监督分类

监督分类（Supervised Classification）

监督分类比非监督分类更多地要用户来控制，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于其他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。

监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。

1．建立模板（训练样本、定义分类模板Define Signatures）

ERDAS IMAGINE的监督分类是基于分类模板（Classification Signature）来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器（Signature Editor）来负责的。

在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。第一步：显示需要分类的图像

在视窗Viewer中显示图像aaa.img

第二步：打开分类模板编辑器（两种方式）

①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→ Signature Editor菜单项→ Signature Editor对话框

②ERDAS图标面板工具条：点击Classifier图标→Classification菜单→Signature Editor菜单项→ Signature Editor对话框

从上图中可以看到分类模板编辑器由菜单条、工具条和分类模板属性表（CellArray）三大部分组成。

第三步：调整分类属性字段

Signature Editor对话框中的分类属性表中有很多字段，

分类名称（将带入分类图像）

分类颜色（将带入分类图像）

分类代码（只能用正整数）

分类过程中的判断顺序

分类样区中的像元个数

分类可能性权重（用于分类判断）

不同字段对于建立分类模板的作用或意

义是不同的，为了突出作用比较大的字

段，需要进行必要的调整。

Signature Editor对话框菜单条：

View→Columns→View Signature

Columns对话框→点击第一个字段的Columns列并向下拖鼠标直到最后一个字段，此时，所有字段都被选上了，并用黄色标识出来。→按住Shift键的同时分别点击Red、Green、Blue三个字段前的数字

码，目的是将这三个字段从选择集中清除掉→点击Apply按钮，分类属性表中显示的字段发生变化→点击Close按钮，关闭View Signature Columns对话框。

第四步：获取分类模板信息

可以分别应用AOI绘图工具、AOI扩展工具、查询光标等三种方法，在原始图像或特征空间图像中获取分类模板信息。下面主要介绍应用AOI绘图工具在原始图像中获取分类模板信息。

在显示aaa.img图像的视窗的菜单条上点击AOI，在其下拉菜单上点击Tools，由此打开感兴趣区域工具条（即AOI→Tools→打开AOI工具面板）

下面的操作将在AOI工具面板、图像视窗、Signature Editor

对话框三者之间交替进行。

→在AOI工具面板上点击

图标，进入多边形AOI绘制状态。

→在图像视窗中选择深红色区域（林地），绘制一个多边

形AOI，双击结束→在Signature Editor对话框中，点击Create

New Signature图标，将多边形AOI区域加载到Signature

Editor分类模板属性表中→在图像视窗中选择另一个深红色区

域，再绘制一个多边形AOI→同样在Signature Editor对话框中，

点击Create New Signature图标，将多边形AOI区域加载

到Signature Editor分类模板属性表中

→重复上述两步操作过程，选择图像中你认为属性相同的多个深红色区域绘制若干多边形AOI，并将其作为模板依次加入到Signature Editor分类模板属性表中→按下Shift键，同时在Signature Editor分类模板属性表中依次点击选择Class#字段下面的分类编号，将上面加入的多个深红色区域AOI模板全部选定

→在Signature Editor工具条上点击Merge Signature图标（合并所选择的一组分类模板），将多个深红色区域AOI模板合并，生成一个综合的新模板，其中包含了合并前的所有模板像元属性。

→在Signature Editor菜单条，点击Edit→Delete，删除合并前的多个模板。

→在Signature Editor属性表中，改变合并生成的分类模板的属性：包括分类名称Signature Name与颜色Color

→重复上述所有操作过程，根据实地调查结果和已有研究成果，在图像视窗选择绘制多个黑色区域AOI（河湖水体），依次加载到Signature Editor分类模板属性表中，并执行合并生成综合的河湖水体分类模板，然后确定分类模板名称和颜色。

→同样重复上述所有操作过程，绘制多个青色区域AOI（长江水）、多个高亮区域AOI（新城镇建设用地）、老城区建设用地、农田等……，加载、合并、命名，建立新的模板。

注意：各类别的名称确定后，可以更改其类别代码（Value），用简单的1、2、3……来标识。

→如果已对所有的类型都建立了分类模板，则进入第五步，保存分类模板。

第五步：保存分类模板

现在将分类模板保存起来，以便随后依据分类模板进行监督分类。

→Signature Editor对话框菜单条→File→Save→打开Save Signature File As对话框→确定是保存所有模板（All）或只保存被选中的模板（Selected）→确定保存分类模板文件的目录和文件名（*.sig）如aaa.sig→OK

