ERDAS使用指導(dǎo)手冊

1、六、非監(jiān)督分類、實習(xí)目的：掌握非監(jiān)督分類的方法與過程，加深對非監(jiān)督分類方法的理解、實習(xí)內(nèi)容：Cluster、ISODATA圖像分類簡介(Introductiontoclassification)圖像分類就是基于圖像像元的數(shù)據(jù)文件值，將像元歸并成有限幾種類型、等級或數(shù)據(jù)集的過程。常規(guī)圖像分類主要有兩種方法：非監(jiān)督分類與監(jiān)督分類，專家分類方法是近年來發(fā)展起來的新興遙感圖像分類方法，下面介紹這三種分類方法。非監(jiān)督分類運用1SODATA(IterativeSelf-OrganizingDataAnalysisTechnique)算法，完全按照像元的光譜特性進(jìn)行統(tǒng)計分類，常常用于對分類區(qū)沒有什么了解的情

2、況。使用該方法時。原始圖像的所有波段都參于分類運算,分類結(jié)果往往是各類像元數(shù)大體等比例。由于人為干預(yù)較少，非監(jiān)督分類過程的自動化程度較高。非監(jiān)督分類一般要經(jīng)過以下幾個步驟：初始分類、專題判別、分類合并、色彩確定、分類后處理、色彩重定義、柵格矢量轉(zhuǎn)換、統(tǒng)計分析。監(jiān)督分類比非監(jiān)督分類更多地要求用戶來控制，常用于對研究區(qū)域比較了解的情況。在監(jiān)督分類過程中，首先選擇可以識別或者借助其它信息可以斷定其類型的像元建立模板，然后基于該模板使計算機(jī)系統(tǒng)自動識別具有相同特性的像元。對分類結(jié)果進(jìn)行評價后再對模板進(jìn)行修改，多次反復(fù)后建立一個比較準(zhǔn)確的模板，并在此基礎(chǔ)上最終進(jìn)行分類。監(jiān)督分類一般要經(jīng)過以下幾個步驟：建

3、立模板(訓(xùn)練樣本)、評價模板、確定初步分類圖、檢驗分類結(jié)果、分類后處理、分類特征統(tǒng)計、柵格矢量轉(zhuǎn)換。專家分類首先需要建立知識庫，根據(jù)分類目標(biāo)提出假設(shè)，井依據(jù)所擁有的數(shù)據(jù)資料定義支持假設(shè)的規(guī)則、條件和變量，然后應(yīng)用知識庫自動進(jìn)行分類，ERDASIMAG1NE圖像處理系統(tǒng)率先推出專家分類器模塊，包括知識工程師和知識分類器兩部分，分別應(yīng)用于不同的情況。由于基本的非監(jiān)督分類屬于IMAGINEEssentia1s級產(chǎn)品功能、但在1MAGINEProfessional級產(chǎn)品中有一定的功能擴(kuò)展，而監(jiān)督分類和專家分類只屬于IMAGINEProfeSsiona1級產(chǎn)品，所以，非監(jiān)督分類命令分別出現(xiàn)在DataPr

4、eparation菜單和classification菜單中，而監(jiān)督分類和專家分類命令僅出現(xiàn)在Classification菜單中。2非監(jiān)督分類(UnsupervisedClassification)ERDASIMAGINE使用ISODATA算法(基于最小光譜距離公式)來進(jìn)行非監(jiān)督分類。聚類過程始于任意聚類平均值或一個己有分類模板的平均值：聚類每重復(fù)一次，聚類的平均值就更新一次，新聚類的均值再用于下次聚類循環(huán)。ISODATA實用程序不斷重復(fù)，直到最大的循環(huán)次數(shù)已達(dá)到設(shè)定閾值或者兩次聚類結(jié)果相比有達(dá)到要求百分比的像元類別已經(jīng)不再發(fā)生變化。1分類過程(classificationProcedure)第

5、一步：調(diào)出非監(jiān)督分類對話框調(diào)出非監(jiān)督分類對話框的方法有以下兩種：方法一：在ERDAS圖標(biāo)面板工具條中，點擊Dataprep圖標(biāo)阿、fDataPreparationfunsupervisedClassificationfUnsupervisedClassification對話框如下： /31事.Il：t:kFr屯p:生ti-uTlCreateNewImage.CreateSurface.InputRasterFile:(Kinng)|遜IOutputFile:(K.imgjSubsetImagfe.ImageGeometricCorrection.ClusteringOptions:Mosaic

6、Images.HumberoFClasses;UnsupervisedClassification.InitialisingOptions.Color5chem&Options.ReprojectImages：.CloseIHelpProcessingOptions:M-asinriumIterations:SkipFactors:ConvergenceThreshold:廠匚lassify|t.UrLSupervi.sedClassiica.tion(.Isadata)SignatureEditor.UnsupervisedClassification.InputRasterFile:(c.

