Erdas非监督分类全过程

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（Introductiontoclassification）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（IterativeSelf-OrganizingDataAnalysisTechnique）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 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 。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 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 、条件和变量，然后应用知识库自动进行分类，ERDASIMAG1NE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IMAGINEEssentia1s级产品功能、但在1MAGINEProfessional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IMAGINEProfeSsiona1级产品，所以，非监督分类命令分别出现在DataPreparation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（UnsupervisedClassification）ERDASIMAGINE使用ISODATA算法（基于最小光谱距离 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 ）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。2．1分类过程（classificationProcedUre）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→DataPreparation→unsupervisedClassification→UnsupervisedClassification对话框如下：方法二：在ERDAS图标面板工具条中点击Classifier图标→C1assification→UnsupervisedClassification---→unsupervisedclassification对话框如下：可以看到，两种方法调出的UnsupervisedClassification对话框是有一些区别的。第二步：进行非监督分类在Unsupervisedclassification对话框中：→确定输出文件（InputRasterFile）:lazhoucity.img（要被分类的图像）→确定输出文件（OutputFile）:lz-isodat.img（即将产生的分类图像）→选择生成分类摸板文件：OutputSignatureSet（将产生一个模板文件）→确定分类摸板文件（Filename）：lz-isodat.sig→对Clusteringoptions选择InitializefromStatistics单选框InitializefromStatistics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。UseSignatureMeans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（Numberofclasses）：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Initializingoptions按钮可以调出Fi1eStatisticsOptions对话框以设置ISODATA的一些统计参数，.点击Co1orSchemeOptions按钮可以调出outputcolorSchemeOptions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（MaximumIterations）：24最大循环次数（MaximumIterations）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 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 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（ConvergenceThreshold）：0.95收敛阈值（ConvergenceThreshold）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UnsupervisedClassification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（EvaluateClassification）获得一个初步的分类结果以后，可以应用分类叠加（Classificationover1ay）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RasterAttributeEditor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。