2．评价模板（评价分类模板Evaluate Signatures）

在对遥感影像做全面分类之前，我们对所选的训练区样本是否典型以及由训练区样本所建立起来的判别函数是否有效等问题并无足够的把握。因此，通常在全面分类之前，先仅用训练区中的样本数据进行试分类，即分类模板的评价。这里我们以可能性矩阵评价工具来做说明。它主要是分析AOI训练区的像元是否完全落在相应的类别中。

可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属于相应的类别。

在Signature Editor对话框：

→在Signature Editor分类模板属性表中选择所有类别

→Evaluation→Contingency→打开Contingency Matrix对话框

→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（最大似然法）

→选择像元总数或者像元百分数作为评价输出统计：Pixel Counts；Pixel Percentages

→OK（关闭Contingency Matrix对话框，计算分类误差矩阵）

→打开IMAGINE文本编辑器（Text Editor），显示分类误差矩阵

从分类误差总体的百分比来说，如果误差矩阵值小于85%，则分类模板的精度太低，需要重新建立。

3．确定初步分类结果（执行监督分类Perform Supervised Classification）监督分类实质就是依据所建立的分类模板、在一定的分类决策规则条件下，对图像像元进行聚类判断的过程。用于分类决策的规则即各种分类判别函数。选择判别函数及其相应的准则后，就可执行计算机自动分类了。

①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→Supervised Classification菜单项→Supervised Classification对话框

或者②ERDAS图标面板工具条：点击Classifier图标→ Classification菜单→

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 ）：aaa.img

→定义输出分类文件（Classified File ）：suclassaaa.img

→确定分类模板文件（Input Signature File ）：aaa.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 ）：

→选择非参数规则（Non-Parametric Rule ）：Feature Space （特征空间）

→选择叠加规则（Overlay Rule ）：Parametric Rule （参数规则）

→选择未分类规则（Unclassified Rule ）：Parametric Rule

→选择参数规则（Parametric Rule ）：Maximum Likelihood （最大似然法） →不选择Classify zeros （分类过程中是否包括0值）

→OK （关闭Supervised Classification 对话框，执行监督分类）

注意分类方法的选择：在监督分类过程中，用于分类决策的规则是多类型、多层次的，如对非参数分类模板有特征空间、平行六面体（Parallelepiped ）等方法，对参数分类模板有最大似然法Maximum Likelihood 、马氏距离法Mahalanobis ，最小距离法Minimum Distance 等方法。当然，非参数规则与参数规则可以同时使用，但要注意应用范围，非参数规则只能应用于非参数型模板，而对于参数型模板，要使用参数型规则。

4． 检验分类结果（评价分类结果Evaluate Classification ）

进行分类评价是对分类结果的验证。ERDAS 系统提供了多种分类评价方法，包括分类叠加、定义阈值、分类重编码、精度评估等。

分类精度评估（Accuracy Assessment ）是将专题分类图像中的特定像元与已知实际类别的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的实验地图、航空像片或其它数据进行对比。

此次实验，由于缺乏aaa.img 影像成像时的实际资料或地面真值等信息，故以目视判读分类前的原始图像的方式来获取实际类别信息。

在做分类精度评估前，一定要搞清楚分类方案，类别名称及其类别代码等。可以分类模板编辑器中打开先前保存的分类模板aaa.sig 。

第一步：打开分类前原始图像

在Viewer 中打开分类前的原始图像aaa.img ，以便进行精度评估。 第二步：打开精度评估对话框

在ERDAS 图标面板工具条上点击Classifier 图标→ Classification 菜单

→选择Accuracy Assessment 菜单项

→打开Accuracy Assessment 对话框

如图所示，Accuracy Assessment对话框由菜单条、工具条、精度评估矩阵（Accuracy Assessment Cellarray）三部分组成。其中，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，该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入的，矩阵数据保存在分类图像文件中。

第三步：打开分类专题图像

在Accuracy Assessment对话框菜单条上选择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，如suclassaaa.img

