Erdas非监督聚类教程

1．图像分类简介（Introduction to classification）

图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。

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。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。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、统计分析。

监督分类比非监督分类更多地要求用户来控制，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、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。

专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。

由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification菜单中，而监督分类和专家分类命令

仅出现在Classification菜单中。

2 非监督分类（Unsupervised Classification）

ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。聚类过程始于任意聚类平均值或一个己有分类模板的平均值：聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。 ISODATA实用程序不断重复，直到最大的循环次数已达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。

2．1分类过程（classification ProcedUre ） 第一步：调出非监督分类对话框

调出非监督分类对话框的方法有以下两种：

方法一：在ERDAS图标面板工具条中，点击Dataprep图标

→ Data Preparation →unsupervised Classification →Unsupervised Classification对话框如下：

方法二： 在ERDAS图标面板工具条中点击Classifier图标

→

C1assification →Unsupervised Classification---→unsupervised classification对话框如下：

可以看到，两种方法调出的Unsupervised Classification对话框是有一些区别的。

第二步：进行非监督分类

在Unsupervised classification对话框中：

→确定输出文件（Input Raster File）:lazhoucity.img（要被分类的图像） →确定输出文件（Output File）:lz-isodat.img（即将产生的分类图像） →选择生成分类摸板文件： Output Signature Set（将产生一个模板文件）

→确定分类摸板文件（Filename ）： lz-isodat.sig

→对Clustering options选择Initialize from Statistics单选框 Initialize from Statistics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。Use Signature Means是基于选定的模板文件进行非监督分类，类别的数目由模板文件决定。

→确定初始分类数（Number of classes）： 18分出18个类别） 实际工作中一般将分类数取为最终分类数的2倍以上。

.点击Initializing options按钮可以调出Fi1e Statistics Options对话框以设置ISODATA的一些统计参数，

.点击Co1or Scheme Options按钮可以调出output color Scheme

Options对话框以决定输出的分类图像是彩色的还是黑白的。这两个设置项使用缺省值。

.定义最大循环次数（Maximum Iterations）： 24

最大循环次数（Maximum Iterations）是指ISODATA重新聚类的最多次数，这是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环。一般在应用中将循环次数都取6次以上。

→设置循环收敛阈值（Convergence Threshold）：0.95

收敛阈值（Convergence Threshold）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Unsupervised Classification对话框，执行非监督分类，获得一个初步的分类结果）

2.2 分类评价（Evaluate Classification ）

获得一个初步的分类结果以后，可以应用分类叠加（Classification over1ay）方法来评价检查分类精度。其方法如下：

第一步：显示原图像与分类图像

在视窗中同时显示lanzhoucity.img和lz-isodat.img：两个图像的叠加顺序为lanzhoucity.img在下、lz-isodat.img在上，lanzhoucity显示方式用红（4）、绿（5）、蓝（3 ）。

第二步：打开分类图像属性并调整字段显示顺序 在视窗工具条中：点击菜单）

→打开Raster工具面板

→点击RaSter工具面板的图标（或者在视窗菜单条：Rster---Attributes）

图标（或者选择Raster菜单项—--选择Tools

→打开Raster Attribute Editor对话框（lz-isodat.img的属性表）

属性表中的19个记录分别对应产生的18个类及Unclassified类，每个记录都有一系列的字段。如果想看到所有字段，需要用鼠标拖动浏览条，为了方便看到关心的重要字段，需要调整字段显示顺序。

Raster Attribute Editor对话框菜单条：Edit→Column Properties →column properties对话框

在Columns中选择要调整显示顺序的字段，通过Up、 Down、Top、Bottom等几个按钮调整其合适的位置，通过选择Display Width调整其显示宽度，通过Alignment调整其对齐方式。如果选择Editable复选框，则可以在Title中修改各个字段的名字及其它内容。

→在Column Properties对话框中调整字段顺序，最后使Histogram、opacity、 color、 class_names四个手段的显示顺序依次排在前面。

→点击OK按钮（关闭Column properties对话框）

→返回Raster Attribute Editor对话框（lz-isodat.img的属性表） 第三步：给各个类别赋相应的颜色（如果在分类时选择了彩色，这一步就可以省去）

Raster Attribute Editor对话框（lz-isodat.img的属性）： →点击一个类别的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） →As Is菜单 → 选择一种颜色

→重复以上步骤直到给所有类别赋予合适的颜色 第四步：不透明度设置

由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度（Opacity）值设为0（即改为透明），而要分析的类别的透明度设为1（即不透明）。

