classification-140
刘耀文的大沙雕
钟意阿满
envi 中几种分类方法的参数怎么设置？
classification
英[ˌklæsɪfɪ'keɪʃn]。
美[ˌklæsəfɪˈkeʃən]。
n. 分类;分级;类别;（动植物等的）分类学。
名词复数:classifications。
[例句]His classification system now numbers eight kinds of intelligence.。
现在他的分类系统将智力分为八个阶段。
抱起亚轩找小葵
遥感图像分类精度评价的基本步骤
envi 中几种分类方法的参数设置方法如下：
1、平行六面体
（1）在主菜单中，选择Classification->Supervised->Parallelpiped，在文件输入对话框中选择TM分类影像，单击OK按钮打开Parallelpiped参数设置面板。
（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Set Max stdev from Mean：设置标准差阈值，有三种类型：
l None：不设置标准差阈值；
l Single Value：为所有类别设置一个标准差阈值；
l Multiple Values：分别为每一个类别设置一个标准差阈值。
选择Single Value，值为3。
（4）单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（5）选择分类结果的输出路径及文件名。
（6）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（7）单击OK按钮执行分类。
2、最小距离
（1）在主菜单中，选择Classification->Supervised-> Minimum Distance，在文件输入对话框中选择TM分类影像，单击OK按钮打开Minimum Distance参数设置面板。
（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Set Max stdev from Mean：设置标准差阈值，有三种类型：
l None：不设置标准差阈值；
l Single Value：为所有类别设置一个标准差阈值；
l Multiple Values：分别为每一个类别设置一个标准差阈值。
选择Single Value，值为4。
（4）Set Max Distance Error：设置最大距离误差，以DN值方式输入一个值，距离大于该值的像元不被分入该类（如果不满足所有类别的最大距离误差，它们就不会被归为未分类类(unclassified)）。也有三种类型，这里选择None。
（5）单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（6）选择分类结果的输出路径及文件名。
（7）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（8）单击OK按钮执行分类。
3、马氏距离
（1）在主菜单中，选择Classification->Supervised-> Mahalanobis Distance，在文件输入对话框中选择TM分类影像。单击OK按钮打开Mahalanobis Distance参数设置面板。
（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Set Max Distance Error：设置最大距离误差，以DN值方式输入一个值，距离大于该值的像元不被分入该类（如果不满足所有类别的最大距离误差，它们就不会被归为未分类类(unclassified)）。也有三种类型，这里选择None。
（4）单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（5）选择分类结果的输出路径及文件名。
（6）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（7）单击OK按钮执行分类。
4. 最大似然
（1）在主菜单中，选择Classification->Supervised-> Likelihood Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Likelihood Classification参数设置面板。
（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Set Probability Threshold：设置似然度的阈值。如果选择Single Value，则在“Probability Threshold”文本框中，输入一个0到1之间的值，似然度小于该阈值不被分入该类。这里选择None。
（4）Data Scale Factor：输入一个数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000之间，则设定的比例系数就为10000。对于没有定标的整型数据，也就是原始DN值，将比例系数设为2n-1，n为数据的比特数，例如：对于8-bit数据，设定的比例系数为255，对于10-bit数据，设定的比例系数为1023，对于11-bit数据，设定的比例系数为2047。
（5）单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（6）选择分类结果的输出路径及文件名。
（7）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（8）单击OK按钮执行分类。
5. 神经网络
