ERMapper操作手册_分类

1、第十三章第十三章、非监督分类非监督分类非监督分类在基本类别上定义一些参数 ， 像分类数目， 标准偏差， 等等。 并要求软件聚集相似光谱讯号的像素并分类为你想要分类的类别的数目。 它对 你不知道或者不曾到过地区的处女地区的数据是好的。虽然不是必需， 你能显示一个RGB(SWIR ， NIR ， VisBlue) 图像， RGB741 得到一个植被， 水和 裸地地区分布的 TM 。 在运行非监督分类之前你需要计算数据集的统计。在运行非监督分类之后，每个类别被指定给一个整数数目， 举例来说，类别 1 将会被指定 (DN)1 ,类别号2对DN 2,类别3对DN 3 ,类别n分配DN n。那些类别显示在

2、非监督分类图像上，一个类别被指定一种颜色。在这一练习中使用$ERMAPPER/examples/Shared_Data 目录 Landsat_TM_year_1985. ers 。1. 产生一个干净的数据2. 计算数据集的统计数值3. 显示 RGB741 颜色组合4. 实行非监督分类5. 分配颜色到 classses6. 在一个类别显示层中显示非监督图像1. 产生一个干净的数据( 在做练习之前关闭所有的图像窗口 )1. 复制 $ERMAPPER/examples/Shared_Data 目录 Landsat_TM_year_1985. ers 到 $ERMAPPER/examples/Misc

3、ellaneous/Tutorial 目录。 （这一步是为什么？ ）2.在一个文字编辑器中（例如 WordPad ）显示在 Tutorial 目录中数据集 Landsat_TM_year_1985. ers 的头文件 ， 并删除下列行。从 ->RegionInfo 开始 直到 ->RegionInfo 结束，删除他们，然后保存 .产生没有任何区域信息的数据集头文件的一个新的数据集 。？2. 计算数据集的统计数值 （没成功？）1. 在主菜单窗口中选择Process->Calculate Statitics 选项。2. 出现 Calculate Statitics 对话框。 载入

4、 Landsat_TM_year_1985. ers 数据集。对于次采样间隔 输入 1 ， 每个像素的类型将会被考虑 。点击 ok 按钮并计算数据集的统计数值。3. 显示 RGB741 颜色组合1 .主菜单窗口中点击打开按钮2 .在打开对话框中选择 Tutorial 目录的Landsat_TM_year_1985. ers 。双击或者ok,并显示RGB321图像。3 . 改变波段从321 到 7414 . 点击 99% 增强按钮，并提高图像。5 .你有一个RGB741颜色组合，红色（TM7=SWIR显示粘土， 绿色（TM4=NIR）显示植被，（TM1= Vis蓝色的）显示金属土壤View Mo

5、de: NormalTDescription: |RGB741臼一凝RGB: RGB 321Surface Layer |Tg B72 21 Sum)L日nd辐t_TM_?e都9B5. ers工网口硝um)* |B1：CL4B5_umBl(0.485um)4.实行非监督分类1 .在主菜单窗口点击 Process->Classification->ISOCLASS Unsupervised Classification2 .在非监督分类对话框中选择 Tutorial目录的Landsat_TM_year_1985. ers 。选择波段1-5和7 Landsat_TM_year_1985

6、_10 classes.ers ,其他参数为默认值。3 .点击飞k永钮而动正监督分类。定义输出文件名为,重复将会退出。4 .它将会处理并聚集与10个类别类似的光谱讯号。 一旦98%的所有输入波段被考虑，确保10类"Un$u per vised ElsificalionInput Dalaset| e«amplesM i$cellaneou$T utorialLandsat_TM_year_1966. e($Bands to use:|l 57Output Dataset:piscellaneousM utorialLandsal_T M_ear_19S5_10classes

7、.ers2 tai ting Classiclasses)» 1彦CancelStatus.Help-ini xup口口口十Maximum iterations:99999Maximum number of classes:10Desired percent unchanged:5MirinKim members in a class (玄)二0.01-Sampling row interval:rMaximum standard deviation:4.5Sampling column interval:pSplit sepat5lion vakie:0.0P.Auto Resam

8、plingMin. >distance between dass means:3.2-C* Autogenerate: 1C Use classes:5 .分配颜色到classses1 .在主菜单窗口点击 Edit->Edit Class/Region Color and Name.2 .在 Edit Class/Region Details对话框选择 Landsat_TM_year_1985_10 classes.ers 。10 个类别将会被显示，分配不同颜色。点击Set color按钮，分配颜色到每个类别。点击保存按钮把10个类别的颜色保存。8 / 156.在一个类别显示层中显

9、示非监督图像1 .在主菜单窗口点击New按钮，显示一个新的窗口。2 .点击打开按钮并显示 Landsat_TM_year_1985_10 classes.ers数据集。3 .调用Algorithim 窗口并改变层类型为分类显示。4 .显示10个类别的分类图像。tiorr UnsuperyiEed 10 classes拿3Pseudocolor Class Display Laper#注意:Surface Layer |Landsat_TM_ye.ar_1985_1 Oclassej.ers原 iBtClafied £|-在非监督分类方面，显示一个图像(如 RGB741) 不是必需的。

10、你能跳过这一个步骤并执行非监督分类- 当你显示分类图像时，需要使用类别显示层。- 当你知道表面覆盖类型的时候，键入一个名字定义类别。举例来说，定义类别 1 为水等等。- 你也能改变类别的颜色。- 在做每个变化后不要忘记把变化保存。第十四章监督分类对于监督分类，需要定义分类类别训练区，首先需要计算整个图像类别的训练区的统计值 。 在 ER Mapper 中， 基本上监督分类有三个类型(i) Parallelepiped ，(ii) Minimum Distance to Mean (iii) Maximum Likelihood 和其他一些子种类。 这一练习将使用 Maximum Likelih

