监督分类 实验报告

实验报告 化学实验报告单总流体力学实验报告观察种子结构实验报告观察种子结构实验报告单观察种子的结构实验报告单 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 新产品开发流程的步骤课题研究的五个步骤成本核算步骤微型课题研究步骤数控铣床操作步骤 ：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 财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容 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。 步骤三：调整属性字段。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。选择Signature Editor窗口的View（视图）→Column（列），打开View Signature Columns对话框。选择需要显示的字段，如：Signature Name（特征名称）、Color（颜色）、Red（红值）、Green（绿值）、Blue（蓝值）及Value（数值）等，单击Apply（应用）按钮，单击Close（关闭）按钮完成。 步骤四：选取样本， （1） 在Viewer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。 （2） 点击Raster工具面板中的 图标，在Viewer中选择水体区域，绘制一个多边形AOI，如图。 选取10个水体，在Signature Editor对话框中，点击 图标，将刚才建立的多边形AOI区域加载到Signature分类模板中，如此重复。 1) 合并分类模板。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Signature Editor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，将原来的多个Signature删除。 如此，做城镇，耕地，森林以及云。如下所示： 分完的图如图所示，并且保存已经分完的图象。 （二）执行监督分类 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（Overlay rule）和未分类规则（unclassified rule）。下面是执行监督分类的操作过程： 步骤一：在ERDAS主界面：点击Classifier图标→Supervised Classification（监督分类） 菜单项，打开Supervised Classification 对话框，如图。 步骤二：在Supervised Classification对话框中，输入以下参数： 2) 确定Input Raster File（输入原始文件）：实验九\tm_bjcity.img； 3) 定义Classified File（输出分类文件）：实验九\我.img； 4) 确定Input Signature File（分类模板文件）：实验九\tm_bjcity_superclass_sig.sig； 5) 选择输出Distance File（分类距离文件）用于分类结果进行阈值处理； 6) 定义Distance FileFilename（分类距离文件）：实验九\tm_bjcity_superclass-dis.img； 7) 选择Non_parametric Rule（非参数规则）：Feature Space（特征空间）； 8) 选择Overlay Rule（叠加规则）：Parametric Rule（参数规则）； 9) 选择Unclassified Rule（未分类规则）：Parametric Rule（参数规则）； 10) 选择Parametric Rule（参数规则）：Maximum Likelihood（最大似然）； 11) 不选择Classify zeros（分类过程中是否包括0值）。 步骤三：点击OK执行监督分类，关闭supervised Classification对话框。 步骤四：标注类别相应颜色。在视窗中，点击菜单栏中的Raster→Raster Atturibute Editor（栅格属性编辑）打开Raster Attribute Editor对话框。在Raster Attribute Editor对话框中点击刚才分析类别的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），选择As Is菜单，并选择一种合适的颜色，调整色彩后的结果大致如图示。 （三）评价分类结果。 在执行监督分类之后，需要对分类效果进行评价。ERDAS提供了多种分类评价方法，包括分类叠加(classification overlay )、定义阈值(thresholding)、分类编码 (recode classes)、精度评估(accuracy assessment)等，下面对精度评估方法进行介绍。 步骤1: 在视窗中打开分类前的原始图像：实验九\TM_bjcity. img，以便进行精度评估。 步骤2: 启动精度评估对话框。在ERDAS主界面上点击Classifier图标→选择Accuracy Assessment菜单项，打开Accuracy Assessment对话框， 步骤三：打开分类专题图像。在Accuracy Assessment对话框中选择菜单条：File→Open，打开Classified Image对话框。