Erdas监督分类和非监督分类

ERDAS操作技巧加载波段成影像：interpreter---utilities---layer stackERDAS 操作⼩技巧：1、配准影像图：从Viewer 中打开两幅图（⼀幅参照，⼀幅配准）从菜单栏Raster 中选Geometric correction （⼏何校正）在Set Geometric Model 中选Polynomial ，后点击ok ，打开Polynomial Model Properties 对话框，在Parameters 中Polynomial Order （多项式次⽅）中选1或2[最少GCP 公式：2)2)(1++n n （]，在Projection （投影参数）中Map Units 选Meters 点击Add/Change Projection 在Custom 中选择所需的Projection Type ，Spheroid Name ，Datum Name ，Scale factor at central meridian ，Longitude of central meridian （可以参考参照图中Imagine info 中的信息），Latitude of origin of projection ，False easting （⼀般选500000meters ），False northing （⼀般忽略为零），点击Ok Set Projection from GCP Tool 中选择Collect Reference Point From （选择视窗采点模式）中的 Existing Viewer 选项，Ok 。

RMS 误差(均⽅根)=22)()i r i r y y x x -+-（这⾥：x i 和y i 是输⼊的原坐标；x r 和y r 是逆变换后的坐标定义：RMS 误差是指GCP 的输⼊（原）位置和逆变换的位置之间的距离（或者说是在⽤转换矩阵对⼀个GCP 作转换时，所期望输出的坐标与实际输出的坐标之间的偏差）。

《E r d a s遥感图像处理》实验指导书-CAL-FENGHAI.-(YICAI)-Company One1《遥感图像处理》实验指导书实验一、ERDAS视窗的基本操作实验目的：初步了解目前主流的遥感图象处理软件ERDAS的主要功能模块，在此基础上，掌握视窗操作模块的功能和操作技能，为遥感图像的几何校正等后续实习奠定基础。

实验内容：视窗功能介绍；文件菜单操作；实用菜单操作；显示菜单操作；矢量和删格菜单操作等。

视窗操作是ERDAS软件操作的基础, ERDAS所有模块都涉及到视窗操作。

本实验要求掌握视窗的基本功能，熟练掌握图像显示操作和矢量菜单操作，从而为深入理解和学习ERDAS软件打好基础。

1、视窗功能简介二维视窗（图1-1）是显示删格图像、矢量图形、注记文件、AOI等数据层的主要窗口。

通过实际操作，掌握视窗菜单的主要功能、视窗工具功能。

图1-1 二维视窗重点掌握ERDAS图表面板菜单条；ERDAS图表面板工具条；掌握视窗菜单功能和视窗工具功能等基本操作。

2、图像显示操作（Display an Image）第一步：启动程序（Start Program）视窗菜单条：File→open→ RasterLayer→Select Layer To Ad d对话框。

第二步：确定文件（Determine File）在Select Layer To Add对话框中有File和Raster Option两个选择项，其中File就是用于确定图像文件的，具体内容和操作实例如表。

参数项含义实例Look in确定文件目录examplesFile name确定文件名xs_truecolorFile of type确定文件类型IMAGINE Image（*.img）Recent选择近期操作过的文------件Go to改变文件路径-------图1-2 参数设置第四步：打开图像（Open Raster Layer）3、实用菜单操作了解光标查询功能；量测功能；数据叠加功能；文件信息操作；三维图像操作等。

遥感图像分类的原理基本原理监督分类中常用的具体分类方法包括：最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。