Raster Attribute Editor 对话框（lz-isodat.img的属性表）： →右键点击Opacity字段的名字

→Column Options菜单→Formula菜单项 →Formula对话框

→在Formula对话框的Formula输入框中（用鼠标点击右上数字区）输入0

→点击Apply按钮（应用设置）

→返回Raster Attribute Editor 对话框（lz-isodat.img的属性表）： →点击一个类别的ROW字段从而选择该类别 →点击该类别的Opacity字段从而进入输入状态 →在该类别的Opacity 字段中输入1，并按回车键

此时，在视窗中只有要分析类别的颜色显示在原图像的上面，其它类别都是透明的。

第五步：确定类别专题意义及其准确程度

视窗菜单条：Utility→flicker→viewer Flicker对话框→Auto Mode 本小步是设置分类图像在原图像修背景上闪烁，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，并分析其分类准确与否。

第六步：标注类别的名称和相应颜色

Raster Attribute Editor对话框（lz-isodat.img的属性表）： →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字段从而进入输入状态

→在该类别的Class Names字段中输入其专题意义（如居民区），并按回车键

→右键点击该类别的Color字段（颜色显示区） →As Is菜单→选择一种合适的颜色

重复以上4、5、6三步直到对所有类别都进行了分析与处理。注意，在进行分类叠加分析时，一次可以选择一个类别，也可以选择多个类别同时进行。

Erdas非督分类步骤一：分类模板定义

定义分类模板（Define Signature Using signature Editor） ERDAS IMAGINE的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。

第一步：显示需要进行分类的图像

在视窗中显示＜ERDASHOME＞＼execise\\ljxtm.img （ Red4／Grean5／B1ue3、选择Fit to Frame，其它使用缺省设置）。

第二步：打开模板编辑器并调整显示字段

ERDAS图标面板工具子，点击C1assifier目标 →Classification菜单 →Signature Editor菜单项 →Signature Editor对话框

从上图中可以看到有很多字段，有些字段对分类的意义下大，我们希望不显示这些这段，所以要进行如下调整：

Signature Edit对话框菜单条： View→Columns→view signature columns对话框

→点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。

→按住shift键的同时分别点击Red、 Green、 B1ue三个字段Red、Green、 Blue三个字段将从选择集中被清除。

→点击Apply按钮 →点击Close按钮

从View Signature Co1umns对话框可以看到Red、Green、Blue三个字段将不再显示。

Erdas非督分类步骤二：获取分类模板信息（一）

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。但在实际工作中也许只用一种方法就可以了。

（1）应用AOI绘图工具在原始图像获取分类模板信息

无论是在原图像还是在下面要讲的特征空间图像中，都是产主AOI区域来

作为分类模板信息的来源 。首先练习如何用AOI绘图工具获取分类模板信息。

在显示有ljxtm.img图像的视窗： →点击

图标（或者选择Raster菜单项→选择Tools菜单）

→打开Raster工具面板 →点击Raster工具面板的

图标

→在视窗中选择红色区域，绘制一个多边形AOI →在Signature Editr对话框，点击Signature分类模板中

→在Signature Editor中，改变刚才加入模板的Signature Name和Color。

→重复上述操作过程以多选择几个红色区域AOI,并将其作为新的模板加入到Signature Editor当中，同时确定各类的名字及颜色。

如果对同一个专题类型（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，原来的多个Signature 同时存在（如果

图标，将多边形AOI区域加载到

必要也可以删除）。

Erdas非督分类步骤二：AOI扩展工具获取分类模板信息

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。但在实际工作中也许只用一种方法就可以了。

（2）应用AOI扩展工具在原始图像获取分类模板信息

扩展生成AOI的起点是一个种子像元。与该像元相邻的像元被按照各种约束条件来考察，如空间距离、光谱距离等。如果被接受，则与原种子一起成为新

的种子像元组，并重新计算新的种子像元平均值（当然也可以设置为一直沿用原始种子的值〕。以后的相邻像元将以新的平均值来计算光谱距离。但空间距离一直是以最早的种子像元来计算的。

应用AOI扩展工具在原始图像获取分类模板信息，首先必须设置种子像元特性，过程如下：

在显示有ljxtm.img图像的视窗中： →AOI一Seed Properties菜单 →Region Growing Properties对话框

→在Neighborhood选择按四个相邻像元扩展，上、下、左、右四个像元与被点击像元是相邻的。而与被点击像元相邻。这里选择

。

表示被点击像元的表示其周围9个像元都

→在Geographic Constrains设置地理约束, Area确定每个AOI所包含的最多像元数（或者面积），而Distance确定AOI所包含像元距被点击像元的最大距离，这两个约束可以只设置一个，也可以设置两个或者一个也不设。在此处只设置面积约束为300个像元。