→OK（关闭Classified Image对话框）

→返回Accuracy Assessment对话框

第四步：连接原始图像与精度评估视窗

在Accuracy Assessment对话框工具条上点击Select Viewer图标

或在Accuracy Assessment对话框菜单条上选择View→Select Viewer

→将光标移到显示原始图像aaa.img的视窗中点击一下

→完成了原始图像视窗与精度评估视窗的连接

第五步：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 Colors面板

→在Points with no Reference确定没有真实参考值的点的颜色

→在Points with Reference确定有真实参考值的点的颜色

→OK（执行参数设置）

→返回Accuracy Assessment对话框

第六步：产生随机点

本操作将首先在分类图像中产生一些随机点，并需要用户给出随机点的实际类别，然后与分类图像的类别进行比较。

Accuracy Assessment对话框菜单条：Edit→Create/Add Random Points

→打开Add Random Points对话框

→在Search Count中输入1024

→在Number of Points中输入10

→在Distribution Parameters选择Random（随机布点模式）

→OK（按照参数设置产生随机点）

→返回Accuracy Assessment对话框

可以看到在Accuracy Assessment对话框的数据表中出现了10个比较点，每个点都有点号、X/Y坐标值、Class、Reference等字段，其中点号、X/Y坐标值字段是有属性值的。

说明：在Add Random Points对话框中，Search Count是指确定随机点过程中使用的最多分析像元数。当然，这个数目一般都比Number of Points大很多。Number of Points设为10说明是产生10个随机点，如果是做一个正式的分类评价，必须产生250个以上的随机点。

选择Random意味着将产生绝对随机的点位，而不使用任何强制性规则。Equalized Random是指每个类将具有同等数目的比较点。Stratified Random是指点数与类别涉及的像元数成比例，但选择该复选框后可以确定一个最小点数（选择Use Minimum Points），以保证小类别也有足够的分析点。

第七步：显示随机点

Accuracy Assessment对话框菜单条：

View→Show All（所有随机点均以第五步所设置的颜色显示在视窗中）

第八步：输入参考点实际类别

Accuracy Assessment对话框精度评估矩阵：

→在Reference字段输入各个随机点的实际类别值（只要输入参考点的实际分类

值，它在视窗中的色彩就变为第五步设置的Point With Reference颜色）。

代码Class显示出来。Accuracy Assessment对话框菜单条：Edit→Show Class Values

第九步：输出分类评价报告

Accuracy Assessment对话框菜单条：

→Report→Options

→分类评价报告输出内容选项，点击选择参数（）

→ Report→ Accuracy Report（产生分类精度报告）

→ Report→Cell Report（报告有关产生随机点的设置及窗口环境）

→所有报告将显示在ERDAS文本编辑窗口，可以保存为文本文件

→File→Save Table（保存分类精度评价数据表）

→File→Close（关闭Accuracy Assessment对话框）

总体分类精度为90%，Kappa系数为0.8649，说明此分类方案较优。

分类后处理（教材242页）

常用的分类后处理方法有聚类统计（Clump）、过滤分析（Sieve）、去除分析

（Eliminate）、分类重编码（Recode）等。

聚类统计是通过对分类图像计算每个分类图斑的面积、记录相邻区域中最大突变面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump 类组属性。Clump类组输出图像是一个中间文件，主要用于进行下一步处理。

过滤分析（Sieve）功能是对Clump类组输出图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。这样就会产生小图斑的归属问题。所以去除分析（Eliminate）是将删除的小图斑合并到相邻的最大的类别当中，所以去除分析简化了分类图像。

图像解译模块GIS分析

统计分析将对每个像元四周的8个相邻像元进行。

结果图：

修改专题图各类别颜色：

分类重编码：原先情况为林地（1）、河湖水（2）、laochengqu（5）、xinjiansheyongdi （4）、nongtiancaidi（6）、changjiangshui（3）。

现合并为林地（1）、水体（2）、建设用地（3）、耕地（4）。

监督分类和非监督分类

影像的分类可分为监督与非监督分类。监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。 有以下内容组成： ? ? ●非监督分类 ? ? ●监督分类 ? ? ●分类后处理 非监督分类 非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。 目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。遥感影像的 非监督分类一般包括以下6个步骤： 图1 非监督分类操作流程

1、影像分析 大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。 本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。确定在非监督分类中的类别数为15。 2、分类器选择 目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。ENVI包括 了ISODATA和K-Mean方法。 ISODATA（Iterative Self-Orgnizing Data Analysize Technique）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使用了聚类分析方法，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。 3、影像分类 打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。这里选择软件自带的Can_tmr.img，按默认设置，之后跳出参数设置，如图2。 这里主要设置类别数目（Number of Classes）为5-15、迭代次数（Maximum Iteration）为10。其他选项按照默认设置，输出文件。