（1）在主菜单中，选择Classification->Supervised-> Neural Net Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Neural Net Classification参数设置面板。
（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Activation：选择活化函数。对数（Logistic）和双曲线（Hyperbolic）。
（4）Training Threshold Contribution：输入训练贡献阈值(0-1)。该参数决定了与活化节点级别相关的内部权重的贡献量。它用于调节节点内部权重的变化。训练算法交互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数设置为0不会调整节点的内部权重。适当调整节点的内部权重可以生成一幅较好的分类图像，但是如果设置的权重太大，对分类结果也会产生不良影响。
（5）Training Rate：设置权重调节速度（0~1）。参数值越大则使训练速度越快，但也增加摆动或者使训练结果不收敛。
（6）Training Momentum：输入一个0~1的值。该值大于0时，在“Training Rate”文本框中键入较大值不会引起摆动。该值越大，训练的步幅越大。该参数的作用是促使权重沿当前方向改变。
（7）Training RMS Exit Criteria：指定RMS误差为何值时，训练应该停止。RMS误差值在训练过程中将显示在图表中，当该值小于输入值时，即使还没有达到迭代次数，训练也会停止，然后开始进行分类。
（8）Number of Hidden Layers：键入所用隐藏层的数量。要进行线性分类，键入值为0。没有隐藏层，不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类，输入值应该大于或等于1，当输入的区域并非线性分离或需要两个超平面才能区分类别时，必须拥有至少一个隐藏层才能解决这个问题。两个隐藏层用于区分输入空间，空间中的不同要素不临近也不相连。
（9）Number of Training Iterations：输入用于训练的迭代次数。
（10）Min Output Activation Threshold：输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值，在输出的分类中，该像元将被归入未分类中（unclassified）。
（11）选择分类结果的输出路径及文件名。
（12）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（13）单击OK按钮执行分类。
6、支持向量机
（1）在主菜单中，选择Classification->Supervised-> Support Vector Machine Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Support Vector Machine Classification参数设置面板。
（2）Kernel Type下拉列表里选项有 Linear，Polynomial，Radial Basis Function，以及Sigmoid。
l 如果选择Polynomial，设置一个核心多项式（Degree of Kernel Polynomial）的次数用于SVM，最小值是1，最大值是6。
l 如果选择Polynomial or Sigmoid，使用向量机规则需要为Kernel指定 the Bias ，默认值是1。
l 如果选择是 Polynomial、Radial Basis Function、Sigmoid，需要设置Gamma in Kernel Function参数。这个值是一个大于零的浮点型数据。默认值是输入图像波段数的倒数。
（3）Penalty Parameter：这个值是一个大于零的浮点型数据。这个参数控制了样本错误与分类刚性延伸之间的平衡， 默认值是100。
（4）Pyramid Levels：设置分级处理等级，用于SVM训练和分类处理过程。如果这个值为0，将以原始分辨率处理；最大值随着图像的大小而改变，
（5）Pyramid Reclassification Threshold（0~1）：当Pyramid Levels值大于0时候需要设置这个重分类阈值。
（6）Classification Probability Threshold： 为分类设置概率域值，如果一个像素计算得到所有的规则概率小于该值，该像素将不被分类，范围是0~1，默认是0。
（7）选择分类结果的输出路径及文件名。
（8）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（9）单击OK按钮执行分类。
大圣杰锅是
实验十八 遥感图像非监督分类处理
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，实际工作中经常是将分类数据与地面真值、先前的试验舆图、航空相片或其它数据进行对比的途径之一。下面是具体的操纵过程：
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 。
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，实际工作中经常是将分类数据与地面真值、先前的试验舆图、航空相片或其它数据进行对比的途径之一。下面是具体的操纵过程：
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进的。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（封闭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。
