ERDAS监督分类(完美)

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2-2 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2-3 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，然后使用依次添加特征到特征文件中。

监督分类
1.选择“Classifier—Signature Editor”
打开“Raster--Tools”
在图像上采样，每种地物类型采样5-8次，添加到上述编辑器中，然后将同类地物合并。

合并后的编辑器显示为：
选择编辑器上方窗口“分类——监督分类”
2.重分类
选择“Interpreter—GIS Analysis--Recode”
在Set Recode中将同一类地物赋予相同的值。

3.去除小图斑
选择“Interpreter—GIS Analysis --Clump”.
选择“Interpreter—GIS Analysis--Eliminate”
得到的图像为：
精度评价
打开原图：
选择“Classifier—Accuracy Assessment”.
在对话框中，打开监督分类后的图像，关联原图。

选择“Edit—Create\Add Random Points”
选取前10个，选择“View—Show Current Selection”将每个点对应的地物类型写在Reference。

依次选取其他的点。

生成报告，选择Report。

Error Matrix
Accuracy Total
Kappa Statistics。

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。

遥感实验报告实验目的：掌握遥感图像计算机分类的基本原理以及监督分类方法，掌握分类后处理方法、分类精度评价及专题地图制作。

实验内容：1、遥感图像计算机监督分类2、分类后处理3、分类精度评价4、专题图制作实验方法和步骤：实验方法：在监督分类的过程中，首先借助或者识别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该特性的像元。

对分类结果进行评价后在对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上进行最终分类。

实验步骤：1.定义分类模板2.精度评价3.进行监督分类4.评价分类结果5.分类后处理6.专题制图实验的过程和结果：(一)监督分类1.定义分类模板第一步：打开分类的图像，南宁市1990年9月16日TM，目视判断该遥感图像中南宁市土地利用类型，确定土地利用分类体系为：耕地、灌草地、林地、水域、建设用地、裸地。

如图1-1：图1-1第二步：打开模板编辑器并调整显示字段点击主菜单上的classifier打开classification对话框,选择signature editor。

如图1-2：图1-2第三步：获取分类模板信息，点击AOI，利用AOI-tools中的多边形工具绘制某一地类的样区。

将画好的耕地AOI添加到模板。

signature editor-edit-add.如图1-3,1-4：图1-3图1-4重复步骤第三步，在图中采集多个耕地样本。

选择所有耕地样本模板，按merge 按纽合并这组分类模板。

合并后将模板取名为耕地。

利用同样的方法，依次做好其灌草地、林地、水域、建设用地、裸地土地覆盖类型模板。

如图1-5：图1-5第四步：保存分类模板。

2 .评价分类模板第一步：点signature editor-Evaluate-contingency，利用可能性矩阵方法评价分类模板精度。

达到90以上即为精度满足要求，否则重新选择训练样区，再次进行精度评价，直到精度满足。

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。

非监督分类1、在ERDAS中裁剪出一部分的区域进行分类，利用AOI工具进行裁剪，另存裁剪的区域。

2、在ENVI中打开裁剪的区域dsb.img在Basic Tool菜单下Region of Interest工具打开ROI Tool新建类别名，由于裁剪的区域没有森林，所以共分五类：水体、耕地、城市、裸地、草地。

分别给予不同颜色。

3、在Zoom 窗口中进行采样即采集训练区。

采样前先判读熟悉影像，在采集样本时注意：采取训练区内颜色越纯越好。

4、采集完训练区后在Classification 菜单下选择Supervised ，利用Maximun Likelihood （最大似然法）进行非监督分类。

5、在分类中遇到的问题①进行第一次分类的结果是城市中的道路被归为了水体， 改进办法：更改城市的训练区样本，对城市的采样除了取建筑物的样本还应在城市的街道处采取几个样点，然后再进行第二次分类。

②第二次分类的结果是部分休耕（收割后）的耕地归为了城新建类别名市区域。

因为该影像是2000年9月14日的影像，故部分耕地已收割休耕，在原图上表现为规则的深紫色，我将其归为耕地。

改进方法：增加耕地的训练区的样本，在颜色为深紫色的的区域采取几个样本点作为耕地的训练区。

③第三次分类的结果是发现河流两岸的落地被归为了城市改进方法：增加裸地的训练区样本。

在河流两岸处选取几个样本做为裸地训练区。

第一次分类的结果：其中：水体耕地城市草地裸地第二次分类结果：其中：水体耕地城市草地裸地第三次分类结果：其中：水体耕地城市草地裸地。

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。

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.sig2.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。

利用Erdas监督分类提取城镇用地信息一、打开erdas，分波段加载landsat TM 影像信息，并转成img图像格式文件。

1.打开erdas，点击viewer打开新窗口，点击打开图标，选择要加载的一个波段的tif图像，点击OK。

2.点击主窗口File——Save——Top Layer As…，在跳出的Save窗口中点击，在跳出的Save as 窗口选择保存路径，命名文件名，点击OK。

再点击小窗口的OK，开始转换，完成后点OK.。

3.依次进行1和2步骤，把遥感影像各波段tif格式转换给img格式。

二、融合各波段文件为一个整文件。

点击主菜单栏上的Inerpreter——Utilities——Layer Stack，跳出Layer Selction and Stacking对话框。

在此对话框中，逐次点击Input File和Add加载各波段img文件。

在Output File中选择保存路径，命名文件。

勾选上Ignore Zero in Stats. 点击OK。

三、打开融合后的img 文件，查看波段组合：点击Raster ——Band Combinations ，默认为4、3、2波段的组合。

1.画出感兴趣区：点击主窗口菜单栏上的AOI——Tools，用画出感兴趣区。

命名文件名，点击OK保存。

3.利用AOI文件裁切感兴趣区图像：点击主菜单上的Dataprep——Subset Image，在跳出的Subset对话框中选择Input File（为前面融合的多波段img文件），设置Output File的路径和文件名，选择上一步设置好的AOI文件。

点击OK，运行。

四、设置监督分类特征文件。

1.点击主菜单上的Classifer ——Signature Editor ，跳出Signature Editor 面板。

点击主窗口菜单栏上的AOI ——Tools ，用多边形工具画出一类用地的训练区，点击加入特征文件编辑面板。

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。

实习八：遥感图像分类---监督分类
实习目的：理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的。

实习内容：ERDAS 遥感图像监督分类。

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
第三步：获取分类模板信息第四步：保存分类模板
2、评价分类模板
介绍报警评价、可能性矩阵、直方图三种分类模板评价方法。

要求学生重点掌握利用可能性矩阵方法评价分类模板。

3、执行监督分类
在监督分类中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法。

对参数模板有最大似然法、最小距离法等。

实习收获及遇到的问题：在监督分类中，要注意对应用范围，如非参数模板只能应用于非参数型模板；对于参数型模 板，要使用参数型规则。

另外，使用非参数型模板，还要确定叠加规则和未 分类规则。

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。

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。

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。