最小距离分类包括最小距离判别法和最近邻域分类法。

最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。

最近邻域分类法是上述方法在多波段遥感图像分类的推广。

在多波段遥感图像分类中，每一类别具有多个统计特征量。

最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。

最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。

多级切割分类法（multi-level slice classifier）：是根据设定在各轴上值域分割多维特征空间的分类方法。

通过分割得到的多维长方体对应各分类类别。

经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。

这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。

多级切割分类法要求训练区样本选择必须覆盖所有的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。

多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。

由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。

但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。

因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。

实习七非监督分类一、实习目的通过实习，掌握在软件中实现非监督分类、分类精度评价及分类后处理的操作流程、步骤。

二、实习内容1.非监督分类2.分类后处理3.分类精度的评价三、实习步骤1、获取初始分类结果1）启动非监督分类步骤：raster → unsupervised（）→ unsupervised classification非监督分类对话框：2）进行非监督分类初步分类结果：2、分类方案调整（p106-107）1）显示原图像与分类图像批阅意见：装订线步骤：→ editor →进行编辑2）定义类别颜色3）设置不透明度4）确定类别意义及精度5）标注类别名称和颜色3、分类后处（）1）聚类分析步骤：raster → thematic → clump 聚类结果：2）去除分析步骤：raster → thematic → eliminate 去除对比：3）重编码步骤：raster → thematic → recode重编码结果：4、评价分类精度1）分类叠加2）精度评估步骤：分别加载重编码后图像和专题图Inlandc.img图像 raster → supervised → accuracy assessment①加载cbm图像②关联专题图③点击edit ：create/add random points点击OK点击edit → show class values；点击view → show all；专题图会随机出现（point#）查看class与reference是否一致并填入reference一栏；最后点击Report 生成报告：．．．．．．．．．．．．．．．．。

遥感图像分类的原理监督分类流程图（Erdas环境）在专业遥感图像处理软件Erdas环境下，监督分类的流程图可以表示如下：图2-1 监督分类流程图监督分类注意事项（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。

（2）每一类的训练区文件aoi与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。

（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。

监督分类过程示例1．图2-2为某地TM遥感影像，432波段假彩色合成。

图2-2TM影像（432波段合成）2．确定分类类别通过色调、纹理等图像特征，确定该区域分类类别为水体，植被和滩涂。

各类分类特征如表2-1所示。

表2-1 分类特征3．为每一类选择训练区及特征文件（1）AOI操作工具简介在Viewer窗口中选择“AOI”→“Tools…”，调出AOI（Area Of Interest，感兴趣区）浮动工具栏（如图2-3所示）。

图2-3AOI浮动工具栏其中较为常用的工具按钮为：（2）特征文件操作工具简介特征文件从AOI区域中获得。

使用“Erdas”→“Classifier”→“Signature Editor”，调出特征文件编辑器，如图2-4所示。

图2-4 特征文件编辑器其中较为常用的工具为：打开一个特征文件。

新建一个特征文件/打开新的特征文件编辑器。

添加选中的AOI 的特征到特征文件中。

使用选中的AOI特征替换当前特征。

合并选中的特征文件中的特征到一个特征。

一般建立特征文件的步骤是，在Viewer窗口中使用AOI工具勾画感兴趣区，使用把该AOI区域中的特征添加到特征文件中。

也可以选中多个AOI批量添加到特征文件图2-5中。

（2）为各类别建立训练区文件和特征文.件。

把遥感影像放大到像元级，选择矩形AOI选择工具，根据建立的判读标识，在遥感影像上选择AOI区域，然后使用依次图2-6 添加特征到特征文件中。

监督分类（Supervised Classification）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于其他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、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。

1．建立模板（训练样本、定义分类模板Define Signatures）ERDAS IMAGINE 的监督分类是基于分类模板（Classification Signature）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（SignatureEditor ）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。

第一步：显示需要分类的图像在视窗Viewer 中显示图像aaa.img第二步：打开分类模板编辑器（两种方式）①ERDAS 图标面板菜单条：Main Image Classification Classification 菜单Signature Editor 菜单项Signature Editor 对话框②ERDAS 图标面板工具条：点击Classifier 图标Classification 菜单Signature Editor 菜单项Signature Editor 对话框从上图中可以看到分类模板编辑器由菜单条、工具条和分类模板属性表（CellArray ）三大部分组成。