（或菜单条：选择View 菜单的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 。
→在Points with no Reference确定没有真实参考值的点的颜色。
详细请看http://wenku.baidu.com/link?url=aK0IJWrT091HTkpUWbNXuYHDSlHvtq5IAPUPv2J-E4xiTjy-rvKpLzv9rnOToOxp_7_hf-Sg1W8x0MTQK7MN73nej4EFOFqbkok1BD3Yybq。
小韩在追星
分类用英语怎么说
一、实验目的
通过使用ENVI的两种遥感非监督分类器——IsoData非监督分类和K-Means非监督分类命令，加深对遥感非监督分类原理和对地质应用的理解，了解其技术实现过程，初步掌握其ENVI功能命令的基本使用操作。
二、实验内容
①桂林市TM 遥感影像数据IsoData非监督分类；②桂林市TM 遥感影像数据KMeans非监督分类；③IsoData非监督分类与K-Means非监督分类效果比较分析。
三、实验要求
（①预习ISODATA和K-Means两种算法原理；②掌握ISODATA和K-Means分类处理的基本操作；③对两种分类结果进行比较分析；④编写实验报告。
四、技术条件
①微型计算机；②桂林市TM 遥感影像数据；③ENVI软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。
五、实验步骤
非监督分类是根据图像数据的本身统计特征及点群的情况，从纯统计学的角度对图像数据进行类别划分。非监督分类不需要事先给定类别，由图像数据的统计特征来决定，即同类地物在相同的成像条件下具有相同或相近的光谱特征（如DN 值），归属于同一个光谱空间区域；不同地物由于光谱信息特征不同，归属于不同的光谱空间区域。
非监督分类一般可分为四个步骤：执行非监督分类、类别定义、合并子类和评价结果。
（一）执行非监督分类
ENVI有ISODATA和K-Means两种非监督分类方法。
1.ISODATA非监督分类
ISODATA（iterative self-organizing data analysis technique）属于聚类分析方法。是按照像元之间的联系程度（亲疏程度）来进行归类的一种多元统计分析方法。ISODATA非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。具体操作步骤如下：
在ENVI主菜单栏中选择“Classification>Unsupervised>ISODATA”，在“Classificatoin Input File”对话框中选择待分类遥感影像，打开“ISODATA Parameters”对话框，如图18-1所示。
图18-1 ISODATA参数对话框。
对图18-1中的参数进行如下说明：
（1） Number of Classes：类数范围（最小值和最大值），一般输入最小数量不能小于最终分类数量，最大数量为最终分类数量的2～3倍。
（2） Maximum Iterations：最大迭代次数值，迭代次数越大，得到的结果越精确。
（3） Change Threshold%（0～100）：变化阈值（0～100%），当每一类的变换像元数小于阈值时，结束迭代过程，该值越小得到的结果越精确。
（4） Minimum #Pixel in Class：形成一类需要的最少像元数，如果某一类中的像元数少于最少像元数，该类将被删除，其中的像元被归并到距离最近的类中。
（5） Maximum Class Stdv：最大分类标准差，以像素值为单位，如果某一类的标准差比该阈值大，该类将被拆分成两类。
（6） Minimum Class Distance：类均值之间的最小距离，如果类均值之间的距离小于输入的最小值，则这一类就会被合并。
（7） Maximum #Merge Pairs：合并成对的最大数。
（8）Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项，筛选小于这个标准差的像元参与分类。
（9） Maximum Distance Error：允许的最大距离误差，为可选项，筛选小于这个最大距离误差的像元参与分类。
（10）选择输出路径及文件名，单击【OK】按钮，执行ISODATA非监督分类。
2.K-Means非监督分类
K-Means算法接受输入量K；然后将n个数据对象划分为K个聚类以便使所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。具体操作步骤如下：
在ENVI主菜单栏中选择“Classification>Unsupervised>K-Means”，在“Classification Input File”对话框中选择待分类遥感影像，打开“K-Means Parameters”对话框，如图18-2所示。
图18-2 K-Means分类器参数设置对话框。
（1） Number of Classes：分类数量，一般输入为最终分类数量的2～3倍。
（2） Maximum Iterations：最大迭代次数值，迭代次数越大，得到的结果越精确。
（3） Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项，筛选小于这个标准差的像元参与分类。
（4） Maximum Distance Error：允许的最大距离误差，为可选项，筛选小于这个最大距离误差的像元参与分类。
（5）选择输出路径及文件名，单击【OK】按钮，执行K-Means非监督分类。
（二）定义类别与子类合并
执行非监督分类后，得到的只是一个初步的分类结果，需要进行类别定义域合并子类的操作。
