遥感图像计算机分类：模板定义与处理

"遥感图像计算机分类涉及到非监督和监督两种方法，主要包括定义分类模板、初始分类、专题判别、分类后处理、色彩重定义以及栅格矢量转换等步骤。在非监督分类中，初始分类后需要进行聚类统计、过滤分析、去除分析和分类重编码等操作。在监督分类中，定义分类模板和评价分类模板是关键步骤。" 遥感图像计算机分类是遥感数据分析的重要环节，用于将遥感图像上的像素根据其光谱特性进行归类，以提取地物信息。分类过程分为非监督和监督两类。 非监督分类通常包括以下步骤： 1. **初始分类**：通过算法（如ISODATA）将图像像素自动聚类成若干个类别，生成初步的分类结果。 2. **专题判别**：编辑类别颜色和名称，以便于识别和理解。 3. **分类后处理**： - **聚类统计**：改善类别分布，减少噪声，例如使用`gisanalysis>clump`进行聚类。 - **过滤分析**（Sieve）：删除过小的图斑，避免过多的噪声点。 - **去除分析**（Eliminate）：去除不符合实际的地物图斑，保持类别的一致性。 - **分类重编码**（Recode）：对分类结果进行重新编码，以合并或修改类别。 4. **色彩重定义**：根据需要调整图像的颜色方案，以提高视觉效果。 5. **栅格矢量转换**：将分类后的栅格数据转换为矢量数据，便于进一步的空间分析和制图。 监督分类则涉及以下过程： 1. **定义分类模板**：使用AOI工具绘制多边形，通过Signature Editor创建和编辑分类模板。 2. **评价分类模板**：确保模板准确反映了地物的光谱特征。 3. **进行监督分类**：基于定义的模板，通过特定算法（如最大似然法）进行分类。 4. **评价分类精度**：评估分类结果的准确性，可能需要进行混淆矩阵分析或Kappa系数计算。 在实际操作中，需要注意分类数目应适当，通常会设置为最终分类数的2倍以上，以保证有足够的灵活性。同时，处理过程中要注意参数的选择，如聚类统计时邻域的选择，以及去除分析和过滤分析中的最小图斑大小设定，这些都会直接影响分类结果的质量和实用性。在进行分类重编码时，需要考虑类别合并的实际意义，以保持分类的地理合理性。