7、img)InputSignatureFile:(Ksig)SupervisedClassification.Threshold.ROutput匚lu血1_豈問FuzzyConvolution.AccuracyAssessment.Filename:|K.irng)|7OutputSignatureSetFilename:(x.sig)邑FeatureSpaceImage.ClusteringOptions:FeatureSpaceTherridtic.(*lnit:alliefrsBStatisticsCUssSigratureMeanEKnowledgeClassifier.Knowledg

8、eEngi門已引.NumberofClasses:ClceeIHelpInitiabinoOptions.HnlnrSchemeHpliGns.OK|Batch|AOI.ICancel1Help方法二：在ERDAS圖標(biāo)面板工具條中點擊Classifier圖標(biāo)ClassificationUnsupervisedClassificationunsupervisedclassification對話框如下：ProcessingUptioni：:axinumIterations:ConvergenceThreshold廠ClassifyzerosSkipFactors:OK_|Batch|AOI.ICa

9、ncelsjOO.irng*OutputSignatureSet可以看到，兩種方法調(diào)出的UnsupervisedClassification對話框是有一些區(qū)別的。第二步：進(jìn)行非監(jiān)督分類在Unsupervisedclassification對話框中:也IOInputRasterFile:；Kim切InputRasterFile:(ximg)pjOO.img審OutputClusterLaerFilename:x.img)Filename:(.Sig)clhOl.img砌I|clhCi1.sigCliteririgOptionInitializehornStatiticUseSignatureMe

10、arasNumberofClasses;-IriidaliningOption3：(?ColorSghermeOptioriS.-.-ProcessingOptionSkipFactorsMaximumIterations：,ConvergenceThresholdassfyBatchAOI.f確定輸入文件（InputRasterFile）:sjOO.img（要被分類的圖像）f確定輸出文件（OutputFile）:clh01.img（即將產(chǎn)生的分類圖像）f選擇生成分類摸板文件：OutputSignatureSet（將產(chǎn)生一個模板文件）f確定分類摸板文件（Filename）：lz-isodat.

11、sigf對Clusteringoptions選擇InitializefromStatistics單選框InitializefromStatistics指由圖像文件整體（或其AOI區(qū)域）的統(tǒng)計值產(chǎn)主自由聚類，分出類別的多少由自己決定。UseSignatureMeans是基于選定的模板文件進(jìn)行非監(jiān)督分類，類別的數(shù)目由模板文件決定。f確定初始分類數(shù)（Numberofclasses）：18分出18個類別）實際工作中一般將分類數(shù)取為最終分類數(shù)的2倍以上。.點擊Initializingoptions按鈕可以調(diào)出FileStatisticsOptions對話框以設(shè)置ISODATA的一些統(tǒng)計參數(shù)，.點擊Col

12、orSchemeOptions按鈕可以調(diào)出outputcolorSchemeOptions對話框以決定輸出的分類圖像是彩色的還是黑白的。這兩個設(shè)置項使用缺省值。.定義最大循環(huán)次數(shù)(MaximumIterations)：24最大循環(huán)次數(shù)(MaximumIterations)是指ISODATA重新聚類的最多次數(shù)，這是為了避免程序運行時間太長或由于沒有達(dá)到聚類標(biāo)準(zhǔn)而導(dǎo)致的死循環(huán)。一般在應(yīng)用中將循環(huán)次數(shù)都取6次以上。f設(shè)置循環(huán)收斂閾值(ConvergenceThreshold)：0.95收斂閾值(ConvergenceThreshold)是指兩次分類結(jié)果相比保持不變的像元所占最大百分之此值的設(shè)立可以避

13、免ISODATA無限循環(huán)下去。f點擊OK按鈕(關(guān)閉UnsupervisedClassification對話框，執(zhí)行非監(jiān)督分類，獲得一個初步的分類結(jié)果)ISODATAClassifierJiRDASIMAC：1KIH鋁LlwlODA1AalgoriLhtntoperformanurisuperriscdclassificatioiLTheISODAIAclu=;tTitigmithodustastheminimninspectraLfurniulaLo1(irmclutersMb右耳ireswitheitherarbitraryd口乳亡rmei)Li5c?rrnearmofatitxisLin呂

14、sigiiati-iresei.EichtiiTLi?thgdusturitirepeatSTLiremeans-ofthest?clustersareTh*?newcJustermeansareUKedforthynwxtiteraLion.TheISODATAutilityrepeatstheclusteringofIheimageuntilcitheramaxiniumlu.mtber(?fiLeratioish刊rbet?nperformornmaximmnpercentigeofi.inctifliiedpixelassigumenlshasbeenreachedbetweentwo

15、iterations.lrformingdti.miuperxiscrdclsisificationinsimplerth日日FiupervisedclassiiiCaiitmbecauHethesignaturesarefuitoinfiticallveiirated.bythe1SODAAalgorithm.ConvergenceThreshctdTheconvergenceLhiwsihEdhitherviximumofpixehwhosediistyrassLgiimentsmn呂門mtehaneidbetwiLt?raticMis.Tliisthresholdpreventsthce

16、ssing.|n|x|Map6015.522186Y:2493.377921otherProjection:UnknownAjjvjV_JtajI10000自fFiie習(xí)|加|Hwlp|Ti2.2分類評價（EvaluateClassification）獲得一個初步的分類結(jié)果以后，可以應(yīng)用分類疊加（Classificationoverlay）方法來評價檢查分類精度。其方法如下：第一步：顯示原圖像與分類圖像在視窗中同時顯示lanzhoucity.img和lz-isodat.img：兩個圖像的疊加順序為lanzhoucity.img在下、lz-isodat.img在上，lanzhoucity顯示方式