RasterAttributeEditor对话框菜单条：Edit→ColumnProperties→columnproperties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DisplayWidth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ColumnProperties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Columnproperties对话框）→返回RasterAttributeEditor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）RasterAttributeEditor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）→AsIs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）。RasterAttributeEditor对话框（lz-isodat.img的属性表）：→右键点击Opacity字段的名字→ColumnOptions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RasterAttributeEditor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：Utility→flicker→viewerFlicker对话框→AutoMode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RasterAttributeEditor对话框（lz-isodat.img的属性表）：→点击刚才分析类别的ROW字段从而选择该类别→点击该类别的classNames字段从而进入输入状态→在该类别的ClassNames字段中输入其专题意义（如居民区），并按回车键→右键点击该类别的Color字段（颜色显示区）→AsIs菜单→选择一种合适的颜色重复以上4、5、6三步直到对所有类别都进行了分析与处理。注意，在进行分类叠加分析时，一次可以选择一个类别，也可以选择多个类别同时进行。Erdas基础教程:数据预处理来源：陕西师范大学旅游与环境学院在ERDAS中，数据预处理模块为Datapreparation。图标面板工具条中，点击图标——DataPreparation菜单1、图象几何校正第一步：显示图象文件在视窗中打开需要校正的LandsatTM图象：lanzhoucity.img.第二步：启动几何校正模块在Viewer#1的菜单条中，选择Raster|GeometricCorrection.打开SetGeometricModel对话框.选择多项式几何校正模型Polynomial——OK.程序自动打开GeoCorrectionTools对话框和PolynomialModelProperties对话框.先选择Close关闭PolynomialModelProperties对话框.程序自动打开GCPToolReferenceSetup对话框.选择KeyboardOnly.OK.程序自动打开ReferenceMapInformation提示框。.选择MapUnits:Meters.添加地图投影参数，如下图：.选择OK确定地图投影参数，并关闭上图。.选择OK，确定ReferenceMapInformation，并关闭提示框。.并自动打开采集控制点对话框。GCP的具体采集过程:在图像几何校正过程中，采集控制点是一项非常重要和相当重要的工作，具体过程如下：.在GCP工具对话框中点selectGCP图标，进行GCP选择状态。.在view#1中移动关联方框位置，寻找明显地物特征点，作为输入GCP。.在GCP工具对话框中点击GreatGCP图标，并在view#2中点击左键定点，GCP数据表将记录一个输入的GCP，包括编号、标识码、X、Y坐标。.在GCP工具对话框中输入地图参数坐标X、Y。.不断重复上述步骤，采集若干GCP，直到满足所选是的几何校正模型为止。采集地面检查点以上所采集的GCP为控制点，用于建立转换方模型及多项式方程，地面检查点，则用于检验所建立的转换方程的精度和实用性，具体过程如下：.在GCPTOOL菜单条中选择GCP类型：Edit/SetPointType—check。.在GCPTOOL菜单条中确定GCP匹配参数：Edit/Pointmatching—打开GCPMatching对话框，并确定参数。.确定地面检查点，其操作与选择控制点完全一样。.计算检查点误差：在GCPTOOL工具条中，点击ComputeError图标，检查点的误差就会显示在GCPTOOL的上方(如下图)，只有所有检查的误差小于一个像元时，才能进行以下的步骤。.在GeoCorrectionTools对话框中选择ModelProperties图标打开选择或检查参数，然后选择close关闭。图像重采样.在GeoCorrectionTools对话框中选择ImageResample图标—打开ImageResample对话框，并定义重采样参数。.输出图像文件名(outputfile):rectify.img.选择重采样方法(ResampleMethod):NearestNeighbor.定义输出图像在图与像元大小。.设查输出统计中忽略零值。.选择OK启动重采样进程，并关闭ImageResample对话框。2.图象拼接处理本练习将同一区域机邻的三幅TM图象进行拼接。其过程如下：.