-
监督分类（
Supervised
Classification
）
监
督分类比非监督分类更多地要用户来控制，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于其他信息可以断定其
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
分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
1
．
建立模板（训练样本、定义分类模板
Define
Signatures
）
ERDAS
IMAGINE
的监督分类是基于分类模板（
< br>Classification
Signature
）
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
（
Signature
Editor
）来负责的。
在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。
第一步：显示需要分类的图像
在视窗
Viewer
中显示图像
第二步：打开分类模板编辑器（两种方式）
①
ERDAS
图标面板菜单条：
Main
?
Image
Classification
?
Classificat
ion
菜
单
?
Signature
Editor
菜单项
?
Signature Editor
对话框
1
②
ERDAS
图标面板工具条：点击
Classifier
图标
?
Classification
菜单
?
Signature
Editor
菜单项
?
Signature Editor
对话框
从上图中可以看到分类模板编辑器
由菜单条、工具条和分类模板属性表
（
CellArray
）三大部分组成。
第三步：调整分类属性字段
Signature
Editor
对话框中的分类属性表中有很多字段，
分类名称（将带入分类图像）
分类颜色（将带入分类图像）
分类代码（只能用正整数）
分类过程中的判断顺序
分类样区中的像元个数
分类可能性权重（用于分类判断）
不同字段对于建立分类模板的作用或意
义是不同的，为了突出作用比较大的字
段，需要进行必要的调整。
Signature
Editor
对话框菜单条：
View
?
Col
umns
?
View
Signature
Columns
对话框
?
点击第一个字段的
Colum
ns
列并向下拖鼠标直到最后一个字段，此时，所有字段都被选上了，并用黄
色标识出来。
?
按住
Sh
ift
键的同时分别点击
Red
、
Green
、
Blue
三个字段前的数字
2
码，目的
是将这三个字段从选择集中清除掉
?
点击
Apply
按钮，分类属性表中显示
的字段发生变化
?
点击
Close
按钮
，关闭
View Signature
Columns
对话框。
第四步：获取分类模板信息
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。下面主要介绍应用
AOI
绘图工具在原
始图像中获取分类模板信息。
在显示
图像的视窗的菜单条上点击
AOI
，在其下拉菜单上点击
Tools
，
< br>由此打开感兴趣区域工具条（即
AOI
?
Tools
?
打开
AOI
工具面板）
下面的操作将在
AOI
工具面板、
图像视窗、
Signature
Editor
对话框三者之间交替进行。
?
在
AOI
工具面板上点击
图标，进入多边形<
/p>
AOI
绘
制状态。
?
在图像视窗中选择深红色区域（林地）
< br>，绘制一个多边
形
AOI
，双击
结束
?
在
Signature
Editor
对话框中，点击
Create
New
Signature
图标
，将多边形
AOI
区域加载到
Signature
Editor
分类模板属性表
中
?
在图像视窗中选择另一个深红色区
域，
再绘制一个多边形
AOI
?
同样在
Signature Editor
对
话框中，
点击
Create
New
Signature
图标
，将多边形<
/p>
AOI
区域加载
到
Signature Editor
分类模板属性表中
?
重复上述两步操作过程，选择图像中你认为属性相同的多个深红色
区域绘制
若干多边形
AOI
，并将其作
为模板依次加入到
Signature
Editor
分类模板属性表中
?<
/p>
按下
Shift
键，
同时在
Signature Editor
分类模板属性表
中依次点击选择
Class#
字段下面的分类编号，将上面加入
的多个深红色区域
AOI
模板全部选定
?
在
Signature
Editor
工具条上点击
Merge Signature<
/p>
图标
（合并所选择的一
组分类模板）
，将多个深红色区域
AOI
模板合并，生成
一个综合的新模板，其中包
含了合并前的所有模板像元属性。
3
?
在
Signature Edito
r
菜单条，点击
Edit
?
Delete
，删除合并前的多个模板。
?
在
Signature Edito
r
属性表中，改变合并生成的分类模板的属性：包括分类名
称<
/p>
Signature
Name
与颜色
Color
?
重复上述所有操作过程，根据实地调查结果和已有研究成果，在图像
视窗选
择绘制多个黑色区域
AOI
（河
湖水体）
，
依次加载到
Signatu
re Editor
分类模板属性表
中，并执行合并生成综合的
河湖水体分类模板，然后确定分类模板名称和颜色。
4
?<
/p>
同样重复上述所有操作过程，
绘制多个青色区域
< br>AOI
（长江水）
、
多个高亮区
域
AOI
（新城镇建设用地）
、老城区建设用地、农田等……，加载、合并、命名，建
立新的模板。<
/p>
注意：
各类别的名称确定后，
可以更改其类别代码
（
Value
）
，
用简单的
1
、
2
、
3
……
来标识。
?
如果已对所有的类型都建立了分类模板，则进入第五步，保存分类模板。
第五步：保存分类模板
现在将分类模板保存起来，以便随后依据分类模板进行监督分类。
?
Signature Editor
对话框菜单条
?