17、用紅（4）、綠（5）、藍(lán)（3）。第二步：打開分類圖像屬性并調(diào)整字段顯示順序一、在視窗工具條中：點擊圖標(biāo)（或者選擇Raster采單項選擇Tools采單）f打開Raster工具面板f點擊RaSter工具面板的壓圖標(biāo)（或者在視窗菜單條：RsterAttributes）f打開RasterAttributeEditor對話框（lz-isodat.img的屬性表）屬性表中的19個記錄分別對應(yīng)產(chǎn)生的18個類及Unclassified類，每個記錄都有一系列的字段。如果想看到所有字段，需要用鼠標(biāo)拖動瀏覽條，為了方便看到關(guān)心的重要字段,需要調(diào)整字段顯示順序。RasterAttributeEditor對話框菜單條：

18、EditColumnPropertiesfcolumnproperties對話框在Columns中選擇要調(diào)整顯示順序的字段，通過Up、Down、Top、Bottom等幾個按鈕調(diào)整其合適的位置，通過選擇DisplayWidth調(diào)整其顯示寬度，通過Alignment調(diào)整其對齊方式。如果選擇Editable復(fù)選框，則可以在Title中修改各個字段的名字及其它內(nèi)容。f在ColumnProperties對話框中調(diào)整字段順序，最后使Histogram、opacity、color、class_names四個手段的顯示順序依次排在前面。f點擊0K按鈕（關(guān)閉Columnproperties對話框）f返回Rast

19、erAttributeEditor對話框（lz-isodat.img的屬性表）第三步：給各個類別賦相應(yīng)的顏色（如果在分類時選擇了彩色，這一步就可以省去）RasterAttributeEditor對話框（lz-isodat.img的屬性）：f點擊一個類別的Row字段從而選擇該類別f右鍵點擊該類別的Color字段（顏色顯示區(qū)）fAsIs菜單f選擇一種顏色f重復(fù)以上步驟直到給所有類別賦予合適的顏色第四步：不透明度設(shè)置由于分類圖像覆蓋在原圖像上面，為了對單個類別的判別精度進(jìn)行分析，首先要把其它所有類別的不透明程度（Opacity）值設(shè)為0（即改為透明），而要分析的類別的透明度設(shè)為1（即不透明）。Ras

20、terAttributeEditor對話框（lz-isodat.img的屬性表）：f右鍵點擊Opacity字段的名字fColumnOptions菜單fFormula菜單項fFormula對話框f在Formula對話框的Formula輸入框中（用鼠標(biāo)點擊右上數(shù)字區(qū)）輸入0f點擊Apply按鈕（應(yīng)用設(shè)置）f返回RasterAttributeEditor對話框（lz-isodat.img的屬性表）：f點擊一個類別的ROW字段從而選擇該類別f點擊該類別的Opacity字段從而進(jìn)入輸入狀態(tài)f在該類別的Opacity字段中輸入1,并按回車鍵此時，在視窗中只有要分析類別的顏色顯示在原圖像的上面，其它類別都是

21、透明的。ro&1(Zl1UtLliLylb亠|口|*1|松嘉玳丁At沁bnle：妍-li-imiUt訛O.250BU畑芒IGrwn11870431OI&47D55cSClG!怖跑辭L砂N呦曲QDass10Ld曇IrAlilDMcdsGpe&i|血4|0:1曲點Fl決曰匚也5lUamcsj匚c4dt11口a弗2UnEhsed第五步：確定類別專題意義及其準(zhǔn)確程度視窗菜單條：UtilityfflickerfviewerFlicker對話框fAutoMode本小步是設(shè)置分類圖像在原圖像修背景上閃爍，觀察它與背景圖像之間的關(guān)系從而斷定該類別的專題意義，并分析其分類準(zhǔn)確與否。第六步：標(biāo)注類別的名稱和相應(yīng)顏

22、色RasterAttributeEditor對話框(lz-isodat.img的屬性表)：一點擊剛才分析類別的ROW字段從而選擇該類別f點擊該類別的classNames字段從而進(jìn)入輸入狀態(tài)f在該類別的ClassNames字段中輸入其專題意義(如居民區(qū))，并按回車鍵f右鍵點擊該類別的Color字段(顏色顯示區(qū))fAsIs菜單f選擇一種合適的顏色重復(fù)以上4、5、6三步直到對所有類別都進(jìn)行了分析與處理。注意，在進(jìn)行分類疊加分析時，一次可以選擇一個類別，也可以選擇多個類別同時進(jìn)行。七、監(jiān)督分類一、實習(xí)目的：掌握監(jiān)督分類的方法與過程，加深對監(jiān)督分類方法的理解二、完習(xí)內(nèi)容：定義分類模板、評價分類模板、進(jìn)行

23、監(jiān)督分類、評價分類結(jié)果。前面已經(jīng)談到，監(jiān)督分類一般有以下幾個步驟：定義分類模板(DefineSignatures)、評價分類模板(EvaluateSignatures)、進(jìn)行監(jiān)督分類(PerformSupervisedClassification)、評價分類結(jié)果(EvaluateClassification)。下面將結(jié)合例子說明這幾個步驟。1.定義分類模板(DefineSignatureUsingsignatureEditor)ERDASIMAGINE的監(jiān)督分類是基于分類模板來進(jìn)行的，而分類模板的生成、管理、評價、和編輯等功能是由分類模板編輯器來負(fù)責(zé)的。毫無疑問，分類模板生成器是進(jìn)行監(jiān)督分類一