启动图象拼接工具,在ERDAS图标面板工具条中，点击Dataprep/Datapreparation/Mosaicclmages—打开MosaicTool视窗。.加载Mosaic图像，在MosaicTool视窗菜单条中，Edit/Addimages—打开AddImagesforMosaic对话框。依次加载窗拼接的图像。.在MosaicTool视窗工具条中，点击setInputMode图标，进入设置图象模式的状态，利用所提供的编辑工具，进行图象叠置组合调查。.图象匹配设置，点击Edit/ImageMatching—打击Matchingoptions对话框，设置匹配方法：OverlapAreas。.在MosaicTool视窗菜单条中，点击Edit/setOverlapFunction—打开setOverlapFunction对话框设置以下参数：.设置相交关系(IntersectionMethod):NoCutlineExists。.设置重叠图像元灰度计算(selectFunction):Average。.Apply—close完成。.运行Mosaic工具在MosaicTool视窗菜单条中,点击Process/RunMosaic—打开RunMosaic对话框。设置下列参数：确定输出文件名：mosaic.img确定输出图像区域：ALLOK进行图像拼接。3、图象分幅裁剪在实际工作中，经常根据研究区的工作范围进行图像分幅裁剪，利用ERDAS可实现两种图像分幅裁剪：规则分幅裁剪，不规则分幅裁剪。1、规则分幅裁剪即裁剪的边界范围为一矩形，其具体方法如下：在ERDAS图标面板工具条中，点击DataPrep/Datapreparation/subsetImage—打开subsetImage对话框，并设置参数如下： 说明 关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书 ：裁剪范围输入：①通过直接输入右上角、右下角的坐标值;②先在图像视窗中放置查询框，然后在对话框中选择FromInquireBox③先在图像视窗中绘制AOL区域，然后在对话框中选择AIO功能，利用此方法也可实现不规则裁剪。2、不规则分幅裁剪①用AOI区域裁剪，与上述的②的方法相同。②用Arclnfo的多边形裁剪。.将Arclnfo多边形转换成网格图象。.ERDAS图标面板工具条中，点击Vector/vectortoRaster—打开vectortoRaster对话框，并设置参数，并实现转换。.通过掩膜运算实现图像不规则裁剪。.ERDAS图标面板工具条中，点击Interpreter/Utilities/Mask--打开Mask对话框，并设置参数如下：setupRecode设置裁剪区域内新值为1，区域外取0值。Erdas基础教程:数据输入来源：陕西师范大学旅游与环境学院1.单波段二进制图像数据输入在ERDAS图标面板工具条中，点击——打开输入输出对话框，如图所示。并做如下的选择：.选择数据输入操作：Import.选择数据输入类型（Type）为普通二进制：GenericBinary.选择数据输入媒体（Media）为文件：File.确定输入文件路径及文件名（InputFile）:Band1.dat.确定输出文件路径及文件名（OutputFile）band1.dat.OK.打开ImportGenericBinaryData对话框，如图所示在ImportGenericBinaryData对话框中定义下列参数：.数据格式（DataFormat）:BSQ.数据类型（DataType）:Unsigned8Bit.数据文件行数（Row）:5728.数据文件列数（Cols）:6920.文件波段数量（Bands）:1.保存参数设置（SaveOption）:*.gen.OK退出SaveOptionFile.OK执行输入操作。上图为进程状态条，OK完成数据输入。重复上述过程，可依此将多波段数据全部输入，转换为.IMG文件。2、组合多波段数据为了图像处理与分析，需要将上述转换的单波段IMG文件组合为一个多波段图像文件。第一步：在ERDAS图标面板工具条中，点击Interpreter|Utilities|LayerStack——LayerSelectionandStacking的对话框。第二步：在LayerSelectionandStacking对话框中，依此选择并加载（Add）单波段IMG图像：.输入单波段图像文件（InputFile:*.img）:band1.img——Add.输入单波段图像文件（InputFile:*.img）:band2.img——Add……….输入组合多波段图像文件（OutputFile:*.img）:bandstack.img.OK执行并完成波段组合。Erdas基础教程:影像文件的打开和显示来源：陕西师范大学旅游与环境学院1、图像显示视窗（Viewer）图像显示视窗（Viewer）是显示栅格图像、矢量图形、注记文件、AOI等数据层的主要窗口，每次启动ERDASIMAGING时，系统都会自动打开一个二维视窗（Viewer）如图2.1所示。在应用过程中可以随时打开新的视窗。图2.1二维视窗（Viewer）二维视窗（Viewer）主要由视窗菜单条、工具条、显示窗和状态条四部分组成。2、图像显示第一步：启动程序菜单上选择File|Open|RasterLayer——SelectLayerToAdd对话框图2.2。或在工具条上选择——SelectLayerToAdd对话框图2.2。图2.2SelectLayerToAdd对话框第二步：确定文件图2.2中的File选项用于图像文件的确定，具体内容及实例如表所示。表2.1图像文件的确定参数第三步：设置参数在SelectLayerToAdd对话框中点击RasterOptions,就进入设置参数状态，如图2.3所示。