erdas非监督分类.doc

erdas基础教程: 非监督分类来源：陕西师范大学旅游与环境学院1图像分类简介（introduction to classification） 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。 2 非监督分类（unsupervised classification） erdas imagine使用isodata算法（基于最小光谱距离公式）来进行非监督分类。聚类过程始于任意聚类平均值或一个己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。 isodata实用程序不断重复，直到最大的循环次数已达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。 21分类过程（classification procedure ） 第一步：调出非监督分类对话框 调出非监督分类对话框的方法有以下两种： 方法一：在erdas图标面板工具条中，点击dataprep图标 data preparation unsupervised classification unsupervised classification对话框如下：方法二： 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：可以看到，两种方法调出的unsupervised classification对话框是有一些区别的。 第二步：进行非监督分类 在unsupervised classification对话框中：确定输出文件（input raster file）:lazhoucity.img（要被分类的图像） 确定输出文件（output file）:lz-isodat.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 ）： lz-isodat.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。use signature means是基于选定的模板文件进行非监督分类，类别的数目由模板文件决定。确定初始分类数（number of classes）： 18分出18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。 .定义最大循环次数（maximum iterations）： 24 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）2.2 分类评价（evaluate classification ） 获得一个初步的分类结果以后，可以应用分类叠加（classification over1ay）方法来评价检查分类精度。其方法如下： 第一步：显示原图像与分类图像 在视窗中同时显示lanzhoucity.img和lz-isodat.img：两个图像的叠加顺序为lanzhoucity.img在下、lz-isodat.img在上，lanzhoucity显示方式用红（4）、绿（5）、蓝（3 ）。 第二步：打开分类图像属性并调整字段显示顺序 在视窗工具条中：点击图标（或者选择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（或者在视窗菜单条：rster-attributes） 打开raster attribute editor对话框（lz-isodat.img的属性表）属性表中的19个记录分别对应产生的18个类及unclassified类，每个记录都有一系列的字段。如果想看到所有字段，需要用鼠标拖动浏览条，为了方便看到关心的重要字段，需要调整字段显示顺序。 raster attribute editor对话框菜单条：editcolumn 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。如果选择editable复选框，则可以在title中修改各个字段的名字及其它内容。在column properties对话框中调整字段顺序，最后使histogram、opacity、 color、 class_names四个手段的显示顺序依次排在前面。 点击ok按钮（关闭column properties对话框） 返回raster attribute editor对话框（lz-isodat.img的属性表） 第三步：给各个类别赋相应的颜色（如果在分类时选择了彩色，这一步就可以省去） raster attribute editor对话框（lz-isodat.img的属性）： 点击一个类别的row字段从而选择该类别 右键点击该类别的color字段（颜色显示区） as is菜单 选择一种颜色 重复以上步骤直到给所有类别赋予合适的颜色 第四步：不透明度设置 由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度（opacity）值设为0（即改为透明），而要分析的类别的透明度设为1（即不透明）。 raster attribute editor 对话框（lz-isodat.img的属性表）： 右键点击opacity字段的名字 column options菜单formula菜单项 formula对话框 在formula对话框的formula输入框中（用鼠标点击右上数字区）输入0 点击apply按钮（应用设置） 返回raster attribute editor 对话框（lz-isodat.img的属性表）： 点击一个类别的row字段从而选择该类别 点击该类别的opacity字段从而进入输入状态 在该类别的opacity 字段中输入1，并按回车键 此时，在视窗中只有要分析类别的颜色显示在原图像的上面，其它类别都是透明的。第五步：确定类别专题意义及其准确程度 视窗菜单条：utilityflickerviewer flicker对话框auto mode 本小步是设置分类图像在原图像修背景上闪烁，观察它与背景图像之间的关系从而断定该类别的专题意义，并分析其分类准确与否。 第六步：标注类别的名称和相应颜色 raster attribute editor对话框（lz-i