第三步：调整分类属性字段Signature Editor 对话框中的分类属性表中有很多字段，分类名称（将带入分类图像）分类颜色（将带入分类图像）分类代码（只能用正整数）分类过程中的判断顺序分类样区中的像元个数分类可能性权重（用于分类判断）不同字段对于建立分类模板的作用或意义是不同的，为了突出作用比较大的字段，需要进行必要的调整。

影像的分类可分为监督与非监督分类。

监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。

本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。

有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。

在多光谱图像中搜寻、定义其自然相似光谱集群的过程。

它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。

目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。

遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。

一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。

本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。

确定在非监督分类中的类别数为15。

2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。

ENVI包括了ISODATA和K-Mean方法。

ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，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进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。

K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。

3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。

实验七、图像分类实验内容：1.非监督分类2.监督分类图像分类简介：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：非监督分类和监督分类。

1. 非监督分类(以c:\program files\ imagine 8.4\examples\germtm.img为例)ERDAS IMAGINE 8.4使用ISODATA（Iterative Self-Organizing Data Analysis Technique）算法来进行非监督分类。

聚类过程始于任意聚类平均值或一个已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。

非监督分类完全按照像元的光谱特性进行统计分类，常常用于对于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与分类运算，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。

1.1分类过程：第一步：调出非监督分类对话框方法一：在ERDAS IMAGINE 8.4图标面板工具条中单击“Dataprep”图标→打开Data Preparation窗口→单击Unsupervised Classification菜单项→打开Unsupervised Classification对话框方法二：在ERDAS IMAGINE 8.4图标面板工具条中单击“Classifier”图标→打开Classification窗口→单击Unsupervised Classification菜单项→打开Unsupervised Classification对话框（说明：两种方法调出的Unsupervised Classification对话框有一些区别,由于基本的非监督分类属于IMAGINE Essentials级产品,但在IMAGINE Professional级产品中有一定的功能扩展,所以非监督分类命令分别出现在Data Preparation菜单和Classification菜单中。

实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。

二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。

三、实验原理监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。

常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。

最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。

其前提是假定训练区地物的光谱特征近似服从正态分布。

训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。

四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开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三个字段将分别从选择集中被清除。

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。

(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。

在待分类图像视窗上选择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→在视窗中选择一类地物，绘制一个多边形AOI。

各自优缺点：监督分类的特点：主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。

主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。

非监督分类特点：主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。

主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

一、什么是监督分类与非监督分类？非监督分类：没有训练样本，通过计算哪些相似，划分出不同类别。

先定义光谱可分性，再定义信息类。

是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。

监督分类：根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对各待分类影像进行的图像分类。

先定义信息类，再定义光谱可分性。

二、它们包括什么？非监督分类包括：1.波谱图形识别分类2.聚类分析监督分类包括：1.最小距离法2.线形判别分析3.最大似然比分类4.最近邻域分类法5.特征曲线窗口法三、二者的优缺点：非监督分类优点：1.人为干预较少，自动化程度较高。

遥感图像分‎类的原理监督分类流‎程图（Erdas‎环境）在专业遥感‎图像处理软‎件Erda‎s环境下，监督分类的‎流程图可以‎表示如下：图2-1 监督分类流‎程图监督分类注‎意事项（1）分类应从下‎往上，即每一地类‎应先细分为‎若干小类，然后再依需‎要自下而上‎合并成大类‎。

（2）每一类的训‎练区文件a‎o i与特征‎文件sig‎应该一一对‎应，即每一类对‎应的训练区‎和特征文件‎都应该保存‎为一个单独‎的文件，以方便在调‎整训练区的‎时候进行修‎改。

（3）精度检验后‎若精度不符‎合要求，需要重新调‎整训练区，再次分类，直到精度满‎足要求为止‎。

监督分类过‎程示例1．图2-2为某地T‎M遥感影像‎，432波段‎假彩色合成‎。

图2-2 TM影像（432波段‎合成）2．确定分类类‎别通过色调、纹理等图像‎特征，确定该区域‎分类类别为‎水体，植被和滩涂‎。

各类分类特‎征如表2-1所示。

表2-1 分类特征3．为每一类选‎择训练区及‎特征文件（1）AOI操作‎工具简介在View‎e r窗口中‎选择“AOI”→“Tools‎…”，调出AOI‎（Area Of Inter‎e st，感兴趣区）浮动工具栏‎（如图2-3所示）。