24、個不可缺少的組件。在分類模板生成器中，生成分類模板的基礎(chǔ)是原圖像和(或)其特征空間圖像。因此,顯示這兩種圖像的視窗也是進(jìn)行監(jiān)督分類的重要組件。第一步：顯示需要進(jìn)行分類的圖像在視窗中顯示VERDASHOMEexeciseljxtm.img(Red4/Grean5/Blue3、選擇FittoFrame，其它使用缺省設(shè)置)。第二步：打開模板編輯器并調(diào)整顯示字段ERDAS圖標(biāo)面板工具子，點擊Classifier目標(biāo)砸fClassification菜單fSignatureEditor菜單項fSignatureEditor對話框從上圖中可以看到有很多字段，有些字段對分類的意義下大,我們希望不顯示這些這段,

25、所以要進(jìn)行如下調(diào)整：SignatureEdit對話框菜單條：ViewColumnsviewsignaturecolumns對話框一點擊最上一個字段的Colunmn字段下拖拉直到最后一個段，此時，所有字段都被選擇上，并用黃色（缺省色）標(biāo)識出來。按住shift鍵的同時分別點擊Red、Green、Blue三個字段Red、Green、Blue三個字段將從選擇集中被清除。點擊Apply按鈕點擊Close按鈕從ViewSignatureColumns對話框可以看到Red、Green、Blue三個字段將不再顯示。第三步：獲取分類模板信息可以分別應(yīng)用AOI繪圖工具、AOI擴(kuò)展工具、查詢光標(biāo)等三種方法，在原始圖

26、像或特征空間圖像中獲取分類模板信息。但在實際工作中也許只用一種方法就可以了，也許要將幾種方法聯(lián)合應(yīng)用，這取決于您自己。（1）應(yīng)用AOI繪圖工具在原始圖像獲取分類模板信息無論是在原圖像還是在下面要講的特征空間圖像中，都是產(chǎn)主AOI區(qū)域來作為分類模板信息的來源。首先練習(xí)如何用AOI繪圖工具獲取分類模板信息。在顯示有l(wèi)jxtm.img圖像的視窗：f點擊一I圖標(biāo)（或者選擇Raster菜單項f選擇Tools菜單）f打開Raster工具面板f點擊Raster工具面板的二圖標(biāo)f在視窗中選擇紅色區(qū)域，繪制一個多邊形AOIf在SignatureEditr對話框，點擊3圖標(biāo)，將多邊形A0I區(qū)域加載到Signatu

27、re分類模板中f在SignatureEditor中，改變剛才加入模板的SignatureName和Color。f重復(fù)上述操作過程以多選擇幾個紅色區(qū)域A0I,并將其作為新的模板加入到SignatureEditor當(dāng)中，同時確定各類的名字及顏色。如果對同一個專題類型（如水體）采集了多個A0I并分別生成了模板，可以將這些模板合并，以便該分類模板具多區(qū)域的綜合特性。具體做法是在SignatureEditor對話框中，將該類的Signature全部選定，然后點擊合并圖標(biāo)，這時一個綜合的新模板生成，原來的多個Signature同時存在（如果必要也可以刪除）。應(yīng)用AOI擴(kuò)展工具在原始圖像獲取分類模板信息擴(kuò)展

28、生成AOI的起點是一個種子像元。與該像元相鄰的像元被按照各種約束條件來考察，如空間距離、光譜距離等。如果被接受，則與原種子一起成為新的種子像元組，并重新計算新的種子像元平均值(當(dāng)然也可以設(shè)置為一直沿用原始種子的值以后的相鄰像元將以新的平均值來計算光譜距離。但空間距離一直是以最早的種子像元來計算的。應(yīng)用AOI擴(kuò)展工具在原始圖像獲取分類模板信息，首先必須設(shè)置種子像元特性，過程如下：在顯示有l(wèi)jxtm.img圖像的視窗中：AOISeedProperties菜單RegionGrowingProperties對話框f在Neighborhood選擇按四個相鄰像元擴(kuò)展，表示被點擊像元的上、下、左、右四個像元

29、與被點擊像元是相鄰的。而一I表示其周圍9個像元都與被點擊像元相鄰。這里選擇如。f在GeographicConstrains設(shè)置地理約束，Area確定每個AOI所包含的最多像元數(shù)（或者面積），而Distance確定AOI所包含像元距被點擊像元的最大距離，這兩個約束可以只設(shè)置一個，也可以設(shè)置兩個或者一個也不設(shè)。在此處只設(shè)置面積約束為300個像元。f在SpectralEuclideanDistance中設(shè)置波譜歐氏距離，本約束是指AOI可接受的像元值與種子像元平均值之間的最大光波歐氏距離（兩個像元在各個波段數(shù)值之差的平方之和的二次根），大于該距離將不被接受。此處設(shè)置距離為：10f點擊Options按

30、鈕，打開RegionGrowOptions面板以確定一些擴(kuò)展設(shè)置RegionGrowOptions面板上有三個復(fù)選框。在種子擴(kuò)展的過程中可能會有些不符合條件的像元被符合條件的像元包圍，選擇IncludeIslandPolygons使這些不符合條件像元，將以島的形式被刪除出來，如果不選擇則全部作為AOI的一部分。UpdateRegionMean是指每一次擴(kuò)展后是否重新計算種子的平均值，如果選擇該復(fù)選框則重新計算，如果不選擇則一直以原始種子的值為平均值BufferRegionBoundary復(fù)選框是指對AOI產(chǎn)生緩沖區(qū)，該設(shè)置在選擇AOI編輯DEM數(shù)據(jù)時比較有用，可以避免高程的突然變化。這里選擇I