→在Spectral Euclidean Distance中设置波谱欧氏距离,本约束是指AOI可接受的像元值与种子像元平均值之间的最大光波欧氏距离（两个像元在各个波段数值之差的平方之和的二次根），大于该距离将不被接受。此处设置距离为：10

→点击Options按钮，打开Region Grow Options面板以确定一些扩展设置

Region Grow Options面板上有三个复选框。在种子扩展的过程中可能会

有些不符合条件的像元被符合条件的像元包围，选择Include Island Po1ygons使这些不符合条件像元,将以岛的形式被删除出来，如果不选择则全部作为AOI的一部分。Update Region Mean是指每一次扩展后是否重新计算种子的平均值，如果选择该复选框则重新计算，如果不选择则一直以原始种子的值为平均值。Buffer Region Boundary复选框是指对AOI产生缓冲区，该设置在选择AOI编辑DEM数据时比较有用，可以避免高程的突然变化。这里选择Include Island Polygons和Update Region Mean。

至此完成了种子扩展特性的设置，下面将使用种子扩展工具产生一个AO1。 在显示有ljxtm.img图像的视窗中： →在视窗工具条中点击→打开Raster工具面板 →点击Raster工具面板的→点击视窗中的绿色区域

图标

图标（或在视窗菜单条： Raster→Tools）

绿色区域对应的是耕地，AOI自动扩展将生成一个针对耕地的AO1。如果扩展AOI不符合需要。可以修改Region Growing Properties直到满意为止，注意在Region Growing Properties对话框中修改设置之后，直接点击Redo按钮就可重新对刚才点击的像元生成新的扩展AO1。

→在signature editor对话框，点击signature分类模板中

图标，将扩展AOI区域加载到

→在Signature Editor中，改变刚才加入模板的Signann1e的名字（Name ）和颜色（Color）。

→重复上述操作步骤，选择多AOI区域，并将其作为新的模板加入到Signature Editor中，同时确定各类别的名字及颜色。

Erdas非督分类步骤二：查询光标扩展方法获取分类模板信息

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。但在实际工作中也许只用一种方法就可以了。

应用查询光标扩展方法获取分类模板信息

该方法与AOI扩展工具法大同小异，只不过AOI扩展工具法是在选择扩展工具后，用点击

的方式在图像上确定种子像元，而本方法是要用查询光标

（Inquire Cursor）确定种子像元。种子扩展的设置与第AOI扩展工具法种方法完全相同。

在显示有ljxtm.img图像的视窗中点击： →Utility一Inquire Cursor

→在视窗中出现一个十字光标，十字交点可以准确定位一个像元的位置 →将十字光标标交点移动到种子像元上

→点击Region Growing Properties 对话框的Grow at Inquire按钮 →产生一个新的AOI

→在Signature Editor对话框，点击Signature分类模板中

图标，将AOI 区域加载到

第四步：保存分类模板

以上分别用不同方法产生了分类模板，下面将该模板保存起来。 在Signature Editor对话框菜单条： File→Save →打开Save Signature File As对话框

→确定是保存所有的模板还是只保存被选中的模板 →确定文件的目录和名字（Sjg文件） →点击OK按钮

Erdas非督分类步骤三：分类报警工具评价分类模板

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

当然，不同的评价方法各有不同的应用范围。例如不能用Separability工具对非参数化（由特征空间产生）分类模板进行评价，而且分类模板中至少应具有5个以上的类别。 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。具体使用过程如下：

在Signature Editor对话框：

→View →Image Alarm →打开Signature Alarm对话框 →选中Indicate Overlap

→点击Edit Parallelepiped Limits按钮 →Limits对话框 →点击SET按钮

→打开Set Parallelepiped Limits对话框

→设置计算方法（Method）:Minimum/Maximum →选择使用的模板（Signature）:Current →OK（关闭set Parallelepiped Limits对话框） →返回Limits对话框

