erdas遥感影像分类.ppt

课程：遥感数字图像处理实验导师：陈浩张东水某地区的遥感影像分类5非监督分类
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。（1）在ERDAS图标面板工具条中点击Classifier图标
→C1assification→UnsupervisedClassification---→unsupervisedclassification
对话框如右：确定输入文件(InputRasterFile):smtm.img（要被分类的图像）
→确定输出文件(OutputFile):unsuper.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):unsuper.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。
→确定初始分类数（Numberofclasses）:10(本练习中最终要分出5种类型的地物)，
实际工作中一般将分类数取为最终分类数的2倍以上。

→定义最大循环次数（MaximumIterations）：12（确保循环次数）
→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6监督分类定义分类模板
A：显示需要进行分类的图像
在Viewer窗口中选择打开smtm.img，在RasterOption中选择FittoFrame，
B：ERDAS图标面板工具子，点击Classifier→Classification→SignatureEditor，打开分类模板编辑器SignatureEditor。C：在Viewer窗口中点击，打开Raster工具面板。
D：选择按钮，进入多边形AOI绘制状态，在视窗中选择深蓝色区域，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。E：重复上述操作过程，用同样的方法加载9个深蓝色多边形AOI。F：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，单击其Signature属性进入编辑状态，输入water，点击color属性，选择深蓝色，在SignatureEditor菜单条，单击Edit/delete，删除合并前的模板。G：在图像上继续选择多个砖红色区域AOI(farmland)，赭色区域AOI（forest），绿色区域AOI(grass)浅蓝色区域AOI(resident)。
H：保存模板（super.sig）
评价分类模板（分类预警评价，可能性评价，分类的分离性）分类预警评价A：选中water类别B：单击View→ImageAlarm→打开SignatureAlarm对话框→选中IndicateOverlap，设置同时属于两个或以上的像元叠加预警显示，点击色框设置为黄色。C：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）D：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，形成一个报警掩膜结果如图所示，发现resident面积过大，于是按照同样的方法选择AOI、删除、合并再应用分类预警评价检验模板的准确性。
D：设置完成后，点击OK按钮，便显示分类误差矩阵，（…