最大似然法分析.ppt

实习三 监督分类——最大似然法分类;一、实习目的;二、实习内容;三、实习数据;四、实习步骤与过程;1、定义分类模板（Define Signature Using signature Editor）;第三步：获取分类模板信息 应用AOI绘图工具，在原始图像或特征空间图像中获取分类模板信息 在显示有germtm.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 →在视窗中选择绿色区域（农田），绘制一个多边形AOI ;→在Signature Editr对话框，点击 图标，将多边形AOI区域加载到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绿色区域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（如果必要也可以删除）。;在图像窗口中，绘制多个黑色区域（水体），依次加入到Signature Editor分类属性表中，并执行合并生成综合的水体分类模板，然后确定分类模板名称和颜色 按照同样方法，绘制蓝色区域（建筑）、红色区域（林地）、深蓝区域（裸地——河中心沙滩）等，加载、合并、命名，建立新的模板;第四步：保存分类模板 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（Sig文件） →点击OK按钮 ;2.执行监督分类(Perform Supervised Classification) ;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）： germtm.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 ;3.评价分类结果(Evaluate classification);分类精度评估;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 ;第三步