ENVI监督分类步骤

ENVI监督分类 监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。训练样本类别是像元的集合或单一波谱。在分类过程中，可以选择它们作为代表区域或分类素材。 监督分类的步骤：类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证 数据：以Landsat TM为数据源，影像can_tmr.img 处理过程： 一、样本选择：打开影像can_tmr.img后543波段显示，目视判断一下这个影像中地物大概分几类，可定义偏暗红色的为裸地，鲜绿色的为耕地，深绿色的为林地，白色的为沙地，沙地与林地之间的绿色的为草地，黑色的为阴影与水体定义为其他。在主影像窗口菜单中点overlay----region of interests, ROI tool窗口就打开了，window 的方式点击zoom窗口，先定义一类ROI：裸地

在缩放窗口中画裸地，画的图斑尽量小，分布尽量均匀。

划完裸地后，点击new region，定义新的种类，沙地、林地、草地、其他的定义和画法都同裸地一样。得到如下结果： 二、验证样本：在ROI tool对话框菜单点击options—compute ROI separability 计算ROI 可分离性，这是一种定量的方式来验证样本的方法。还有一种定性的来验证样本的方法是N维可视化方法。

选择要进行可分离性计算的文件为影像can_tmr.img，点击OK

点击把六组样本都选择，点击OK。出现如下报告： 红笔圈画区域数字代表两类样本的相近性，数字越大代表越不相近，两类样本越不好区分。后面每一栏>1.8最好，所以我们需要修改林地和草地。激活草地（表格中草地前面带星号），点击Goto，进行逐一删除后重新画样本。下图是我修改后进行计算ROI可分离性后的结果，每项都>1.8，合格。

常用的六大企业管理方法

常用的六大企业管理方法 “抽屉式”管理 “抽屉式”管理，现代管理也称之为“职务分析”。当今一些经济发达国家的大中型企业都非常重视“抽屉式”管理和职位分类，并且都在“抽屉式”管理的基础上，不同程度地建立了职位分类制度。“抽屉式”管理形容在每个管理人员办公桌的抽屉里都有一个明确的职务工作规范，在管理工作中，既不能有职无权，也不能有责无权，更不能有权无责，必须职、责、权、利相互结合。 企业进行“抽屉式”管理五个步骤: 第一步，建立一个由企业各个部门组成的职务分析小组。 第二步，正确处理企业内部集权与分权的关系。 第三步，围绕企业的总体目标，层层分解，逐级落实职责权限范围。 第四步，编写“职务说明”、“职务规格”，制定出对每个职务工作的要求准则。 第五步，必须考虑到考核制度与奖惩制度相结合。 “危机式”管理 随着全球经济竞争日趋激烈，世界著名大企业中有相当一部分进入维持和衰退阶段，为改变状况，美国企业较为重视推行“危机式”生产管理，掀起了一股“末日管理”的浪潮。 美国企业界认为，如果一位经营者不能很好地与员工沟通，不能向他的员工表明危机确实存在，那么，他很快就会失去信誉，因而也会失去效率和效益。美国技术公司总裁威廉·伟思看到，全世界已变成一个竞争的战场，全球电信业正在变革中发挥重要作用。因此，他起用两名大胆改革的高级管理人员为副董事长，免去5名倾向于循序渐进改革的高级人员职务，在职工中广泛宣传某些企业由于忽视产品质量、成本上升导致失去用户的危机。他要全体员工知道，如果技术公司不把产品质量、生产成本及用户时刻放在突出位置，公司的末日就会来临。 “一分钟”管理 目前，西方许多企业采用了“一分钟”管理法则，并取得了显著成效。具体内容为:一分钟目标、一分钟赞美及一分钟惩罚。所谓一分钟目标，就是企业中的每个人都将自己的主要目标和职责明确地记在一张纸上。每个目标及其检验标准应该在250个字内表达清楚，在一分钟内就能读完。这样，便于每个人明确认识自己为何而干、怎样去干，并且据此定期检查自己的工作。 一分钟赞美，就是人力资源激励。具体做法是企业的经理经常花费不长的时间，在职员所做的事情中挑出正确的部分加以赞美。这样可以促使每位职员明确自己所做的事情，更加