→Close（关闭Limits对话框） →返回Signature Alarm对话框

→OK（执行报警评价，形成报警掩膜） →Close（关闭signature Alarm对话框）

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

视窗菜单条： View→Arrange Layers菜单 →打开Arrange Layers对话框 →右键点击Alarm Mask图层

→弹出Layer Options菜单→选择Delete Layer →Alarm Mask图层被删除

→App1y （应用图层删除操作） →提示verify Save on C1ose →N0 →Close （关闭Arrange Layers对话框）

Erdas非督分类步骤三：可能性矩阵评价分类模板

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

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。AOI训练样区的分类可应用下列几种分类原则：平于行六面体（Parallelepiped）、特征空间（Feature Space）、最大似然（Maximum Likelihood）、马氏距离（Mahalanobis Distance）。各种原

则详见Field Guide一书。

下面说明可能性矩阵评价工具的使用方法： 在Signature Editor对话框： →在signature Editor中选择所有类别 →菜单条：Evaluation →Contingency →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 Ru1e →选择参数规则（Parametric Rule）：Maximum Likelihood →选择像元总数作为评价输出统计：pixel Counts

→OK（关闭Contingency Matrix对话框，计算分类误差矩阵） 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：

从矩阵中可以看到在260个应该属于farm-1类别的像元中有6个属于了 farm_2，有234仍旧属于farm_1，属于其它类的数目为0，其实farm_1与 farm_2都是农用地，因此这个结果是令人满意的。从百分比来说，如果误差矩阵值小于85%，则模板需要重新建立。

Erdas非督分类步骤三：特征空间到图像掩模法评价分类模板

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 由特征空间模板产生图像掩膜

只有产生于特征空间Signature才可使用本工具，使用时可以基于一个或者多个特征空间模板。如果没有选择集，则当前处于活动状态（位于“>”符号旁

边）的模板将被使用。如果特征空间模板被定义为一个掩膜，则图像文件会对该掩膜下的像元作标记，这些像元在视窗中也将被显示表达出来（Highlighted）。因此可以直观地知道哪些像元将被分在特征空间模板所确定的类型之中。必须注意，在本工具使用过程中视窗中的图像必须与特征空间图像相对应。

下面是本工具的使用过程： signature Editor对话框。 →选择要分析的特征空间模板

→Feature→Masking→Feature Space to Image →打开FS to Image Masking对话框

→不选择Indicate overlay复选框（选择Indicate Over1ay复选框意味着“属于不只一个特征空间模板的像元”将用该复选框后边的颜色显示）

→Apply （应用参数设置，产主分类掩膜） →Close （关闭FS to Image Masking对话框） 模板对象图示

模板对象图示工具可以显示各个类别模板（无论是参数型辽是非参数型）的统计图，以便比较不同的类别，统计图以椭圆形式显示在特征空间图像中：每个椭园都是基于类别的平均值及其标准差。可以同时产主一个类别或多个类别的图形显示。如果没有在模板编辑器中选择类别。那么当前处于活动状态（位于“》”符号旁边）的类别就被应用，模板对象图示工具还可以同时显示两个波段类别均值、平行六面体和标识（Label）。由于是在特征空间图

像中绘画椭圆，所以特征空间图像必须处于打开状态。 Signature Editor对话框： →菜单条： Feature → Objects →打开Signature objects对话框 → 确定特征空间图像视窗（Viewer）: 2

→确定绘制分类统计椭圆：选择Plot Ellipses选框 →确定统计标准差（Std.dev.）4

→OK（执行模板对象图示，绘制分类椭圆）

显示特征空间图像的Viewr#2中显示出特征空间及所选类别的统计椭圆，这些椭圆的重叠程度，反映了类别的相似性。如果两个椭圆不重叠，说明它们代表相互的类型，正是分类所需要的。然而，重叠是肯定有的，因为几乎没有完全不同的类别。如果两个椭圆完全重叠或重叠较多，则这两个类别是相似的，对分类而言，这是不理想的。

Erdas非督分类步骤三：直方图法评价分类模板

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 直方图方法

直方图绘制工具通过分析类别的直方图对模板进行评价和比较，本功能可以同时对一个或多个类别制作直方图，如果处理对象是单个类别（选择Single Signature），那就是当前活动类别（位于“）”符号旁边的那个类别），如果是多个类别的直方图，那就是处于选择集中的类别。下面是操作过程：

在Signature Editor对话框： →选定某—或者某几个类别 →菜单条：View→Histograms

→打开Histograms Plot Control Panel对话框

→在Histograms Plot Control Panel对话框中，需要设置下列参数 →确定分类模板数量（Signature）：All Selected Signatures →确定分类波段数量（Bands）： All Bands →点击Plot按钮（绘制分类直方图）