图2-3 AOI浮动‎工具栏其中较为常‎用的工具按‎钮为：（2）特征文件操‎作工具简介‎特征文件从‎A OI区域‎中获得。

使用“Erdas‎” →“Class‎i fier‎” →“Signa‎t ure Edito‎r”，调出特征文‎件编辑器，如图2-4所示。

图2-4 特征文件编‎辑器其中较为常‎用的工具为‎：打开一个特‎征文件。

新建一个特‎征文件/打开新的特‎征文件编辑‎器。

添加选中的‎A OI的特‎征到特征文‎件中。

使用选中的‎A OI特征‎替换当前特‎征。

合并选中的‎特征文件中‎的特征到一‎个特征。

一般建立特‎征文件的步‎骤是，在View‎e r 窗口中‎使用AOI‎工具勾画感‎兴趣区，使用把该AOI‎区域中的特‎征添加到特‎征文件中。

实验一：ERDAS 视窗的基本操作一、实验目的：初步了解目前主流的遥感图象处理软件 ERDAS 的主要功能模块，在此基础上，掌握视窗操作模块的功能和操作技能，为遥感图像的几何校正等后续实习奠定基础。

二、实验原理：视窗功能介绍；文件菜单操作；实用菜单操作；显示菜单操作；矢量和删格菜单操作等。

视窗操作是 ERDAS 软件操作的基础 , ERDAS 所有模块都涉及到视窗操作。

本实验要求掌握视窗的基本功能，熟练掌握图像显示操作和矢量菜单操作，从而为深入理解和学习 ERDAS 软件打好基础。

二维视窗（图 1-1 ）是显示删格图像、矢量图形、注记文件、 AOI 等数据层的主要窗口。

通过实际操作，掌握视窗菜单的主要功能、视窗工具功能。

重点掌握 ERDAS 图表面板菜单条； ERDAS 图表面板工具条；掌握视窗菜单功能和视窗工具功能等基本操作。

三、实验步骤：图像显示操作（ Display an Image ）第一步：启动程序（ Start Program ）视窗菜单条：File→open→ RasterLayer→Select Layer To Add 对话框。

第二步：确定文件（ Determine File ）在 Select Layer To Add 对话框中有 File 和 Raster Option 两个选择项，其中 File 就是用于确定图像文件的，具体内容和操作实例如表。

表 1-1 图像文件确定参数第三步：设置参数（Raster option ）第四步：打开图像（ Open Raster Layer ) •实用菜单操作了解光标查询功能；量测功能；数据叠加功能；文件信息操作；三维图像操作等。

四、实验结果及分析：通过对ERDAS 视窗的操作，掌握了文件菜单操作、实用菜单操作、显示菜单操作、矢量和删格菜单操作等。

同时也掌握了 ERDAS 图表面板菜单条，ERDAS 图表面板工具条，掌握视窗菜单功能和视窗工具功能等基本操作；并且了解光标查询功能、量测功能、数据叠加功能、文件信息操作、三维图像操作等。

遥感实验报告图1-1第二步：进行非监督分类→确定初始分类数（Number of classes）： 12分出12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Initializing options按钮可以调出Fi1e Statistics Options对话框以设置ISODATA的一些统计参数，.点击Co1or Scheme Options按钮可以调出output color Scheme Options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。

最大循环次数（Maximum Iterations）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（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）生成如图1-2所示：图1-22 、分类评价（ Evaluate Classification ）第一步：显示原图像与分类图像在同一个窗口中，同时打开两个图像。