图2.3SelectLayerToAdd对话框各项参数具体内容及实例，如表2.2所示。表2.2图像文件显示参数第四步：打开图像在SelectLayerToAdd对话框中，点击OK，打开所确定的图像，视窗中显示该图像。图2.4视窗中显示该图像Erdas基础教程:图象增强处理来源：陕西师范大学旅游与环境学院1．图像解译功能简介（IntroductionofImageInterpreter）利用ERADSIMAGINE进行图像增强主要采用ERADSIMAGINE的图像解译器（ImageInterpreter）模块，该模块包含了50多个用于遥感图像处理的功能模块，这些功能模块在执行过程中都需要通过各种按键或对话框定义参数，多数功能都借助模型生成器（ModelMaker）建立了图形模型算法，容易调用或编辑。图像解译器(ImageInterpreter或Interpreter)，可以通过两种途径启动：ERDAS图标面板菜单条：Main/ImageInterpreter----ImageInterpreter菜单ERDAS图标面板工具条：点击Interpreter图标一ImageInterpreter菜单从上图可以看出，ERDAS图像解译模块包含了8个方面的功能，依次是遥感图像的空间增强（SpatialEnhancement）、辐射增强（RadiometricEnhancement）、光谱增强(SpectralEnhancement)、高光谱工具（HyperSpectralTools）、傅立叶交换（FourierAnalysis）、地形分析（TopographicAnalysis）。地理信息系统分析（GlSAnalysis）、以及其它实用功能（Utilities）。每一项功能菜单中又包含若干具体的遥感图像处理功能。2、图象空间增强2．1空间增强（SpatialEnhancement）空间增强技术是利用像元自身及其周围像元的灰度值进行运算，达到增强整个图像之目的。ERDASIMAGINE提供的空间增强处理功能如表4.1所列。表4.1遥感图像空间增强命令及其功能2.2卷积增强处理卷积增强是将整个图像按像元分块进行平均处理，用于改变图像的空间频率特征。卷积处理的关键是卷积算子一-系数矩阵的选择。ERDAS将常用的卷积积算子放在default.klb的文件中，分别以3×3、5×5、7×7三组，每组又包括edgeDetect/edgeenhance/lowpass/Highpass/Horizontal/vertical/summary等七种不同的处理方式。具体执行过程如下：.ERDAS图标面板工具条，点击Interpreter/spatialEnhancement/convolution—打开convolution对话框，并设置如下参数：2.3纹理分析纹理分析通过在一定的窗口内进行二次变异分析或三次对称分析，使图像的纹理结构得到增强，具体过程如下：ERDAS图板面板工具条中，点击Interpreter/spatialEnhancement/Texture—打开Texture对话框，并设置参数如下：这一分析方法的关键是确定Windowsize的定义操作函数Operator。3、辐射增强处理：3.1辐射增强（RadiometricEnhancement）辐射增强处理是对单个像元的灰度值进行变换达到图像增强的目的。ERDASIMAGINE供的辐射增强处理功能如表4.2所列。表4.2遥感图像辐射增强命令及其功能3.2查找表拉抻处理是通过修改图像查找表，使输出图像值发生变化。通过定义，可实现线性拉伸、分段线性拉伸、非线性拉伸等处理。.在ERDAD图标面标工具条中，点出Interpreter/RadiometricEnhancement/LUTStretch—--打开LUTstretch对话框，并设置参数如下：其中关建是：点击View/customTable进入查找表编辑状态。根据需要修改查找表。3.3直方图均衡化处理该处理实质上是对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围内的像元的数量大致相等。.在ERDAS图标面板工具条中，点击Interpreter/RadiometricEnhancement/HistogramEqualization—--打开HistogramEqualization对话框,并设置参数如下：4.光谱增强处理4.1光谱增强处理是基于多波段数据对每个像元的灰度值进行变换，达到图像增强的目的。ERDSAIMAGINE提供的光谱增强处理功能如下图所示表4.3遥感图像光谱增强命令及其功能4.2主成份变换是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，便于图像分析与解译，具体过程如下：.在ERDAS图标面标工具条中，点击Interpreter/spectralEnhancement/principalComp—--打开principalcomponents对话框,并设置参数如下：上图为原始图像与主成份变换获得的主份量1、2、3的对比图原图像432(RGB)主成份432（RGB）合成图像4.3缨穗变换缨穗变换是针对植物学所关心的植被特征，对原始多波段图像数据进行空间旋转，获得具有物理意义的亮度、绿度、湿度等分量。.在ERDAS图标面板工具条中，点击Interpret/spectralEnhancement/TasseledCap—打开Tasseledcap对话框，并设置参数。注，需要定义相关参数setcoefficients,点击setcoefficients按钮，打开对话框，确定区域内的类型。