Erdas非督分类步骤三：类别的分离性法评价分类模板

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 类别的分离性

类别的分离性工具用于计算任意类别间的统计距离，这个距离可以确定两个类别间的差异性程度，也可用于确定在分类中效果最好的数据层。类别间的统计距离是基于下列方法计算的：欧氏光谱距离、 Jeffries-Matusta距离、分类的分离度（Divergence ）。转换分高度（Transformed Divergence），类别的分离性工具可以同时对多个类别进行操作，如果没有选择任何类别，则它将对所有的类别进厅操作。

Signature Editor对话框： →选定某一或者某几个类别 →Evaluate一Separability

→打开Signature Separability对话框

→确定组合数据层数（Layers Per Combination）：3

Layers Per Combination是指本工具将基于几个数据层来计算类别间的距离，例如可以计算两个类别在综合考虑6个层时的距离，也可以计算它们在1、2两个层上的距离。

→选择计算距离的方法（Distance Measure）： Transformed Divergence

→确定输出数据格式（output Form）： ASCll

→确定统计结果报告方式（Report Type ）： Summaary Report 选择Summary Report，则计算结果只显示分离性最好的两个波段组合的情况，分别对应最小分离性和平均分离性最大：如果选择Complete Report，则计算结果不只显示分高性最好的两个波段组合，而且要显示所有波段组合的情况。

→0K（执行类别的分离性计算，并将结果显示在ERDAS文本编辑器视窗） →Close（关闭signature Separability 对话框）

在文本编辑器窗口，可以对报告结果进行分析，可以将结果保存在文本文件中。

Erdas非督分类步骤四：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：

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

或ERDAS图标面板工具条：点击Classifier图标→Classification菜单 →Supervised Classification 菜单项 →Supervised Classification 对话框

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）： ljxtm.img →定义输出分类文件（Classified File）： Classify.img →确定分类模板文件（Input Signature File）： Lz.sig

→选择输出分类距离文件：Distance File（用于分类结果进行阈值处理） →定义分类距离文件（Filename）：lz-distance.img →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 →不选择Classify zeros（分类过程中是否包括0值）

→OK （执行监督分类，关闭supervised Classification对话框） 说明：在Supervised Classification对话框中，还可以定义分类图的属性表项目：

→点击Attribute Options按钮 →打开Attribute Options对话框

通过Attribute Options对话框，可以确定模板的哪能些统计信息将被包括在输出的分类图像层中。这些统计值是基于各个层中模板对应的数据计算出来的，而不是基于被分类的整个图像。

→在Attribute Options对话框上作出选择 →OK（关闭Attribute Options对话框） →返回Supervised Classification对话框

Erdas非督分类步骤五：评价分类结果

执行了监督分类之后，需要对分类效果进行评价，ERDAS系统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，下面有侧重的进行介绍。

1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。

2分类重码

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。该功能的

3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→Classification菜单 →选择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

Accuracy Assessment 对话框菜单条：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 →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： →工具条：点击Select Viewer图标Select Viewer）

→将光标在显示有原始图像的视窗中点击一下 →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： →菜单条View →Change Colors菜单项 →打开Change color面板

（或菜单条：选择View 菜单的

→在Points with no Reference确定没有真实参考值的点的颜色 →在Points with Reference确定有真实参考值的点的颜色 →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： →Edit →Create/Add Random Points →打开Add Random Points对话框

→在search Count中输入1024 →在Number of Points中输入20

→在Distribution Parameters选择Random单选框 →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：显随机点及其类别 Accuracy Assessment对话框：

→View. →Show All(所有随机点均以第五步年设置的颜色显示在视窗中) →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：

→在数据表的Reference字段输入各个随机点的实际类别值（只不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： →Report →Options

→通过点击确定分类评价报告的参数

→Report→Accuracy Report（产生分类精度报告）

→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 →File→Save Table（保存分类精度评价数据表） →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。

Erdas非督分类步骤六：分类后处理

无论监督分类还是非监督分类，都是按照图像光谱特征进行聚类分析的，因此，都带有一定的盲目性。所以，对获得的分类结果需要再进行一些处理工作，才能得到最终相对理想的分类结果，这些处理操作就通称为分类后处理。

1聚类统计(Clump)

无论利用监督分类还是非监督分类，分类结果中都会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除。ERDAS系统中的 GIS分析命令Clump、Sieve、 Eliminate可以联

合完成小图斑的处理工作。

聚类统计(Clump)是通过地分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性；该图像是一个中间文件，用于进行下一步处理。