论述监督分类与非监督分类却别与联系,及各自优缺点

论述监督分类与非监督分类却别与联系，及各自优缺点 监督分类：首先需要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，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。 非监督分类：在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。 区别与联系： 根本区别在于是否利用训练场地来获取先验的类别知识。 非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。 监督分类常常用于对分类区比较了解情况下,要求用户控制. 1)选择可以识别或可以断定其类型的像元建立模板,然后基于该模板使系统自动识别具有相同特征的像元. 2)对分类结果进行评价后再对模板进行修改,多次反复后建立比较正确的模板,在此基础上最终进行分类. 各自优缺点： 监督分类的特点： 主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。 主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。

非监督分类特点： 主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。 主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

设备分类分级管理办法

设备分类分级管理办法 为进一步推进设备的精细化管理，明确设备管理的责任目标，提高重点关键设备的受控力度，提高管理效率，制定本办法。 本办法主要对设备的分类分级管理进行了具体的要求，油田所有设备均应按本办法进行分类分级管理。 设备的分类 油田设备按A、B、C三类进行分类，分类的方法是根据该设备的重要性和对生产系统的影响。分类原则如下： (1)、A类设备是指该设备损坏后，对人员、生产系统、机组或其他重要设备的安全构成严重威胁或直接导致环境严重污染的设备。 (2)、B类设备是指该设备损坏或在自身和备用设备均失去作用的情况下，会直接导致机组的可用性、安全性、可靠性、经济性降低或导致环境污染的设备；本身价值昂贵且故障检修周期或备件采购(或制造)周期较长的设备。 (3)、C类设备是指不属于A类、B类的设备。 分类的方法:可采用直接指定法和公式判定法两种方法。 直接指定法:依据设备对油田生产影响的重要程度和设备价值直接进行指定。A类设备的确定应主要依据该方法，可参考附件 (《设备分类分级标准及范围》)。 公式判定法: 对单位所属的设备进行综合分析，按照规定的

项目进行打分评类。规定的项目包括：生产影响程度、价值大小、设备利用率、设备保有量、维修难度、检修频次、配件供应及关联风险（工艺、安全、环保）。B类、C类设备的划分应主要依据该办法。 具体评定方法如下: 采用百分制进行评定，通过评价，计算设备分值，总分值在７５分以上的设备评为Ａ类设备，4０～７５分为Ｂ类设备，4０分以下为Ｃ类设备。评定时依据下表项目和内容进行评定。 评定项目所占 分值 评定内容 评分 值 备注 合计100 生产影响程度25 对生产有直接影响且影响到停产，作用处于关键地位的评为16-25分；对生产没有直接影响且不影响到停产，作用处于一般地位的设备评为11-15分；辅助生产设备评为2-10分。 设备原值15 设备原值在１００万元以上评为11-15分；设备原值在５０万～１００万评为6-10分；５０万元以下评为2-5分。 设备利用率10 设备利用率在８５％以上评为6-１０分；设备利用率在５０％～８５％评为2-５分；设备利用率在５０％以下评为１分。 设备保有量 5 设备发生事故、故障后没有备用设备替代评为５分；有备用设备替代评为2分。 设备维修难度10 公司内没有专业维修队伍，外委维修评为１０分，厂内自己能够维修的评为５分。 设备维修频率10 设备维修频繁且维修费用高的评为6-１０分，设备维修一般的评为3-５分，设备维修很少且费用低的评为2分。 备品备件供应10 备件供应渠道不畅且制造周期长，处于″卖方市场″的评为6-10分；基本能满足生产的评为3-５分；其它评为2分。 关联风险15 对工艺、安全、环保影响较大的评为11-15分，一般影响的评为6-10分，很少影响的评为2-5分。

监督分类

实验十监督分类 实例与练习：某地区的遥感影像监督分类 背景：现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。本例中使用监督分类的方法，实现土地利用类型的划分。 目的：通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。 监督分类流程图： 监督分类过程 1 定义分类模板 （1）在viewer窗口中选择打开smtm.img，在raster options选择fit to frame

（2）单击classifer|classification|signature editor，打开分类模板编辑器（signature editor）（3）在viewer窗口中打开raster|tools，打开raster工具面板 （4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中 （5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中 （6）用同样的方法加载9个深蓝色多边形AOI （7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板 （8）单击其signature name属性进入编辑状态，输入water，单击color属性，选择深蓝色 （9）在signature editor菜单条，单击edit|delete，删除合并前的模板 （10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident） （11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板(all)，并保存分类模板文件的目录 2评价分类模板 （1）分类预警评价 ①选中water类别 ②在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开 signature alarm对话框 ③选中indicate overlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框 设置为黄色 ④点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum， 并选择使用的模板：current（当前模板） ⑤设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm 对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signature alarm对话框