下图为原始图像与缨穗变换的亮度、绿度、湿度分量的比较图。4.4色彩变换色彩变换是将区域图像从RGB的彩色空间转换到IHS作为定位参数的彩色空间，以便达到增强目的。.在ERDAS图标面板工具条中，点击Interpreter/spectralEnhancement/RGBtoIHS—--打开RGBTOIHS对话框，并设置参数如下：上图为原始图像与色彩变换获得的亮度、色度、饱和度三个分量图的对比Erdas非督分类步骤一：分类模板定义来源：陕西师范大学旅游与环境学院定义分类模板（DefineSignatureUsingsignatureEditor）ERDASIMAGINE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。毫无疑问，分类模板生成器是进行监督分类一个不可缺少的组件。在分类模板生成器中，生成分类模板的基础是原图像和（或）其特征空间图像。因此，显示这两种图像的视窗也是进行监督分类的重要组件。第一步：显示需要进行分类的图像在视窗中显示＜ERDASHOME＞＼execise\ljxtm.img（Red4／Grean5／B1ue3、选择FittoFrame，其它使用缺省设置）。第二步：打开模板编辑器并调整显示字段ERDAS图标面板工具子，点击C1assifier目标→Classification菜单→SignatureEditor菜单项→SignatureEditor对话框从上图中可以看到有很多字段，有些字段对分类的意义下大，我们希望不显示这些这段，所以要进行如下调整：SignatureEdit对话框菜单条：View→Columns→viewsignaturecolumns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ViewSignatureCo1umns对话框可以看到Red、Green、Blue三个字段将不再显示。Erdas非督分类步骤二：获取分类模板信息（一）来源：陕西师范大学旅游与环境学院可以分别应用AOI绘图工具、AOI扩展工具、查询光标等三种方法，在原始图像或特征空间图像中获取分类模板信息。但在实际工作中也许只用一种方法就可以了。（1）应用AOI绘图工具在原始图像获取分类模板信息无论是在原图像还是在下面要讲的特征空间图像中，都是产主AOI区域来作为分类模板信息的来源。首先练习如何用AOI绘图工具获取分类模板信息。在显示有ljxtm.img图像的视窗：→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→在视窗中选择红色区域，绘制一个多边形AOI→在SignatureEditr对话框，点击图标，将多边形AOI区域加载到Signature分类模板中→在SignatureEditor中，改变刚才加入模板的SignatureName和Color。→重复上述操作过程以多选择几个红色区域AOI,并将其作为新的模板加入到SignatureEditor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。具体做法是在SignatureEditor对话框中，将该类的Signature全部选定，然后点击合并图标，这时一个综合的新模板生成，原来的多个Signature同时存在（如果必要也可以删除）。Erdas非督分类步骤二：AOI扩展工具获取分类模板信息来源：陕西师范大学旅游与环境学院可以分别应用AOI绘图工具、AOI扩展工具、查询光标等三种方法，在原始图像或特征空间图像中获取分类模板信息。但在实际工作中也许只用一种方法就可以了。（2）应用AOI扩展工具在原始图像获取分类模板信息扩展生成AOI的起点是一个种子像元。与该像元相邻的像元被按照各种约束条件来考察，如空间距离、光谱距离等。如果被接受，则与原种子一起成为新的种子像元组，并重新计算新的种子像元平均值（当然也可以设置为一直沿用原始种子的值〕。以后的相邻像元将以新的平均值来计算光谱距离。但空间距离一直是以最早的种子像元来计算的。应用AOI扩展工具在原始图像获取分类模板信息，首先必须设置种子像元特性，过程如下：在显示有ljxtm.img图像的视窗中：→AOI一SeedProperties菜单→RegionGrowingProperties对话框→在Neighborhood选择按四个相邻像元扩展，表示被点击像元的上、下、左、右四个像元与被点击像元是相邻的。而表示其周围9个像元都与被点击像元相邻。这里选择。→在GeographicConstrains设置地理约束,Area确定每个AOI所包含的最多像元数（或者面积），而Distance确定AOI所包含像元距被点击像元的最大距离，这两个约束可以只设置一个，也可以设置两个或者一个也不设。在此处只设置面积约束为300个像元。→在SpectralEuclideanDistance中设置波谱欧氏距离,本约束是指AOI可接受的像元值与种子像元平均值之间的最大光波欧氏距离（两个像元在各个波段数值之差的平方之和的二次根），大于该距离将不被接受。此处设置距离为：10→点击Options按钮，打开RegionGrowOptions面板以确定一些扩展设置RegionGrowOptions面板上有三个复选框。在种子扩展的过程中可能会有些不符合条件的像元被符合条件的像元包围，选择IncludeIslandPo1ygons使这些不符合条件像元,将以岛的形式被删除出来，如果不选择则全部作为AOI的一部分。UpdateRegionMean是指每一次扩展后是否重新计算种子的平均值，如果选择该复选框则重新计算，如果不选择则一直以原始种子的值为平均值。BufferRegionBoundary复选框是指对AOI产生缓冲区，该设置在选择AOI编辑DEM数据时比较有用，可以避免高程的突然变化。