ERDAS 图标面板菜单条：Main→Image Interpreter→GIS Analysis →Clump→Clump对话框

或ERDAS图标面板工具条：点击Interpreter图标→GIS Analysis →Clump→Clump对话框

→Clump对话框中，需要确定下列参数： →确定输入文件（Input File）： classify.img →定义输出文件（Output File） classify_clump.img →文件坐标类型（Coordinate Type）： Map

→处理范围确定（Subset Definition）：ULX/Y, LRX/Y（缺省状态为整个图像范围，可以应用Inquire Box定义子区）

→确定聚类统计邻域大小（Connect Neighbors）:8（统计分析将对每个像元四周的8个相邻像元进行）

→OK （关闭Clump对话框，执行聚类统计分析） 2过滤分析（Sieve）

Sieve功能是对经Clump 处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。显然，这里引出了一个新的问题，就是小图斑的归属问题？可以与原分类图对比确定其新属性，也可以通过空间建模方法、调用Delerows或Zonel工具进行处理（详见空间建模联机帮助）。Sieve经常与Clump命令配合使用，对于无须考虑小图斑归属的应用问题，有很好的作用。

ERDAS图标面板菜单条：Main→lmage Interpreter→GIS Analysis →Sieve→sieve对话框

或ERDAS图标面板工具条：点击Interpreter图标→GIS Analysis →Sieve→sieve对话框

在Sieve对话框中，需确定下列参数：

→确定输入文件（Input File）： classify.img →定义输出文件（Output File）：classify_sieve.img →文件坐标类型 (Coordinate Type):Map

→处理范围确定 (Subset Definition):ULX/Y, LRX/Y (缺省状态为整个图像范围，可以应用Inquire Box定义子区)

→确定最小图斑大小（Minimum Size）：16 pixels →OK （关闭sieve对话框，执行过滤分析） 3去除分析（Eliminate）

去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小 Clump类组，与sieve命令不同，将删除的小图斑合并到相邻的最大的分类当中，而且，如果输入图像是 Clump聚类图像的话，经过Eliminate处理后，将小类图斑的属性值自动恢复为Clump处理前的原始分类编码。显然， Eliminate 处理后的输出图像是简化了的分类图像。

ERDAS图标面板菜单条：Main→Image Interpreter→GIS Analysis →Eliminate →Eliminate对话框

或ERDAS 图标面板工具条：点击Interpreter 图标→GIS Analysis →Eliminate →Eliminate对话框

在Eliminate对话框中，需要确定下列参数： →确定输入文件（Input File）：classify.img

→定义输出文件（Output File）：classify-Eliminate.img →文件坐标类型（Coordinate Type）：Map

→处理范围确定（Subset Definition）：ULX/Y, LRX/Y（缺省状态为整个图像范围，可以应用Inquire Box定义子区）

→确定最小图斑大小（Minimum）：16 pixels →确定输出数据类型（Output）：Unsigned 4 Bit →OK(关闭 Eliminate对话框，执行去除分析) 4分类重码（Recode）

作为分类后处理命令之一的分类重编码，主要是针对非监督分类而言的，由于非监督分类之前，用户对分类地区没有什么了解，所以在非监督分类过程中，一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过

ISODATA聚类获得分类方案后，首先是将专题分类图像与原始图像对照，判断每个分类的专题属性，然后对相近或类似的分类通过图像重编码进行合并，并定义分类名称和颜色。当然，分类重编码还可以用在很多其它方面，作用有所不同。

ERDAS 图标面板菜单条：Main→Image Interpreter→GIS Analysis →Recode→Recode对话框

或ERDAS 图标面板工具条：点击Interpreter图标→GIS Analysis →Recode →Recode对话框

在Recode对话框中，需要确定下列参数： →确定输入文件(Input File): classify.img

→定义输出文件(Output File): classify_recode.img

→设置新的分类编码(Setup Recode): 点击Setup Recode按钮 →打开Thematic Recode表格

→根据需要改变New value字段的取值（直接输入） →OK （关闭Thematic Recode表格，完成新编码输入） →确定输出数据类型（Output）：Unsigned 4Bit

→OK（关闭）Recode对话框，执行图像重编码，输出图像将按照New Value变换专题分类图像属性，产生新的专题分类图像）可以在视窗中打开重编码后的专题分类图像，查看起分类属性表：

窗菜单条：File→Open→Raster Layer→文件名（File Name）: classify_recode.img

视窗菜单条：Raster→Attributes→打开Raster Attrbute Editor属性表