采用ERDAS2015 软件对遥感影像进行非监督分类

最新推荐文章于 2025-02-21 15:16:20 发布
最新推荐文章于 2025-02-21 15:16:20 发布
阅读量1.1k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 遥感
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/soderayer/article/details/114917140

采用ERDAS2015 软件对遥感影像进行非监督分类，

  弹出警告信息:Covariance calculation requires stack processing but input layer isn’t suitable。

 

     打开计算结果如图： 

    非监督分类结果已经计算为单波段数据，但是每个波段颜色赋值是根据原图进行赋值的，所以影像显示特征和原图接近。

     虽然计算提示以上问题，但是对后期的分类判别和属性的修改并不影响。 

 

 

【遥感数字图像处理】实验：遥感影像分类（监督、非监督分类）完整流程（Erdas版）
「 刘一哥与GIS的故事」
03-17 9797
一．实验目的： 理解计算机图像分类的基本原理，掌握数字图像非监督分类以及监督分类的具体方法和过程，以及两种分类方法的区别。 二．实验平台：ERDAS IMAGINE 9.1 三．实验要求：掌握非监督分类；非监督分类结果评价；监督分类；监督分类结果评价；分类后处理。 四．实验步骤 1 非监督分类 2 监督分类
【Envi遥感图像处理】014：影像非监督分类
「 刘一哥与GIS的故事」
02-27 481
包括了ISODATA和K-Mean两种非监督分类方法。ISODATA是一种重复自组织数据分析技术，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进行迭代聚合，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。K-Means使用聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，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，然后迭代地重新配置他们，完成分类过程。非监督分类总体上一般可分为4个过程：执行非监督分类、类别定义、合并子类和评价分类结果。启动
erdas非监督分类
12-30
图像分类简介（Introduction to classification） 土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。
erdas中的非监督分类
05-12
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。
遥感影像非监督分类及其精度评估（基于ERDAS实现）
qq_52481939的博客
12-21 8310
遥感影像非监督分类及其精度评估（基于ERDAS实现） 非监督分类法 在没有先验类别(训练区) 作为样本的条件下,即事先不知道类别特征的情况下,仅依靠影像上不同类地物光谱信息（或纹理信息等）进行特征提取，再采用聚类分析方法，将所有样本划分为若干个类别.这一过程也称为聚类（Clustering）。 常用方法 K-均值法（K-means algorithm)非监督分类： 首先假设图像上的目标要分为C个类别，然后计算数据空间上均匀分布的初始类别均值，最后基于最小距离法进行迭代，把所有像元聚集到“距离最小”的类别中
如何使用Erdas进行非监督分类
01-02 4958
非监督分类运用ISODATA（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。这里使用水经注万能地图下载器下载的卫星地图通过Erdas
利用erdas的遥感图像非监督分类的操作步骤
08-19
利用erdas的遥感图像非监督分类的操作步骤。很详细的步骤，非常适合初学者！
ERDAS9.3软件下遥感影像精度评估步骤.doc
最新发布
04-27
ERDAS 9.3软件下进行遥感影像精度评估主要包括数据提取和赋值、非监督分类与重分类、精度评估三个主要环节。通过精确的分类和客观的评估指标，可以得到一张质量较高的遥感影像分类图，为进一步的地理信息应用提供...
【Erdas实验教程】010：监督分类及后处理、精度评价
「 刘一哥与GIS的故事」
02-21 559
遥感图像计算机分类的依据是遥感图像像素的相似度。相似度是两类模式之间的相似程度，在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。遥感图像的分类方法包括监督分类和非监督分类。从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对数字图像待分像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。监督分类的主要方法有：最小距离分类、最大斯然比分类、线性判别分类、平行管道分类等。
erdas监督分类
12-12
erdas监督分类
摄影测量：ERDAS正射纠正
陨落成河，越过沙丘
07-10 1375