31、ncludeIslandPolygons和UpdateRegionMean。止次完成了種于擴(kuò)展特性的設(shè)置，下面將使用種子擴(kuò)展工具產(chǎn)生一個AO1。在顯示有l(wèi)jxtm.img圖像的視窗中：f在視窗工具條中點擊圖標(biāo)（或在視窗菜單條：RasterTools）f打開Raster工具面板f點擊Raster工具面板的汛圖標(biāo)f點擊視窗中的綠色區(qū)域綠色區(qū)域?qū)?yīng)的是耕地，AOI自動擴(kuò)展將生成一個針對耕地的A01。如果擴(kuò)展AOI不符合需要?？梢孕薷腞egionGrowingProperties直到滿意為止，注意在RegionGrowingProperties對話框中修改設(shè)置之后，直接點擊Redo按鈕就可重新對剛才點

32、擊的像元生成新的擴(kuò)展A01。f在signatureeditor對話框,點擊圖標(biāo),將擴(kuò)展AOI區(qū)域加載到signature分類模板中f在SignatureEditor中，改變剛才加入模板的Signannle的名字（Name）和顏（Color）。f重復(fù)上述操作步驟,選擇多AOI區(qū)域,并將其作為新的模板加入到SignatureEditor中，同時確定各類別的名字及顏色。（3）應(yīng)用查詢光標(biāo)擴(kuò)展方法獲取分類模板信息該方法與第（2）種方法大同小異，只不過第（2）種方法是在選擇擴(kuò)展工具后，用點擊方式在圖像上確定種子像元，而本方法是要用查詢光標(biāo)（InquireCursor）確定種子像元。種子擴(kuò)展的設(shè)置與第（2

33、）種方法完全相同。在顯示有l(wèi)jxtm.img圖像的視窗中點擊：UtilityInquireCursorf在視窗中出現(xiàn)一個十字光標(biāo)，十字交點可以準(zhǔn)確定位一個像元的位置f將十字光標(biāo)標(biāo)交點移動到種子像元上f點擊RegionGrowingProperties對話框的GrowatInquire按鈕f產(chǎn)生一個新的AOIf在SignatureEditor對話框，點擊1圖標(biāo)，將AOI區(qū)域加載到Signature分類模板第四步：保存分類模板以上分別用不同方法產(chǎn)生了分類模板，下面將該模板保存起來。在SignatureEditor對話框菜單條：FileSavef打開SaveSignatureFileAs對話框確定是

34、保存所有的模板還是只保存被選中的模板f確定文件的目錄和名字（Sjg文件）點擊0K按鈕2.評價分類模板（EvaluatingSignatures）分類模板建立之后，就可以對其進(jìn)行評價，刪除、更名、與其它分類模板合并等操作。分類模扳的合并可使用戶應(yīng)用來自不同訓(xùn)練方法的分類模板進(jìn)行綜合復(fù)雜分類，這些模板訓(xùn)練方法包括監(jiān)督、非監(jiān)督、參數(shù)化和非參數(shù)化。分類模板評價工具包括：Alarms：分類報警工具Contingencymatrix：可能性矩陣Featureobjects：特征對象FeatureSpacetoimagemasking：特征空間到圖像掩模Histograms：直方圖方法Signaturese

35、parability:分類的分離性Statistics:分類統(tǒng)計分析當(dāng)然，不同的評價方法各有不同的應(yīng)用范圍。例如不能用Separability工具對非參數(shù)化（由特征空間產(chǎn)生）分類模板進(jìn)行評價，而且分類模板中至少應(yīng)具有5個以上的類別。2.1報警評價（Alarms）第一步：產(chǎn)生報警掩膜分類模板報警工具根據(jù)平行六面體決策規(guī)則（Parallelepipeddivisionrule）將那些原屬于或估計屬于某一類別的像元在圖像視窗中加亮顯示，以示警報。一個報警可以針對一個類別或多個類別進(jìn)行。如果沒有在SignatureEditor中選擇類別，那么當(dāng)前活動類別（SignatureEditor中“”符號旁邊的

36、類別）就被用于進(jìn)行報警。具體使用過程如下：在SignatureEditor對話框：ViewImageAlarmf打開SignatureAlarm對話框選中IndicateOverlap點擊EditParallelepipedLimits按鈕Limits對話框點擊SET按鈕打開SetParallelepipedLimits對話框設(shè)置計算方法（Method）:Minimum/Maximum選擇使用的模板（Signature）:CurrentOK（關(guān)閉setParallelepipedLimits對話框）返回Limits對話框Close（關(guān)閉Limits對話框）返回SignatureAlarm對話框

37、OK（執(zhí)行報警評價，形成報警掩膜）Close（關(guān)閉signatureAlarm對話框）根據(jù)SignatureEditor中指定的顏色，選定類別的像元顯示在原始圖像視窗中，并覆蓋在原圖像之上，形成一個報警掩膜。第二步，利用Flicker功能查看報警掩膜第三步：刪除分類報警掩膜視窗菜單條：ViewArrangeLayers菜單f打開ArrangeLayers對話框右鍵點擊AlarmMask圖層f彈出LayerOptions菜單選擇DeleteLayerAlarmMask圖層被刪除Apply（應(yīng)用圖層刪除操作）f提示verifySaveonCloseNOClose（關(guān)閉ArrangeLayers對話