1.类别定义
类别定义的根据可以通过更高分辨率图像上目视解译获得，也可以通过野外实地调查获得。
（1）打开分类图像即灌阳地区QuickBird遥感数据，并使之显示在“Display”中。
（2）在分类图像的主窗口中，选择“Overlay>Classification”，在“Interactive Class Tool Input File”对话框中选择非监督分类结果，单击【OK】按钮打开“Interactive Class Tool”对话框，如图18-3所示。
图18-3 交互式分类工具对话框。
（3）在“Interactive Class Tool”对话框中，勾选类别前面的“On”选择框，就能将此类结果叠加显示在“Display”分类图像窗口上，识别此分类类别。
（4）在“Interactive Class Tool”对话框中，选择“Options>Edit Class Colors/Names”，打开“Class Color Map Editing”对话框，如图18-4所示。
在“Class Color Map Editnig”对话框中，选择对应的类别，在“Class Name”中输入重新定义的类别名称，同时可以修改此类别显示的颜色，修改后点击【OK】按钮完成修改。
（5）重复步骤（3）～步骤（4），定义其他类别。
（6）完成各类别定义后，在“Interactive Class Tool”对话框中，选择“File>Save Change to File”，保存修改结果。
2.合并子类
在选择非监督分类类别数量时，一般选择为最终分类数量的2～3倍，因此在定义类别之后，需要将相同类别合并。
（1）在 ENVI 主菜单栏中，选择“Classification > Post Classification > Combine Classes”，在“Combine Classes Input File”对话框中选择定义好的分类结果，单击【OK】按钮打开“Combine Classes Parameters”对话框（图18-5）。
图18-4 编辑分类名称和颜色对话框。
图18-5 分类类别的合并对话框。
（2）在“Combine Classes Parameters”对话框中，从“Select Input Class”中选择合并的类别，从“Select Output Class”中选择并入的类别，单击【Add Combination】按钮添加到合并方案中，合并方案显示在“Combine Classes”列表中。
（3）合并方案确定后，点击【OK】按钮，打开“Combine Classes output”对话框，在“Remove Empty Classes”选项中选择“Yes”，将无用类移除。
（4）选择输出合并结果路径及文件夹名，点击【OK】按钮，执行合并子类。
（三）分类后处理和评价分类结果。
分类后处理和评价分类结果的方法同监督分类一样，可参考实验十七中的“遥感影像监督分类”。
完成遥感影像非监督分类后，分别利用ISODATA 和K-Means非监督分类方法对灌阳地区QuickBird遥感影像进行非监督分类处理，利用混淆矩阵对两种分类结果进行评价，得出总体分类精度和Kappa系数。比较两种分类结果，用W ORD文件记录，取名为《灌阳地区QuickBird遥感影像两种非监督分类方法分类结果评价》，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①根据实验操作步骤及各步骤之间的关系，分析两种非监督分类方法具有的共同特点。②通过目视解译定性比较两种非监督分类方法的效果。
实验报告格式见附录一。
小韩在追星
实验十七 遥感图像监督分类处理
分类的英语:classify ['klæsɪfaɪ]。
扩展资料
词性:vt. 分类；分等。
短语:
classify stamping 冲压工艺的分类。
to classify 划分
risk classify 风险分类。
classify secrets 确定密级。
Classify Parameters 参数分类。
Classify compare 分类比较法。
mercaptan classify 硫醇分类。
造句:
1.Classify them by branch, region, and year.。
将他们按照支行、地区和年分类。
2.This is true regardless of how we classify the service.。
不论我们如何分类服务，这一点都是不变的。
3.Men in the post office classify mail according to places it is to go.。
邮局里的人员将信件按寄送地点分类。
4.If we classify these users by project, then, from a project-by-project point of view, the defect database appears to be unique for each user and each project.。
如果我们按照项目来分类这些用户，那么从一个个项目的观点来看，缺陷数据库对每个用户和每个项目看起来都是唯一的。
5.After all, the effort to classify and categorise disorders of something as complex as the human mind—especially when that categorisation is done by committee—is unlikely to please everybody.。
毕竟，对精神障碍的分类和归类的工作就像人的思想那样复杂-尤其是当这些分类是委员会所做是-是不能够让每个人高兴的。