监督分类实验指导

一、目的

实现遥感图像的监督分类

二、要求

掌握相关原理，并用软件实现相关操作

三、方法与步骤

练习一、定义分类模板（Define Signature Using signature Editor）

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。

A、应用AOI绘图工具获取分类模板信息

1、在Viewer中打开germtm.img，R，G，B分别为4，5，3 2、主工具条中选择Classifier图标，选择Signature Editor 3、在Signature Editor中选择View | Columns

4、选择Red, Green, Blue三行，然后反选，Apply，Close 5、 Viewer中选择AOI | Tools 6、选择Polygon工具

7、放大图像，选择绿地画出来（农作物区域） 8、在Signature Editor中Edit | Add

9、令Signature Name为Agricultural Field_1，Color选择绿色；同理加入若干区域，进行合并。 10、同样画出黑色区（水体），蓝色区（建筑），红色区（林地）

B、应用AOI扩展工具获取分类模板信息 11、Viewer中选择AOI | Seed Properties

12、选中图标

13、选中Area，单位为pixels，值为300 14、Spectral Euclidean Distance为10 15、单击Options按钮

16、选中Include Island Polygons

17、AOI tool palette中选择Region Grow图标 18、单击图像的亮红色区域（林地区域1）

19、在Signature Editor中Edit | Add，Forest_1,Yellow颜色 20、同理单击图像的暗红色区域（森林区域2），Forest_2,Pink 21、保存分类模板

练习二、评价分类模板（Evaluating Signatures）

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

· Contingency matrix：可能性矩阵 · Feature objects：特征对象

· Feature Space to image masking：特征空间到图像掩模 · Histograms：直方图方法

· Signature separability：分类的分离性

· Statistics：分类统计分析

A、分类预警评价

分类模板报警工具根据平行六面体决策规则（Parallelepiped division rule）将那些原属于或估计属于某一类别的像元在图像视窗中加亮显示，以示警报。一个报警可以针对一个类别或多个类别进行。如果没有在Signature Editor中选择类别，那么当前活动类别（Signature Editor中“>”符号旁边的类别）就被用于进行报警。

第一步：产生分类预警掩膜

1、在signature Editor中选择所有类别，View /Image Alarm，打开Signature Alarm对话框

2、选中Indicate Overlap，使同时属于两个及以上分类的像元叠加预警显示，将颜色设为红色 3、点击Edit Parallelepiped Limits按钮，打开Limits对话框 4、点击SET按钮，打开Set Parallelepiped Limits对话框 5、设置计算方法（Method）：Minimum/Maximum；选择使用的模板（Signature）：Current；OK 6、Close（关闭Limits对话框），返回Signature Alarm对话框 7、OK（执行报警评价，形成报警掩膜） 根据Signature Editor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

1、视窗菜单条View/Arrange Layers菜单

2、打开Arrange Layers对话框，右键点击Alarm Mask图层，选择Delete Layer 3、Alarm Mask图层被删除

B、可能性矩阵

可能性矩阵（Contingency Matrix）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。Contingency Matrix工具可同时应用于多个类别，如果你没有在Signature Editor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。

1、在signature Editor中选择所有类别

2、Evaluation/Contingency，打开Contingency Matrix对话框，如下图进行设置

然后，IMAGINE文本编辑器（Text Editor）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

练习三、执行监督分类（Perform Supervised Classification）

1、在Signature Editor中选定全部行 2、Classify | Supervised

3、Output File为germtm_superclass.img 4、勾上Output Distance File

5、Filename为germtm_distance.img 6、单击Attribute Options

7、选中Minimum, Maximum, Mean, and Std. Dev. 8、确定Layer被选择，Close

9、Non-parametric Rule选择Feature Space 10、OK

练习四、评价分类结果

A、分类叠加（Classification Overlay）

分类叠加就是将专题分类图像与分类原始图像同时在一个视窗中打开，将分类专题层置于上层，通过改变分类专题的透明度（Opacity）及颜色等属性，查看分类专题与原始图像之间的关系。对于非监督分类结果，通过分类叠加方法来确定类别的专题特性、并评价分类结果。对监督分类结果，该方法只是查看分类结果的准确性。