38、框）2.2可能性矩陣可能性矩陣(ContingencyMatrix)評價工具是根據(jù)分類模板，分析A0I訓(xùn)練區(qū)的像元是否完全落在相應(yīng)的類別之中。通常都期望A0I區(qū)域的像元分到它們參于訓(xùn)練的類別當(dāng)中，實際上A0I中的像元對各個類都有一個權(quán)重值，AOI訓(xùn)練樣區(qū)只是對類別模板起一個加權(quán)的作用。ContingencyMatrix工具可同時應(yīng)用于多個類別，如果你沒有在SignatureEditor中確定選擇集，則所有的模板類別都將被應(yīng)用?？赡苄跃仃嚨妮敵鼋Y(jié)果是一個百分比矩陣，它說明每個A0I訓(xùn)練區(qū)中有多少個像元分別屬于相應(yīng)的類別。AOI訓(xùn)練樣區(qū)的分類可應(yīng)用下列幾種分類原則：平于行六面體(Parallele

39、piped)、特征空間(FeatureSpace)、最大似然(MaximumLikelihood)、馬氏距離(MahalanobisDistance)。各種原則詳見FieldGuide一書。下面說明可能性矩陣評價工具的使用方法：在SignatureEditor對話框：f在signatureEditor中選擇所有類別f菜單條：EvaluationContingencyf打開ContingencyMatrix對話框f選擇非參數(shù)規(guī)則(Non-parametrieRule)：FeatureSpacef選擇疊加規(guī)則(OverlayRule):ParametrieRulef選擇未分類規(guī)則(Unclassi

40、fiedRule)：ParametrieRulef選擇參數(shù)規(guī)則(ParametrieRule)：MaximumLikelihoodf選擇像元總數(shù)作為評價輸出統(tǒng)計：pixelCountsfOK(關(guān)閉ContingencyMatrix對話框，計算分類誤差矩陣)然后，IMAGINE文本編輯器(TextEditor)被打開，分類誤差矩形矩陣將顯示在編輯器中供查看統(tǒng)計，該矩陣的局部(以像元數(shù)形式表達(dá)部分)如下：ERRORMATRIXReferenceDataClassifiedDatafarm-1farm-2farm-3forestfarm-12341100farm-2637530farm-303150

41、0forest000523grass-h0001m-g0000bear-m0000water-10000water-20000water-30000grass-mid0000farm-40110water-50000shadow0000water-60000water-70000ColumnTotal240390154524ReferenceDataClassifiedDatagrass-hm-gbear-mwater-1farm-10000farm-20000farm-30000forest0000grass-h560300m-g528300bear-m0033350water-100021

42、333water-20000water-30001grass-mid201090farm-400160water-50003shadow0000water-60005water-70000ColumnTotal567286346021342ReferenceDataClassifiedDatawater-2water-3grass-midfarm-4farm-10000farm-20002farm-30001forest0000grass-h0000m-g0000bear-m00101water-10000water-2261000water-30131600grass-mid003650fa

43、rm-4000791water-50000shadow0020water-60000water-70000ColumnTotal2611316377795ReferenceDataClassifiedDatawater-5shadowwater-6water-7farm-10000farm-20000farm-30000forest0200grass-h0100m-g0000bear-m0000water-10000water-20000water-30020grass-mid0700farm-40000water-5161000shadow023010water-60015710water-

44、7000137ColumnTotal1612401574137EndofErrorMatrix從矩陣中可以看到在260個應(yīng)該屬于farm-1類別的像元中有6個屬于了farm_2,有234仍舊屬于farm_l,屬于其它類的數(shù)目為0,其實farm_1與farm_2都是農(nóng)用地，因此這個結(jié)果是令人滿意的。從百分比來說，如果誤差矩陣值小于85%，則模板需要重新建立。2.3由特征空間模板產(chǎn)生圖像掩膜只有產(chǎn)生于特征空間Signature才可使用本工具，使用時可以基于一個或者多個特征空間模板。如果沒有選擇集，則當(dāng)前處于活動狀態(tài)（位于“”符號旁邊）的模板將被使用。如果特征空間模板被定義為一個掩膜，則圖像文件會對

45、該掩膜下的像元作標(biāo)記，這些像元在視窗中也將被顯示表達(dá)出來（Highlighted）。因此可以直觀地知道哪些像元將被分在特征空間模板所確定的類型之中。必須注意，在本工具使用過程中視窗中的圖像必須與特征空間圖像相對應(yīng)。下面是本工具的使用過程：signatureEditor對話框。一選擇要分析的特征空間模板fFeatureMaskingfFeatureSpacetoImagef打開FStoImageMasking對話框f不選擇Indicateoverlay復(fù)選框（選擇IndicateOverlay復(fù)選框意味著“屬于不只一個特征空間模板的像元”將用該復(fù)選框后邊的顏色顯示）fApply（應(yīng)用參數(shù)設(shè)置，產(chǎn)