遥感非监督分类实验报告书

遥感非监督分类实验报告书 部门： xxx 时间： xxx 整理范文，仅供参考，可下载自行编辑

遥感图像的非监督分类实验报告 姓名：李全意 专业班级：地科二班 学号：2018214310 指导教师：段艳 日期：2018年6月3日 1. 实验目的 通过本实验加强对遥感非监督分类处理理论部分的理解，熟练掌握图像非监督分类的处理方法，并将处理前后数据进行比较。 b5E2RGbCAP 2. 实验准备工作 <1）准备遥感数据<本实验使用的是老师提供的遥感数据）； <2）熟悉遥感图像非监督分类的理论部分 3．实验步骤 4. 实验数据分析与结论 <1）通过分类前后图像的比较，发现非监督分类后的图像容易区分不同地物； <2）分类过程中存在较多错分漏分现象，同种类别中有多种地物； <3）非监督分类根据地物的光谱统计特性进行分类，客观真实且方法简单，而且具有一定的精度。 5. 实验收获及需要解决的问题 <1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。 p1EanqFDPw

Unsupervised Classification, 在Unsupervised Classification对话框中，将参数设计设计如下： Number of classes：30,一般将分类数取为最终分类数的2倍以上；Maximum Iterations：18； 点击Color Scheme Options决定输出的分类图像为黑白的；Convergence Threshold：0.95。 点击OK即可。打开完成后图像与原图像对比： 原图：完成后： <2）打开原图像，在视窗中点击File/Open/Raster Layer，选择分类监督后的图像classification1.img，在Raster Options中，取消Clear Display如下：

监管分类中常用的具体分类方法

监督分类中常用的具体分类方法包括： 最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。最小距离分类包括最小距离判别法和最近邻域分类法。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。最近邻域分类法是上述方法在多波段遥感图像分类的推广。在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。 多级切割分类法（multi-level slice classifier）： 是根据设定在各轴上值域分割多维特征空间的分类方法。通过分割得到的多维长方体对应各分类类别。经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。多级切割分类法要求训练区样本选择必须覆盖所有

的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。 多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。 最大似然分类法(maximum likelihood classifier)：最大似然分类法是经常使用的监督分类方法之一，它是通过求出每个像元对于各类别归属概率（似然度）（likelihood），把该像元分到归属概率（似然度）最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然分类法。 最大似然分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分象元的归

汽车分类国家标准

道路上行驶的汽车造型和性能特征等千差万别，如何区别这些汽车？一般来讲，根据新的汽车分类国家标准(gb9417-89)就可方便地区分车型。中国汽车划分为8大类： 1．载货汽车：依公路运行时厂定最大总质量（ga）划分为：微型货车（ga≤1．8吨）轻型货车（1．8吨＜ga≤6吨）中型货车（6．0吨＜ga≤14吨）重型货车（ga＞14吨） 2．越野汽车：依越野运行时厂定最大总质量（ga）划分为：轻型越野汽车（ga≤5吨）中型越野汽车（5．0吨＜ga≤13吨）重型越野汽车（13＜ga≤24吨）超重型越野汽车（ga＞24吨） 3．自卸汽车：依公路运行时厂定最大总质量（ga）划分为：轻型自卸汽车（ga≤6吨）中型自卸汽车（6．0吨＜ga≤14吨）重型自卸汽车（ga＞14吨）矿山自卸汽车； 4．牵引车：半挂牵引车、全挂牵引车； 5．专用汽车：厢式汽车、罐式汽车、起重举升汽车、仓棚式汽车、特种结构式汽车、专用自卸汽车； 6．客车：依车长（l）划分为：微型（l≤3．5米）轻型（3．5米＜l≤7米）中型（7米＜l≤10米）大型客车（l＞10米）和特大型客车；中大型客车又可分为城市、长途、旅游及团体客车，特大型客车指铰接和双层客车；