这里选择IncludeIslandPolygons和UpdateRegionMean。至此完成了种子扩展特性的设置，下面将使用种子扩展工具产生一个AO1。在显示有ljxtm.img图像的视窗中：→在视窗工具条中点击图标（或在视窗菜单条：Raster→Tools）→打开Raster工具面板→点击Raster工具面板的图标→点击视窗中的绿色区域绿色区域对应的是耕地，AOI自动扩展将生成一个针对耕地的AO1。如果扩展AOI不符合需要。可以修改RegionGrowingProperties直到满意为止，注意在RegionGrowingProperties对话框中修改设置之后，直接点击Redo按钮就可重新对刚才点击的像元生成新的扩展AO1。→在signatureeditor对话框，点击图标，将扩展AOI区域加载到signature分类模板中→在SignatureEditor中，改变刚才加入模板的Signann1e的名字（Name）和颜色（Color）。→重复上述操作步骤，选择多AOI区域，并将其作为新的模板加入到SignatureEditor中，同时确定各类别的名字及颜色。Erdas非督分类步骤二：查询光标扩展方法获取分类模板信息来源：陕西师范大学旅游与环境学院可以分别应用AOI绘图工具、AOI扩展工具、查询光标等三种方法，在原始图像或特征空间图像中获取分类模板信息。但在实际工作中也许只用一种方法就可以了。应用查询光标扩展方法获取分类模板信息该方法与AOI扩展工具法大同小异，只不过AOI扩展工具法是在选择扩展工具后，用点击的方式在图像上确定种子像元，而本方法是要用查询光标（InquireCursor）确定种子像元。种子扩展的设置与第AOI扩展工具法种方法完全相同。在显示有ljxtm.img图像的视窗中点击：→Utility一InquireCursor→在视窗中出现一个十字光标，十字交点可以准确定位一个像元的位置→将十字光标标交点移动到种子像元上→点击RegionGrowingProperties对话框的GrowatInquire按钮→产生一个新的AOI→在SignatureEditor对话框，点击图标，将AOI区域加载到Signature分类模板中第四步：保存分类模板以上分别用不同方法产生了分类模板，下面将该模板保存起来。在SignatureEditor对话框菜单条：File→Save→打开SaveSignatureFileAs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Erdas非督分类步骤三：分类报警工具评价分类模板来源：陕西师范大学旅游与环境学院分类模板建立之后，就可以对其进行评价，删除、更名、与其它分类模板合并等操作。分类模扳的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类，这些模板训练方法包括监督、非监督、参数化和非参数化。分类模板评价工具包括：·Alarms：分类报警工具·Contingencymatrix：可能性矩阵·Featureobjects：特征对象·FeatureSpacetoimagemasking：特征空间到图像掩模·Histograms：直方图方法·Signatureseparability:分类的分离性·Statistics:分类统计分析当然，不同的评价方法各有不同的应用范围。例如不能用Separability工具对非参数化（由特征空间产生）分类模板进行评价，而且分类模板中至少应具有5个以上的类别。或多个类别进行。如果没有在SignatureEditor中选择类别，那么当前活动类别(SignatureEditor中“>”符号旁边的类别)就被用于进行报警。具体使用过程如下：在SignatureEditor对话框：→View→ImageAlarm→打开SignatureAlarm对话框→选中IndicateOverlap→点击EditParallelepipedLimits按钮→Limits对话框→点击SET按钮→打开SetParallelepipedLimits对话框→设置计算方法（Method）:Minimum/Maximum→选择使用的模板（Signature）:Current→OK（关闭setParallelepipedLimits对话框）→返回Limits对话框→Close（关闭Limits对话框）→返回SignatureAlarm对话框→OK（执行报警评价，形成报警掩膜）→Close（关闭signatureAlarm对话框）根据SignatureEditor中指定的颜色，选定类别的像元显示在原始图像视窗中，并覆盖在原图像之上，形成一个报警掩膜。第二步，利用Flicker功能查看报警掩膜第三步：删除分类报警掩膜视窗菜单条：View→ArrangeLayers菜单→打开ArrangeLayers对话框→右键点击AlarmMask图层→弹出LayerOptions菜单→选择DeleteLayer→AlarmMask图层被删除→App1y（应用图层删除操作）→提示verifySaveonC1ose→N0→Close（关闭ArrangeLayers对话框）Erdas非督分类步骤三：特征空间到图像掩模法评价分类模板来源：陕西师范大学旅游与环境学院分类模板建立之后，就可以对其进行评价，删除、更名、与其它分类模板合并等操作。分类模扳的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类，这些模板训练方法包括监督、非监督、参数化和非参数化。