在Classified Image对话框中确定与视窗中对应的分类专题图像（实验九\我.img），点击OK关闭Classified Image对话框。 步骤四：将原始图像视窗与精度评估视窗相连接。在Accuracy Assessment对话框中点击Select Viewer图标 ，将光标在显示有原始图像的视窗中点击一下，实现原始图像视窗与精度评估视窗相连接。 步骤五：在精度评价对话框中设置随机点的色彩。在Accuracy Assessment对话框中选择菜单条View→Change Colors菜单项，打开Change color面板。将Points with no reference的颜色设为白色，将Points with reference的颜色设为黄色，点击OK返回Accuracy Assessment对话框。 步骤六：生产随机点。在Accuracy Assessment对话框中选择Edit→Create/ Add Random Points（建立/添加随机点），打开Add Random Points对话框，在search Count中输入1024，在Number of Points中输入40，在Distribution Parameters选择Random单选框，点击OK按照参数设置产主随机点， 步骤七：返回Accuracy Assessment对话框，如图21所示。可以看到在Accuracy Assessment对话框的数据表中出现了40个检查点，每个点都有点号、X/Y坐标值、Class、Reference等字段，其中点号、X/Y坐标值字段是有属性值的。 步骤八：显示随机点及其类别。在Accuracy Assessment对话框中选择View→Show All，所有随机点均以步骤5设置的颜色显示在视窗中。点击Edit→Show Class Values，各点的类别号出现在数据表的class字段中， 步骤九：输入参考点的实际类别值。在数据表的Reference字段输入各个随机点的实际类别值。它在视窗中的色彩将会变为步骤5设置的Point With Reference的颜色（黄色）。 步骤十：设置分类评价报告输出参数并生成分类评价报告。在Accuracy Assessment对话框中选择Report→Options，点击确定按钮选择分类评价报告的参数。选择Report→Accuracy Report（精度报告）产生分类精度报告。选择Report→Cell Report（细胞报告）产生有关产生随机点的设置及窗口环境报告。所有报告将显示在ERDAS文本编辑器窗口，可以保存为文本文件。 实验十遥感图像的分类—非监督分类 原理及方法简介 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。 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、栅格矢量转换和统计分析等。 一． 实验目的 1、熟悉非监督分类方法的含义。 2、 掌握在ERDAS软件中进行非监督分类的操作方法。 二．实验内容 利用ERDAS软件的分类模块，对TM影像进行非监督分类，将图像中的植被、水体、城镇等地物特征提取出来。 实验数据：实验十\TM_bjcity.img 三． 实验步骤 步骤一：在ERDAS主界面中点击Classifier图标，选择C1assification（分类）→Unsupervised Classification（非监督分类）菜单，启动非监督分类，出现unsupervised classification对话框， 步骤二：在UnsupervisedClassification对话框中确定输入文件：实验十\tm_bjcity.img、输出文件名为：实验十\tm_bjcity_unsuperclass.img，确定Number of Classes（初始分类数）为8，定义Maximum Iterations（最大循环次数）为6，Convergence Threshold（收敛域值）设置为0.95，在Color Scheme Options（颜色方案选择）可以选择采用灰度或彩色来输出图像。点击OK进行非监督分类。 步骤三：获得一个初步的分类结果以后，可以应用叠加方法来评价检查分类精度，即：在视窗中同时显示分类前后的两个图像。在视窗菜单中选择Utility→flicker（闪烁），弹出viewer Flicker对话框，选择Auto Mode，设置分类图像在原图像背景上闪烁，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，并分析分类结果是否准确。 在视窗的菜单中点击Raster→Raster Attribute Editor，在Raster Attribute Editor对话框，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Class Names字段，输入其专题名称（如居民区），并按回车键确定； 如上，黑色的是水体，白色的是云，鲜红的是耕地，深红的是林地，蓝色的是城镇。 感想： 通过这两次的实验，让我明白了监督分类和非监督分类的不同，以及他们各自的优缺点。并且能够目视解疑图象，这点是对理论课学习的一个很好的检验。也能自己独立的完成一些图像的处理。所以我很开心。希望自己在以后的实验课中可以学习到更多的内容。 并且也深刻的明白了处理图像时一定要细心并且有恒心，就像我自己第一次做实验九时不够细心，所以我没有一次完成。 通过这几次的实验课，我学到了很多，希望自己处理图像越来越好，也对理论的学习更加深刻。