7．轿车：依发动机排量（v）划分为：微型轿车（v≤1升）普通轿车（1升＜v≤1．6升）中级轿车（1．6升＜v≤2．5 升）中高级轿车（2．5升＜v≤4升）高级轿车（v＞4升） 8．半挂车：依公路运行时厂定最大总质量（ga）划分为：轻型半挂车（ga≤7．1吨）中型半挂车（7．1吨＜ga≤19．5吨）重型半挂车（19．5＜ga≤34吨）超重型半挂车（ga＞34吨）本站点车型定义与分类本网站主要收集小型客车, 如各种轿车, 轻型越野汽车, 微型 货车, 微型客车。在中国，根据公安部的车辆分类标准,小型客车的共分为四类, 即：·小轿车、越野车、旅行车、轻型小客车·本站点即主要采用这种分类办法。·本站点还同时收录适宜家庭使用的小型货车(皮卡, pickup), 归类为小货车每辆车属于哪一种车型，请参阅该车的行驶证(不是司机驾驶证)正页第5行均已标明。·小轿车举例：桑塔纳，宝马，奥迪等；夏利、奥拓属于小轿车。切诺基小客车在北京行驶按照小轿车进行管理, 但是这里归类为越野车·越野车包括国产吉普和进口吉普等型号, 以及其它品牌越野车·旅行车举例：松花江、昌河、长安、大发、柳州五菱、天津华利等属于7座以下旅行车·轻型小客车指凯特、海玉、中联等类型的小客车，中华子弹头也属于轻型小客车, 小客车的分类似有难以界定,主观上也归并到旅行车一类·小货车,如小轿车旅行轿车station wagon 小轿车厢式轿车旅行车吉普车jeep等越野汽车越野车厢式货车小货车轻型小货车pickup 小货 车国汽车分类标准中国汽车分类标准(gb9417-89)将汽车分类为8类:

员工分类方法及其分类管理

员工分类方法及其分类管理 企业与企业惟一区别就在于人力资源，人力资源与人力资源惟一区别就在于对员工管理方式。因此，当我们经常以“竞争对手拥有更优秀人才”来掩饰业绩差距时候，一定要深入思考“我们能否将一个平凡员工打造成优秀人才”？要打造出优秀人才，需要对员工进行科学分类和管理。 常规分类方法 ◎职能分类法 职能分类法是指把企业中所有职能依据工作性质、权责大小、难易程度以及所需资格条件顺序，先横后纵地归入不同等级，以此作为员工劳动报酬、任免及考评基本依据。该分类方法最大优点在于以“事”为中心，因此被大多数企业采用。 职能分类法下员工管理主要依据职能横向以及纵向分类标准。处于不同横向类别之中员工，其工作职责肯定有所不同。对不同职能进行科学横向划分以及在同一类别职能中进行科学绩效评估就成为职能分类法关键所在。 ◎品位分类法 品位分类法是将品(官阶，等级)和位(职位)作为分类评价基本要素，以员工所具有资格条件为主要依据，以职务或级别高低来确定待遇。品位分类法更多地应用于公共部门人力资源管理过程中，比如法国将其公务员分为A、B、C、D四类，具有严格等级特征；而德国则分为简单职务、中等职务、上等职务和高级职务。在业务比较单一、已经形成明显核心竞争力或者是组织结构比较简单企业以及企业内部某一特定部门，这种员工分类方法还是比较实用。比如以销售为主导业务企业，可以根据市场执行情况，分为总经理、区域市场经理、门市经理三个等级。品位分类法最大用途是提供人员考核、晋升、薪酬依据。但是以“人”为依据而不是以“事”为依据品位分类法，最终还是无法得到企业界普遍采用。因为，“事”作为企业有序运营根本，是无法严格地划分出等级。 ◎混合分类法 总体来说，职能分类法以及品位分类法是目前企事业单位中应用得比较多员工分类方法，也得到了实践认可。企业在人力资源管理实践中，更多是将职能和品位分类方法结合使用，前提是以职能分类法为主。这种混合分类法，在大规模、集团化运作企业中运用得尤其频繁。 市场价值导向分类方法 ◎基于人力资本视角分类法

实验四遥感图像的监督分类和非监督分类

实验四遥感图像的非监督分类与监督分类 一、实验目的 1．非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织 数据分析技术（ISodata）和K均值算法（K-Means）； 2．分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类 效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束 后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息， 统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进 行分析。 3．对训练区中的像元进行分类； 4．用训练数据集估计查看监督分类后的统计参数； 5．用不同方法进行监督分类，如最小距离法、马氏距离法和最大似然法。 二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes 中输15即分为15类，Change Iterations中输6，即最大迭化量为6次， Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定 保存结果后New display →Load Band，双击查看Cursor Location/V alue，发 现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击 Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行 大量的野外调查，确定同一类码所代表的地物是什么