书接上回，在生成DEM的基础上进行正射纠正是最理想的方式，我们在前面的DEM的基础上可以直接操作点击LPS界面的第十一个图标，就可以直接进行基于重采样的正射纠正的相关设置 设置的话一般主要修改正射纠正后的结果影像保存路径和正射纠正基于的DEM选取（就选择我们前一步生成的DEM效果就很好，当然，ERDAS自带有全世界30m的DEM，也可以选用） 生成界面有个进度条，进度条跑完就好了 当然，ERDAS自带的正射纠正远远不止这么简单，我们点击第十二个图标，可以进入正射纠正的更详细的操作界面，这里就涉及到更多精细
erdas2015几何校正模块在哪_erdas图像几何校正操作步骤指南
weixin_42134878的博客
02-06 2073
图像几何校正1、图像几何校正的途径ERDAS图标面板工具条：点击DataPrep图标，→Image Geometric Correction →打开Set Geo-Correction Input File对话框(图2-1)。图2-1 Set Geo-Correction Input File对话框在Set Geo-Correction Input File对话框(图2-1)中，需要确定校正图像，...
如何使用Erdas进行监督分类
01-02 7643
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。 　　步骤 　　第一步：下载卫星地图 　　打开水经注万能地图下载器，切换地图到谷歌地球，
【遥感数字图像处理】实验：遥感影像辐射纠正（大气纠正）完整操作图文教程（Erdas版）
「 刘一哥与GIS的故事」
03-15 3980
进入传感器的辐射强度反映在图像上就是亮度值（或灰度值）。辐射强度越大，亮度值就越大。该值主要受两个物理量的影响：一是太阳辐射照射到地面的辐射强度，二是地物的光谱反射率。当太阳辐射相同时，图像上亮度的差异直接反应了地面反射率的差异。但实际测量时，发现辐射强度值还受其他因素的影响，这一改变的部分就是需要校正的部分，故称辐射畸变。引起辐射畸变的原因有：（1）传感器本身的误差（2）大气对辐射的影响（3）地形对辐射的影响（地形校正） 本实验学习在Erdas软件重进行辐射纠正的完整操作流程。
erdas监督分类（一）
weixin_58968530的博客
04-30 2136
数据准备：从地理数据云下载图像，要限制云量条件（小于5%） 1.layer stack对数据进行数据整合，注意要按顺序，不然后续波段组合不好记。Landsat5的影像数据要选1-5+7，不选6（6波段有条带）。记得选取数据时是TIFF格式，输出是img格式的。 2.做监督分类要均匀选取，选择signature editor,建立分类模板，中grow生长算法，点击就自动识别一片，然后在分类模板中点击加号，则建立了一类，建立一类准确性较高的地物模板需要各地、各个光谱特征都取到，一般至少要建20类，这一.
ERDAS 2015 界面菜单目录介绍图
soderayer的博客
06-24 3668
主界面（Home） 1File菜单工具 2.数据管理
erdas遥感影像监督分类
04-21
### ERDAS 遥感影像监督分类方法 #### 1. 数据准备阶段 在进行监督分类前，需完成遥感影像的数据预处理工作。这通常包括影像配准、裁剪、掩膜提取等操作[^2]。这些步骤可以通过ArcGIS或其他地理信息系统软件完成。 #### 2. 定义训练样本区域 进入ERDAS Imagine软件后，在菜单栏选择`Classification -> Supervised Classification -> Training Samples Manager`工具。此工具用于定义和管理训练样本区域。用户可以在影像上手动绘制感兴趣区域（ROI），或者导入已有的矢量文件作为训练样本[^2]。 #### 3. 设置分类参数 在ERDAS中，监督分类的具体算法可以选择最大似然法（Maximum Likelihood）、最小距离法（Minimum Distance）或平行六面体法（Parallelepiped）。每种方法都有其适用场景，具体可根据研究需求调整。例如，对于高光谱数据，推荐使用最大似然法以获得更精确的结果[^2]。 #### 4. 执行监督分类 配置完成后，点击`Run`按钮运行监督分类过程。在此过程中，ERDAS会根据设定的算法和训练样本自动计算每个像元所属的地物类别，并生成最终的分类结果图层[^2]。 #### 5. 后处理与精度评价 监督分类结束后，可对结果进行进一步优化处理，比如去除噪声点、平滑边界等。此外，还需要借助混淆矩阵（Confusion Matrix）评估分类精度，确保满足实际应用的要求。 ```python import rasterio from sklearn.cluster import KMeans # 示例代码片段：虽然本问题是关于ERDAS的操作流程， # 下方提供Python实现K-Means非监督分类供对比参考。 with rasterio.open('input_image.tif') as src: img_data = src.read().transpose((1, 2, 0)).reshape(-1, src.count) kmeans_model = KMeans(n_clusters=5, random_state=42) labels = kmeans_model.fit_predict(img_data) classified_img = labels.reshape(src.height, src.width) ``` 以上为基于Python的简单非监督分类示例，而ERDAS中的监督分类则更加依赖于交互式的图形界面操作[^1]。 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值