46、主分類掩膜）fClose（關(guān)閉FStoImageMasking對話框）2.4模板對象圖示模板對象圖示工具可以顯示各個類別模板（無論是參數(shù)型遼是非參數(shù)型）的統(tǒng)計圖，以便比較不同的類別，統(tǒng)計圖以橢圓形式顯示在特征空間圖像中：每個橢園都是基于類別的平均值及其標(biāo)準(zhǔn)差?？梢酝瑫r產(chǎn)主一個類別或多個類別的圖形顯示。如果沒有在模板編輯器中選擇類別。那么當(dāng)前處于活動狀態(tài)（位于“符號旁邊）的類別就被應(yīng)用，模板對象圖示工具還可以同時顯示兩個波段類別均值、平行六面體和標(biāo)識（Label）。由于是在特征空間圖像中繪畫橢圓，所以特征空間圖像必須處于打開狀態(tài)。ObjectsSignatureEditor對話框:f菜單條：Fe

47、aturef打開Signatureobjects對話框f確定特征空間圖像視窗（Viewer）:2f確定繪制分類統(tǒng)計橢圓：選擇PlotEllipses選框f確定統(tǒng)計標(biāo)準(zhǔn)差（Std.dev.）4fOK（執(zhí)行模板對象圖示，繪制分類橢圓）顯示特征空間圖像的Viewr#2中顯示出特征空間及所選類別的統(tǒng)計橢圓，這些橢圓的重疊程度，反映了類別的相似性。如果兩個橢圓不重疊，說明它們代表相互獨立的類型，正是分類所需要的。然而，重疊是肯定有的，因為幾乎沒有完全不同的類別。如果兩個橢圓完全重疊或重疊較多，則這兩個類別是相似的，對分類而言，這是不理想的。2.5直方圖方法直方圖繪制工具通過分析類別的直方圖對模板進(jìn)行評價

48、和比較，本功能可以同時對一個或多個類別制作直方圖，如果處理對象是單個類別（選擇SingleSignature）,那就是當(dāng)前活動類別（位于“）”符號旁邊的那個類別），如果是多個類別的直方圖，那就是處于選擇集中的類別。下面是操作過程：在SignatureEditor對話框：一選定某一或者某幾個類別f菜單條：ViewHistogramsf打開HistogramsPlotControlPanel對話框f在HistogramsPlotControlPanel對話框中，需要設(shè)置下列參數(shù)f確定分類模板數(shù)量(Signature)：AllSelectedSignaturesf確定分類波段數(shù)量(Bands)：Al

49、lBandsf點擊Plot按鈕(繪制分類直方圖)Signatures:Bands:Ci1SingleSignatueSingleElandAllSelectedSignaturesAllBandsBandKo:p蘭|廠AutuFlulPlotOptions:-uxXBandNumber:2168ristogramFlintOptions.Help2.6類別的分離性類別的分離性工具用于計算任意類別間的統(tǒng)計距離,這個距離可以確定兩個類別間的差異性程度，也可用于確定在分類中效果最好的數(shù)據(jù)層。類別間的統(tǒng)計距離是基于下列方法計算的：歐氏光譜距離、Jeffries-Matusta距離、分類的分離度(Div

50、ergence)。轉(zhuǎn)換分高度(TransformedDivergence)，類別的分離性工具可以同時對多個類別進(jìn)行操作，如果沒有選擇任何類別，則它將對所有的類別進(jìn)廳操作。SignatureEditor對話框：一選定某一或者某幾個類別fEvaluateSeparabilityf打開SignatureSeparability對話框f確定組合數(shù)據(jù)層數(shù)(LayersPerCombination)：3LayersPerCombination是指本工具將基于幾個數(shù)據(jù)層來計算類別間的距離，例如可以計算兩個類別在綜合考慮6個層時的距離，也可以計算它們在1、2兩個層上的距離。f選擇計算距離的方法(Distanc

51、eMeasure)：TransformedDivergencef確定輸出數(shù)據(jù)格式(outputForm)：ASCIIf確定統(tǒng)計結(jié)果報告方式(ReportType)：SummaaryReport選擇SummaryReport,則計算結(jié)果只顯示分離性最好的兩個波段組合的情況，分別對應(yīng)最小分離性和平均分離性最大：如果選擇CompleteReport,則計算結(jié)果不只顯示分高性最好的兩個波段組合，而且要顯示所有波段組合的情況。f0K(執(zhí)行類別的分離性計算，并將結(jié)果顯示在ERDAS文本編輯器視窗)fClose(關(guān)閉signatureSeparability對話框)在文本編輯器窗口，可以對報告結(jié)果進(jìn)行分析，

52、可以將結(jié)果保存在文本文件中。3.執(zhí)行監(jiān)督分類(PerformSupervisedClassification)在監(jiān)督分類過程中，用于分類決策的規(guī)則是多層次的，如對非參數(shù)模板有特征空間、平行六面體等方法，對參數(shù)模板有最大似然法、Mahalanobis距離、最小距離等方法。當(dāng)然，非參數(shù)規(guī)則與參數(shù)規(guī)則可以同時使用，但要注意應(yīng)用范圍，如非參數(shù)規(guī)則只能應(yīng)用于非參數(shù)型模板，對于參數(shù)型模板，要使用參數(shù)型規(guī)則。另外，如果使用非參數(shù)型模板，還要確定疊加規(guī)則(Overlayrule)和未分類規(guī)則(unclassifiedrule)。下面是執(zhí)行監(jiān)督分類的操作過程：ERDAS圖標(biāo)面板菜單條：MainImageClas