B、分类重编码

对分类像元进行了分析之后，可能需要对原来的分类重新进行组合（如将林地1与林地2合并为林地），给部分或所有类别以新的分类值从而产生一个新的分类专题层。

C、分类精度评估

分类精度评估是将专题分类图像中的特定像元与已知分类的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其它数据进行对比的途径之一。下面是具体的操作过程：

第一步：在视窗中打开原始图像

在Viewer中打开分类前的原始图像，以便进行精度评估。

第二步：启动精度评估对话框

ERDAS 图标面板菜单条：Main/Image Classification /Classification

或ERDAS 图标面板工具条：点击Classifier 图标/Accuracy Assessment菜单项，打开Accuracy Assessment对话框

Accuracy Assessment 对话框中显示了一个精度评估矩阵（Accuracy Assessment Cellarray）。精度评估矩阵中将包含分类图像若干像元的几个参数和对应的参考像元的分类值。这个矩阵值可以使用户对分类图像中的特定像元与作为参考的已知分类的像元进行比较，参考像元的分类值是用户自己输入的。矩阵数据存在分类图像文件中。

第三步：打开分类专题图像

1、Accuracy Assessment 对话框菜单条：File→Open 2、打开Classified Image对话框

3、在Classified Image对话框中确定与视窗中对应的分类专题图像

4、OK（关闭Classified Image对话框），返回Accuracy Assessment对话框

第四步：将原始图像视窗与精度评估视窗相连接 Accuracy Assessment对话框： 1、工具条：点击Select Viewer图标

（或菜单条：选择View 菜单的Select Viewer）

2、将光标在显示有原始图像的视窗中点击一下 3、原始图像视窗与精度评估视窗相连接

第五步：在精度评价对话框中设置随机点的色彩 Accuracy Assessment对话框：

1、菜单条View →Change Colors菜单项，打开Change color面板

2、在Points with no Reference确定没有真实参考值的点的颜色 3、在Points with Reference确定有真实参考值的点的颜色 4、OK（执行参数设置），返回Accuracy Assessment对话框

第六步：产生随机点

本步操作将在分类图像中产生一些随机的点，随机点产生之后，需要用户给出随机点的实际类别。然后，随机点的实际类别与在分类图像的类别将进行比较。

Accuracy Assessment对话框：

1、Edit →Create/Add Random Points 2、打开Add Random Points对话框

3、在search Count中输入1024

4、在Number of Points中输入20

5、在Distribution Parameters选择Random单选框 6、OK（按照参数设置产主随机点），返回Accuracy Assessment对话框

可以看到在Accuracy Assessment对话框的数据表中出现了10个比较点，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。

说明：在Add Random Point对话框中， search Count是指确定随机点过程中使用的最多分析像元数，当然这个数目一般都比Number of Point大很多，Number of Points设为20说明是产生20个随机点，如果是做一个正式的分类评价，必须产生20个以上的随机点。选择Random意味着将产主绝对随机的点位，而不使用任何强制性规则。Equalized Random是指每个类将具有同等数目的比较点。stratified Random是指点数与类别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择Use Minimum Points）,以保证小类别也有足够的分析点。

第七步：显示随机点及其类别

Accuracy Assessment对话框：

1、View./Show All(所有随机点均以第五步所设置的颜色显示在视窗中) 2、Edit→Show Class Values（各点的类别号出现在数据表的class字段中）

第八步：输入参考点的实际类别值 Accuracy Assessment对话框：

1、在数据表的Reference字段输入各个随机点的实际类别值（只要输入参考点的实际分类值，它在视窗中的色彩就变为第五步设置的Point With Reference颜色）

第九步：设置分类评价报告输出环境及输出分类评价报告 Accuracy Assessment对话框：

1、Report/Options，通过点击确定分类评价报告的参数 2、Report/Accuracy Report（产生分类精度报告）

3、Report/Cell Report（报告有关产生随机点的设置及窗口环境），所有报告将显示在ERDAS文本编辑器窗口，可以保存为本文件

4、File/Save Table（保存分类精度评价数据表） 5、File/close （关闭Accuracy Assessment对话框）

通过对分类的评价，如果对分类精度满意，保存结果。如果不满意，可以进一步做有关的修改，如修改分类模板等，或应用其它功能进行调整。

四、实验成果

监督分类图 评价分类结果图