11、ood 分类一个 TM 数据 (在 Tutorial 目录保存的 Landsat_TM_year_1985. ers) 。执行 Unspuervised 分类 (早先的)，并在Tutorial 目录中产生一个干净的 TM 数据 (Landsat_TM_year_1985. ers) 并把它保存 .在监督分类方面，显示一个图像是必需的， 举例来说 RGB(SWIR ， NIR ， VisBlue) TM 图像的 RGB741 ， 所以你得到一个植被， 水和 裸地地区在哪里的特点。 然后你需要定义训练地区。训练地区名字和颜色被定义到最终类别。 你需要在运行监督分类之前计算数据集( 由于训练地区)

12、的统计学。监督分类每个类别已经分配到一个整数数目 你也在一个类别显示层中显示监督图像。9/151 .显示RGB741颜色组合2 .定义训练地区类别3 .计算数据集的统计数值4 .运行监督分类5 .在一个类别显示层中显示监督分类图像（在做练习之前关闭所有的图像窗口 ）1 .显示RGB741颜色组合1,主菜单窗口中点击打开按钮。2 .在打开对话框中选择Tutorial 目录的Landsat_TM_year_1985. ers3 .改变波段从321到7414 .点击99%增强按钮并提高图像。双击或者ok并显示RGB321图像r AlgorithmView Mods:Description: |RGB

13、741±凶9至:J Surface Laver I5 .你有一个RGB741颜色组合，红色（TM7=SWIR显示粘土， 绿色（TM4=NIR）显示植被，（TM1= Vis蓝色的）显示金属土壤BRGB: RGB 321B7f2 21 Sum)L+n设LTMemr_1935 ersY B40,83um)壶: |B1：CL4E5_um6 .定义训练地区类别1 .主菜单窗口中点击 Annotate Vector Layer 按钮。2 .在 New Map Composition 对话框中选择 Raster Region ,点击 ok。3 .在工具对话框中双击Polygon按钮。4 .定义水体

14、训练地区：在Line Style 对话框中为第一个训练地区（水）选择一种颜色。为水选择蓝色。放你的光标在黑暗的地区（水），并点一下鼠标左键，定义水训练地区。当水是均质时，能定义大的训练地区。在最后的点上双击鼠标左键并关闭多边形。在工具对话框上，已经定义你的水训练地区，点击AB时钮，调用Map Composition Attribute对话框。把你的光标放在窗口（大的电文回答地区）的较低部份并输入water （水）并点击应用按钮。名字water（水）将会被附到区域（训练地区）中。10 / 155.定义草地训练地区-在工具对话框中双击:使用缩放光标，缩放进入绿色的草地，公园地区Polygon按钮，

15、并选择红色，以便你能见到该多边形-定义训练地区2（在公园的每一边）-使用箭光标选择那两个训练地区，并在两个训练区周围画一个方格。-点击 ABC 按钮，调用 Map Composition Attribute 对话框-把你的光标放在窗口较低部份，并输入grass,点击Apply All按钮。.（之后改变到绿色）被选择的图形每个节点高亮显示名字（grass）被附到两个草地训练地区。Apply All6 .定义其他类另J训练地区：森林（暗绿色地区），都市（紫色地区），裸地（白色地区），撒沙（粉红地区）.7 .在定义训练区之后，在工具对话框上点击Save File,在数据集的头文件中把训练地区保存。A

16、dding new region: "water"Adding new region : "grass"Adding a sub-region to region: J,grass"Adding new region : 'Torest"Adding a sub-region to region: "forest" Adding a sub-region to region: "forest11 Adding a sub-region to region: “forest" Adding

17、 a sub-region to region: "forest" Adding a sub-region to region: "forest" Adding a sub-region to region: forest11 Adding new region : nurban"Adding new region : "bareground"Adding a sub-region to region： "baregrountf Adding a sub-region to region: "baregr

18、ound1 Adding a sub-region to region: "bareground( Adding new region : "sand"Adding a sub-region to region: "sand" Adding a sub-region to region: "sand" Addina a sub-reaion to region: °sandM3.计算数据集的统计数值1 .选择主菜单窗 口 Process->Calculate Statitics选项2 .出现 Calculat

19、e Statitics对话框.载入 Landsat_TM_year_1985.ers 数据集，Subsampling interval 键入：1 ,每个像素中将会被考虑。选才F Force recalculate stats 选项，点击OK5钮并计算数据集的统计数值。12 /154.执行监督分类1 . 在主菜单窗口中,点击 Process->Classification->Supervised Classification.在相同的目录中把它保存为2 .在监督分类对话框上选择 Tutorial 目录的Landsat_TM_year_1985. ers 。选择波段1-5和7 Land

20、sat_TM_year_1985_ supervised_classes.ers 。3 .Equal Prior Probability 画勾号，类别被在监督分类对tS框上点击Setup按钮，调用 Supervised Classification Setup对话框。你将会注意你的训练区信息被显示，假定有相等的范围。概略估计，假设森林只有8%,然后因为Bayesian Prior Probability在0.08 ,其他类别将再次被调整"Supervised 口白喻Gel up-IDl x|Classification Type Mdsmurn Likelihood Enhanced

21、Equd Prior Probability;T ICloseAdd New.Qelete |HelpLand$dt_TM_year_1985.er4Mrd018400Land5aLT995er$baregruund018400Landsa(_T M_year_1985. bisurban0.18400Landsat_TM_jeo(J 995er5曲est0.08000Landsat_T905. ersgrass0.18400Landsat_TM_year_1985. erswater0.18400Training Area Information:DatasetClasc/RegionB 即