分类模板评价工具包括：·Alarms：分类报警工具·Contingencymatrix：可能性矩阵·Featureobjects：特征对象·FeatureSpacetoimagemasking：特征空间到图像掩模·Histograms：直方图方法·Signatureseparability:分类的分离性·Statistics:分类统计分析由特征空间模板产生图像掩膜只有产生于特征空间Signature才可使用本工具，使用时可以基于一个或者多个特征空间模板。如果没有选择集，则当前处于活动状态（位于“>”符号旁边）的模板将被使用。如果特征空间模板被定义为一个掩膜，则图像文件会对该掩膜下的像元作标记，这些像元在视窗中也将被显示表达出来（Highlighted）。因此可以直观地知道哪些像元将被分在特征空间模板所确定的类型之中。必须注意，在本工具使用过程中视窗中的图像必须与特征空间图像相对应。下面是本工具的使用过程：signatureEditor对话框。→选择要分析的特征空间模板→Feature→Masking→FeatureSpacetoImage→打开FStoImageMasking对话框→不选择Indicateoverlay复选框（选择IndicateOver1ay复选框意味着“属于不只一个特征空间模板的像元”将用该复选框后边的颜色显示）→Apply（应用参数设置，产主分类掩膜）→Close（关闭FStoImageMasking对话框）模板对象图示模板对象图示工具可以显示各个类别模板（无论是参数型辽是非参数型）的统计图，以便比较不同的类别，统计图以椭圆形式显示在特征空间图像中：每个椭园都是基于类别的平均值及其标准差。可以同时产主一个类别或多个类别的图形显示。如果没有在模板编辑器中选择类别。那么当前处于活动状态（位于“》”符号旁边）的类别就被应用，模板对象图示工具还可以同时显示两个波段类别均值、平行六面体和标识（Label）。由于是在特征空间图像中绘画椭圆，所以特征空间图像必须处于打开状态。SignatureEditor对话框：→菜单条：Feature→Objects→打开Signatureobjects对话框→确定特征空间图像视窗（Viewer）:2→确定绘制分类统计椭圆：选择PlotEllipses选框→确定统计标准差（Std.dev.）4→OK（执行模板对象图示，绘制分类椭圆）显示特征空间图像的Viewr#2中显示出特征空间及所选类别的统计椭圆，这些椭圆的重叠程度，反映了类别的相似性。如果两个椭圆不重叠，说明它们代表相互独立的类型，正是分类所需要的。然而，重叠是肯定有的，因为几乎没有完全不同的类别。如果两个椭圆完全重叠或重叠较多，则这两个类别是相似的，对分类而言，这是不理想的。Erdas非督分类步骤三：类别的分离性法评价分类模板来源：陕西师范大学旅游与环境学院分类模板建立之后，就可以对其进行评价，删除、更名、与其它分类模板合并等操作。分类模扳的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类，这些模板训练方法包括监督、非监督、参数化和非参数化。分类模板评价工具包括：·Alarms：分类报警工具·Contingencymatrix：可能性矩阵·Featureobjects：特征对象·FeatureSpacetoimagemasking：特征空间到图像掩模·Histograms：直方图方法·Signatureseparability:分类的分离性·Statistics:分类统计分析类别的分离性类别的分离性工具用于计算任意类别间的统计距离，这个距离可以确定两个类别间的差异性程度，也可用于确定在分类中效果最好的数据层。类别间的统计距离是基于下列方法计算的：欧氏光谱距离、Jeffries-Matusta距离、分类的分离度（Divergence）。转换分高度（TransformedDivergence），类别的分离性工具可以同时对多个类别进行操作，如果没有选择任何类别，则它将对所有的类别进厅操作。SignatureEditor对话框：→选定某一或者某几个类别→Evaluate一Separability→打开SignatureSeparability对话框→确定组合数据层数（LayersPerCombination）：3LayersPerCombination是指本工具将基于几个数据层来计算类别间的距离，例如可以计算两个类别在综合考虑6个层时的距离，也可以计算它们在1、2两个层上的距离。→选择计算距离的方法（DistanceMeasure）：TransformedDivergence→确定输出数据格式（outputForm）：ASCll→确定统计结果报告方式（ReportType）：SummaaryReport选择SummaryReport，则计算结果只显示分离性最好的两个波段组合的情况，分别对应最小分离性和平均分离性最大：如果选择CompleteReport，则计算结果不只显示分高性最好的两个波段组合，而且要显示所有波段组合的情况。→0K（执行类别的分离性计算，并将结果显示在ERDAS文本编辑器视窗）→Close（关闭signatureSeparability对话框）在文本编辑器窗口，可以对报告结果进行分析，可以将结果保存在文本文件中。Erdas非督分类步骤三：直方图法评价分类模板来源：陕西师范大学旅游与环境学院分类模板建立之后，就可以对其进行评价，删除、更名、与其它分类模板合并等操作。分类模扳的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类，这些模板训练方法包括监督、非监督、参数化和非参数化。