53、sificationClassification菜單或ERDAS圖標(biāo)面板工具條：點擊Classifier圖標(biāo)Classification菜單SupervisedClassification菜單項SupervisedClassification對話框在SupervisedClassification對話框中，需要確定下列參數(shù)：確定輸入原始文件(InputRasterFile)：ljxtm.img定義輸出分類文件(ClassifiedFile)：Classify.img確定分類模板文件(InputSignatureFile)：Lz.sig選擇輸出分類距離文件：DistanceFile(用于分類結(jié)果

54、進(jìn)行閾值處理)定義分類距離文件(Filename)：lz-distance.img選擇非參數(shù)規(guī)則(Non_parametricRule):FeatureSpace選擇疊加規(guī)則(OverlayRule):ParametricRule選擇未分類規(guī)則(UnclassifiedRule):ParametricRule選擇參數(shù)規(guī)則(ParametricRule):MaximumLikelihood不選擇Classifyzeros(分類過程中是否包括0值)OK(執(zhí)行監(jiān)督分類，關(guān)閉supervisedClassification對話框)說明：在SupervisedClassification對話框中，還可以

55、定義分類圖的屬性表工程：f點擊AttributeOptions按鈕f打開AttributeOptions對話框通過AttributeOptions對話框，可以確定模板的哪能些統(tǒng)計信息將被包括在輸出的分類圖像層中。這些統(tǒng)計值是基于各個層中模板對應(yīng)的數(shù)據(jù)計算出來的，而不是基于被分類的整個圖像。f在AttributeOptions對話框上作出選擇fOK（關(guān)閉AttributeOptions對話框）f返回SupervisedClassification對話框4.評價分類結(jié)果(Evaluateclassification)執(zhí)行了監(jiān)督分類之后，需要對分類效果進(jìn)行評價，ERDAS系統(tǒng)提供了多種分類評價方法，

56、包括分類疊加(classificationoverlay)、定義閾值(thresholding)、分類編碼(recodeclasses)、精度評估(accuracyassessment)等，下面有側(cè)重的進(jìn)行介紹。4.1分類疊加(ClassificationOverlay)分類疊加就是將專題分類圖像與分類原始圖像同時在一個視窗中打開，將分類專題層置于上層，通過改變分類專題的透明度(Opacity)及顏色等屬性，查看分類專題與原始圖像之間的關(guān)系。對于非監(jiān)督分類結(jié)果，通過分類疊加方法來確定類別的專題特性、并評價分類結(jié)果。對監(jiān)督分類結(jié)果，該方法只是查看分類結(jié)果的準(zhǔn)確性。4.2分類重碼對分類像元進(jìn)行了分

57、析之后，可能需要對原來的分類重新進(jìn)行組合(如將林地1與林地2合并為林地)，給部分或所有類別以新的分類值從而產(chǎn)生一個新的分類專題層。該功能的4.3分類精度評估分類精度評估是將專題分類圖像中的特定像元與已知分類的參考像元進(jìn)行比較，實際工作中常常是將分類數(shù)據(jù)與地面真值、先前的實驗地圖、航空相片或其它數(shù)據(jù)進(jìn)行對比的途徑之一。下面是具體的操作過程：第一步：在視窗中打開原始圖像在Viewer中打開分類前的原始圖像，以便進(jìn)行精度評估。第二步：啟動精度評估對話框ERDAS圖標(biāo)面板菜單條：MainImageClassificationClassification或ERDAS圖標(biāo)面板工具條：點擊Classifie

58、r圖標(biāo)Classification菜單選擇AccuracyAssessment菜單項打開AccuracyAssessment對話框矗*PointttNameYClassReferenceJk.AccuracyAssessment對話框中顯示了一個精度評估矩陣（AccuracyAssessmentCellarray）o精度評估矩陣中將包含分類圖像若干像元的幾個參數(shù)和對應(yīng)的參考像元的分類值。這個矩陣值可以使用戶對分類圖像中的特定像元與作為參考的已知分類的像元進(jìn)行比較，參考像元的分類值是用戶自己輸入的。矩陣數(shù)據(jù)存在分類圖像文件中。第三步：打開分類專題圖像AccuracyAssessment對話框菜單

59、條：FileOpen打開ClassifiedImage對話框在ClassifiedImage對話框中確定與視窗中對應(yīng)的分類專題圖像OK（關(guān)閉ClassifiedImage對話框）返回AccuracyAssessment對話框第四步：將原始圖像視窗與精度評估視窗相連接AccuracyAssessment對話框：工具條：點擊SelectViewer圖標(biāo)如（或菜單條：選擇View菜單的SelectViewer）將光標(biāo)在顯示有原始圖像的視窗中點擊一下原始圖像視窗與精度評估視窗相連接第五步：在精度評價對話框中設(shè)置隨機(jī)點的色彩AccuracyAssessment對話框：菜單條ViewChangeColor

60、s菜單項打開Changecolor面板f在PointswithnoReference確定沒有真實參考值的點的顏色f在PointswithReference確定有真實參考值的點的顏色fOK（執(zhí)行參數(shù)設(shè)置）f返回AccuracyAssessment對話框第六步：產(chǎn)生隨機(jī)點本步操作將在分類圖像中產(chǎn)生一些隨機(jī)的點，隨機(jī)點產(chǎn)生之后，需要用戶給出隨機(jī)點的實際類別。然后，隨機(jī)點的實際類別與在分類圖像的類別將進(jìn)行比較。AccuracyAssessment對話框：fEditfCreate/AddRandomPointsf打開AddRandomPoints對話框f在searchCount中輸入1024f在Numb