第二步：打开分类图像属性表并调整字段显示顺序→打开Raster工具面板→点击Raster工具面板的属性图标(Raster Attributes) →打开Raster Attribute Editor对话框(germtm_isodata的属性表)，Rarster Attribute Editor对话框菜单条：Edit→Column Properties →Column Properties 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DISPLAY WIDTH调整其显示宽度，通过Alignment 调整其对齐方式。

论述监督分类与非监督分类却别与联系及各自优缺点监督分类和非监督分类是机器学习中常用的两种分类方法。

它们之间的区别与联系主要体现在训练数据的标记情况、算法的目标和应用场景上。

以下是它们的具体区别与联系以及各自的优缺点。

1. 数据标记情况：- 监督分类：监督分类算法使用已标记的训练数据，其中每个样本都有所属的类别标签。

算法通过学习输入特征和对应的类别标签之间的关系，来构建分类模型。

- 非监督分类：非监督分类算法使用未标记的训练数据，其中没有给定每个样本的类别标签。

算法通过学习数据本身的内在结构和模式，来对数据进行聚类或分组。

2. 算法目标：- 监督分类：监督分类算法的目标是根据已有的训练数据，建立一个能够对未知数据进行准确分类的模型。

具体目标可以是最大化分类准确率、最小化分类错误率等。

- 非监督分类：非监督分类算法的目标是为了揭示数据中的内在结构和模式，将相似的数据点聚类或分组在一起。

具体目标可以是最大化组内相似度、最小化组间差异度等。

3. 应用场景：- 监督分类：监督分类算法常用于需要根据给定标签对新数据进行分类预测的场景，如垃圾邮件分类、图像识别等。

- 非监督分类：非监督分类算法常用于探索性数据分析、发现数据中的隐藏模式、特征提取等场景，如市场分割、社交网络分析等。

4. 优缺点：- 监督分类的优点是能够利用标签信息进行有监督的学习，可以达到较高的分类准确率。

缺点是需要标记大量的训练数据，且在面对未知类别或类别不平衡的情况下表现不稳定。

- 非监督分类的优点是无需标记训练数据，可以自动发现数据中的结构和模式。

缺点是算法的评价相对主观，结果的解释性较低，且对数据质量较为敏感。

监督分类和非监督分类在数据标记情况、算法目标和应用场景上存在明显的差异。

它们各自有着适用的优势和限制，需要根据具体需求和数据特点选择合适的方法。

ERDAS IMAGINE Professional 操作手册—监督分类和非监督分类图像分类简介：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（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，ERDAS IMAG1NE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IMAGINE Essentia1s级产品功能、但在1MAGINE Professional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IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification 菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。

监督分类与非监督分类（1） 非监督分类监督分类的原理是利用计算机自动判别，erdas中我们主要采用isodata算法，在算法的设计上我们要做一个预算次数的限定，否则有些图像会出现死循环，没法继续。

在主菜单模块中点击CLASSIFIER，在打开的对话框中点击unsupervised classification项，打开如图二的对话框，在input raster file输入germtm.img 影像，填写输出文件名称，去掉右边的勾选项，在output colorScheme options 选项框打开，点选approximate true color 选项，close，number of classe改为12类，最大迭代次数改为24次，点击ok执行非监督分类。

其结果如下图三所示，图四为其属性值（2） 监督分类监督分类主要确定训训练样区，有很多种方法可以判定训练样区，当然也可以拿非监督分类的记过做实验样区。

本实验的训练样区是采用人工目视判别，首先制作训练样区的分类下图所示是确定好的类中分类，然后在训练样区的基础上对图像进行分类。

打开classifier 模块，在弹出对话框点选第一项signature editor 项，弹出对话框如图五所示。

在view1中选择一些典型特征区域，分别为耕地，城市，水域，森林四类，如图五所示。

选择signature editor菜单中classify中的supervised项，弹出如图六所示对话框，填写输入输出文件名及地址，然后选择overlap rule 为parametric 项，unclassified选择parametric，parametric rule选择parametric ，点击ok执行监督分类。

执行效果如图七所示。