分类模板评价工具包括：·Alarms：分类报警工具·Contingencymatrix：可能性矩阵·Featureobjects：特征对象·FeatureSpacetoimagemasking：特征空间到图像掩模·Histograms：直方图方法·Signatureseparability:分类的分离性·Statistics:分类统计分析直方图方法直方图绘制工具通过分析类别的直方图对模板进行评价和比较，本功能可以同时对一个或多个类别制作直方图，如果处理对象是单个类别（选择SingleSignature），那就是当前活动类别（位于“）”符号旁边的那个类别），如果是多个类别的直方图，那就是处于选择集中的类别。下面是操作过程：在SignatureEditor对话框：→选定某—或者某几个类别→菜单条：View→Histograms→打开HistogramsPlotControlPanel对话框→在HistogramsPlotControlPanel对话框中，需要设置下列参数→确定分类模板数量（Signature）：AllSelectedSignatures→确定分类波段数量（Bands）：AllBands→点击Plot按钮（绘制分类直方图）Erdas非督分类步骤三：可能性矩阵评价分类模板来源：陕西师范大学旅游与环境学院分类模板建立之后，就可以对其进行评价，删除、更名、与其它分类模板合并等操作。分类模扳的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类，这些模板训练方法包括监督、非监督、参数化和非参数化。分类模板评价工具包括：·Alarms：分类报警工具·Contingencymatrix：可能性矩阵·Featureobjects：特征对象·FeatureSpacetoimagemasking：特征空间到图像掩模·Histograms：直方图方法·Signatureseparability:分类的分离性·Statistics:分类统计分析可能性矩阵（ContingencyMatrix）评价工具是根据分类模板，分析AOI训练区的像元是否完全落在相应的类别之中。通常都期望AOI区域的像元分到它们参于训练的类别当中，实际上AOI中的像元对各个类都有一个权重值，AOI训练样区只是对类别模板起一个加权的作用。ContingencyMatrix工具可同时应用于多个类别，如果你没有在SignatureEditor中确定选择集，则所有的模板类别都将被应用。可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属于相应的类别。AOI训练样区的分类可应用下列几种分类原则：平于行六面体（Parallelepiped）、特征空间（FeatureSpace）、最大似然（MaximumLikelihood）、马氏距离（MahalanobisDistance）。各种原则详见FieldGuide一书。下面说明可能性矩阵评价工具的使用方法：在SignatureEditor对话框：→在signatureEditor中选择所有类别→菜单条：Evaluation→Contingency→打开ContingencyMatrix对话框→选择非参数规则（Non-parametricRule）：FeatureSpace→选择叠加规则（OverlayRule）：ParametricRule→选择未分类规则（UnclassifiedRule）：ParametricRu1e→选择参数规则（ParametricRule）：MaximumLikelihood→选择像元总数作为评价输出统计：pixelCounts→OK（关闭ContingencyMatrix对话框，计算分类误差矩阵）然后，IMAGINE文本编辑器（TextEditor）被打开，分类误差矩形矩阵将显示在编辑器中供查看统计，该矩阵的局部（以像元数形式表达部分）如下：从矩阵中可以看到在260个应该属于farm-1类别的像元中有6个属于了farm_2，有234仍旧属于farm_1，属于其它类的数目为0，其实farm_1与farm_2都是农用地，因此这个结果是令人满意的。从百分比来说，如果误差矩阵值小于85%，则模板需要重新建立。Erdas非督分类步骤四：执行监督分类来源：陕西师范大学旅游与环境学院在监督分类过程中，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、Mahalanobis距离、最小距离等方法。当然，非参数规则与参数规则可以同时使用，但要注意应用范围，如非参数规则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，如果使用非参数型模板，还要确定叠加规则（Overlayrule）和未分类规则（unclassifiedrule）。下面是执行监督分类的操作过程：ERDAS图标面板菜单条：Main→ImageClassification→Classification菜单或ERDAS图标面板工具条：点击Classifier图标→Classification菜单→SupervisedClassification菜单项→SupervisedClassification对话框在SupervisedClassification对话框中，需要确定下列参数：→确定输入原始文件（InputRasterFile）：ljxtm.img→定义输出分类文件（ClassifiedFile）：Classify.img→确定分类模板文件（InputSignatureFile）：Lz.sig→选择输出分类距离文件：DistanceFile（用于分类结果进行阈值处理）→定义分类距离文件（Filename）：lz-distance.img→选择非参数规则(Non_parametricRule):FeatureSpace→选择叠加规则(OverlayRule):P