方法，建立相应的分类，并装载观察结果。

下面以Parallelepiped (平行六面体)分类方法为例，说明其过程：（1）选择Classification > Supervised > Parallelepiped，弹出Classification Input File对话框，选择要进行监督分类的图像文件。

实习报告1、打开图像，查看基本信息打开ENVI 软件，点击主菜单中的File –>Open Image File，打开“bj01_stduy.img”文件，如下图所示。

点击“Map Info”可以查看影像得坐标系，分辨率等信息；点击RGB Color，R、G、B分别是Layer3、Layer2、Layer1则以真彩色显示，R、G、B分别是Layer4、Layer3、Layer2则以标准假彩色显示，即红色通道显示近红外波段数据、绿色通道显示红色波段数据、蓝色通道显示绿色波段数据，这种情况下植被呈现红色。

2、监督分类2.1定义训练样本选择Basic Tools –> Region of Interest –> ROI Tool来定义训练样本。

目视解译出五类地物：林草地、农田、建筑物、水体、道路。

（1）用ROI Tools创建感兴趣区如下图所示：（2）评价训练样本：选择Options——Compute ROI Separability。

2.2执行监督分类选择Classification－>Supervised－>[method]。

选最大似然法。

完成后加载新图：2.3分类后处理2.3.1更改类别颜色在主图像窗口中的显示菜单里，选择Tools > Color Mapping > Class Color Mapping，分别选取颜色。

2.3.2分类统计（Class Statistics）选择 Classification-> Post Classification -> Class Statistics。

输出每类分开的统计报告和图示以及所有类的总结报告。

类别名称像元个数百分比总面积（km2）林草地1540 9.664% 109.6281农田2726 26.554% 301.2372建筑物1824 60.020% 680.8707水体1541 1.008% 11.43道路95 2.755% 31.248 2.3.3合并类Combine Classes（跳过）2.3.4分类结果精度评价选择classification-----post classification----confusion Matrix---[method]，其中[method]为using ground truth image。