File
?
Save
?
打开
Save
Signature File As
对话
框
< br>?
确定是保存所有模板
（
All
）或只保存被选中的模板（
Selected
< br>）
?
确定保存分类
模板文件的目
录和文件名（
*.sig
）如
?
OK
2
．
评价模板（评价分类模板
Evaluate
Signatures
）
在对遥感影
像做全面分类之前，我们对所选的训练区样本是否典型以及由训练
区样本所建立起来的判
别函数是否有效等问题并无足够的把握。因此，通常在全面
分类之前，先仅用训练区中的
样本数据进行试分类，即分类模板的评价。这里我们
以可能性矩阵评价工具来做说明。它
主要是分析
AOI
训练区的像元是否完全落在相
应的类别中。
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。
在
Signature
Editor
对话框：
?
在
Signature
Editor
分类模板属性表中选择所有类别
?
Evaluation
?
Continge
ncy
?
打开
Contingency
Matrix
对话框
?
选择非参数规则（
Non-
Parametric
Rule
）
：
Feature
Space
?
选择叠加规则（
Overlay
Rule
）
：
Parametric
Rule
?
选择未分类规则（
Unclassified
Rule
）
：
Parametric
Rule
?
选择参数规则（
Parametric
Rule
）
：
Maximum
Likelihood
（最大似然法）
?
选择像元总数或者像元百分数作为评价输出统计：
Pixel
Counts
；
Pixel
Percentages
?
OK
（关
闭
Contingency
Matrix
对话框，计算分类误差矩阵）
5
?
打开<
/p>
IMAGINE
文本编辑器（
Text
Editor
）
，显示分类误差矩阵
从分类误差总体的百分比来说，如果误差矩阵值小于
85%
，则分类模板的精度
太低，需要重新建立
。
3
．
确定初步分类结果（执行监督分类
Perform
Supervised Classification
）
<
/p>
监督分类实质就是依据所建立的分类模板、在一定的分类决策规则条件下，对
图像像元进行聚类判断的过程。用于分类决策的规则即各种分类判别函数。选择判
别函数及其相应的准则后，就可执行计算机自动分类了。
①
ERDAS
图标面板菜单条：
Mai
n
?
Image Classification
?
Classification
菜单
?
Supervised Classification
菜单项
?
Supervised
Classification
对话框
或者②
ERDAS
图标面板工具条：点击
Classifier
图标
?
Classification
菜单
?
6
在
Supervised
Classification
对话框中，需要确定下列参数
?
确定输入原始文件（
Input
Raster File
）
：
?
定义输出分类文件（
Classified
File
）
：
?
确定分类模板文件（
Input
Signature File
）
：
?
选择输出分类距离文件：
Dista
nce File
（用于分类结果进行阈值处理）
?
定义分类距离文件（
Filename
）
：
?
选择非参数规则（
Non-
Parametric
Rule
）
：
Feature
Space
（特征空间）
?
选择叠加规则（
Overlay
Rule
）
：
Parametric
Rule
（参数规则）
?
选择未分类规则（
Unclassified
Rule
）
：
Parametric
Rule
?
选择参数规则（
Para
metric
Rule
）
：
Maximum
Likelihood
（最大似然法）
?
不选择
Classify zero
s
（分类过程中是否包括
0
值）
?
OK
（关闭
Supervised
Classification
对话框，执行监督分类）
注意分类方法的选择：在监督分类过程中，用于分类决策的规则是多类型、多层次
的，如对非参数分类模板有特征空间、平行六面体（
Parallelep
iped
）等方法，对参
数分类模板有最大似然法
Maximum Likelihood
、
马氏距离
法
Mahalanobis
，
最小距离
法
Minimum Distance
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，非参数规则只
能应用于非参数型模板，而对于参数型模板，要使用参
数型规则。
7
4
．
检验分类结果（评价分类结果
Evaluate
Classification
）
进
行分类评价是对分类结果的验证。
ERDAS
系统提供了多种分
类评价方法，
包
括分类叠加、定义阈值、分类重编码、精度评估
等。
分类精度评估（
Accuracy
A
ssessment
）是将专题分类图像中的特定像元与已知
实
际类别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
实验地图
、航空像片或其它数据进行对比。
此次实验，
由于缺乏
影像成像时的实际资料或地面真值等信息，<
/p>
故以目
视判读分类前的原始图像的方式来获取实际类别信息。
在做分类精度评估前，一定要搞清楚分类方案，类别名称及其类别
代码等。可
以分类模板编辑器中打开先前保存的分类模板
。
第一步：打开分类前原始图像
在
Viewer
中打开分类前的原始图像
，以便进行精度评估。
第二步：打开精度评估对话框
在
ERDAS
图标面板工具条上点击
Clas
sifier
图标
?
Classification
菜单
?
选择
Accuracy
Assessment
菜单项
?
打开
Accuracy
Assessment
对话框
8
-
-
-
-
-
-
-
-
-
上一篇：常见不及物动词及搭配
下一篇：英语单词歌谣