国家标准分类的基础知识

国家标准分类的基础知识 基础分类 国家标准分类按照标准化对象，通常把标准分为技术标准、管理标准和工作标准三大类。 技术标准——对标准化领域中需要协调统一的技术事项所制定的标准。包括基础标准、产品标准、工艺标准、检测试验方法标准，及安全、卫生、环保标准等。 管理标准——对标准化领域中需要协调统一的管理事项所制定的标准。 工作标准——对工作的责任、权利、范围、质量要求、程序、效果、检查方法、考核办法所制定的标准。 标准的分级 按照标准的适用范围，我国的标准分为国家标准、行业标准、地方标准和企业标准四个级别。 （1）国家标准 由国务院标准化行政主管部门国家质量技术监督总局与国家标准化管理委员会（属于国家质量技术监督检验检疫总局管理）指定（编制计划、组织起草、统一审批、编号、发布）。国

家标准在全国范围内适用，其他各级别标准不得与国家标准相抵触。 （2）行业标准 由国务院有关行政主管部门制定。如化工行业标准（代号为HG）、石油化工行业标准（代号为SH）由国家石油和化学工业局制定，建材行业标准（代号为JC）由国家建筑材料工业局制定。行业标准在全国某个行业范围内适用。 （3）地方标准 由省、自治区、直辖市标准化行政主管部门制定。在地方辖区范围内适用。 （4）企业标准 没有国家标准、行业标准和地方标准的产品，企业应当制定相应的企业标准，企业标准应报当地政府标准化行政主管部门和有关行政主管部门备案。企业标准在该企业内部适用。 此外，围绕当前国家技术创新体系的重要组成部分-------产业技术创新战略联盟，国标委目前还正在酝酿开展联盟标准试点工作。将通过试点的方式，支持有条件的国家级试点联盟，探索开展联盟标准化与当前标准体系并存互相补充的标准管理方式。

员工分类方法及其分类管理

员工分类方法及其分类管理 企业与企业的惟一区别就在于人力资源，人力资源与人力资源的惟一区别就在于对员工的管理方式。因此，当我们经常以“竞争对手拥有更优秀的人才”来掩饰业绩差距的时候，一定要深入思考“我们能否将一个平凡的员工打造成优秀的人才”？要打造出优秀的人才，需要对员工进行科学的分类和管理。 常规分类方法 ◎职能分类法 职能分类法是指把企业中所有职能依据工作性质、权责大小、难易程度以及所需的资格条件的顺序，先横后纵地归入不同的等级，以此作为员工劳动报酬、任免及考评的基本依据。该分类方法的最大优点在于以“事”为中心，因此被大多数企业采用。 职能分类法下的员工管理主要依据职能的横向以及纵向分类标准。处于不同的横向类别之中的员工，其工作职责肯定有所不同。对不同职能进行科学的横向划分以及在同一类别的职能中进行科学的绩效评估就成为职能分类法的关键所在。 ◎品位分类法 品位分类法是将品(官阶，等级)和位(职位)作为分类评价的基本要素，以员工所具有的资格条件为主要依据，以职务或级别高低来确定待遇。品位分类法更多地应用于公共部门的人力资源管理过程中，比如法国将其公务员分为、、、四类，具有严格的等级特征；而德国则分为简单职务、中等职务、上等职务和高级职务。在业务比较单一、已经形成明显的核心竞争力或者是组织结构比较简单的企业以及企业内部某一特定部门，这种员工分类方法还是比较实用的。比如以销售为主导业务的企业，可以根据市场执行情况，分为总经理、区域市场经理、门市经理三个等级。品位分类法的最大用途是提供人员考核、晋升、薪酬的依据。但是以“人”为依据而不是以“事”为依据的品位分类法，最终还是无法得到企业界普遍采用。因为，“事”作为企业有序运营的根本，是无法严格地划分出等级的。 ◎混合分类法 总体来说，职能分类法以及品位分类法是目前企事业单位中应用得比较多的员工分类方法，也得到了实践的认可。企业在人力资源管理实践中，更多的是将职能和品位分类方法结合使用，前提是以职能分类法为主。这种混合分类法，在大规模、集团化运作的企业中运用得尤其频繁。 市场价值导向的分类方法 ◎基于人力资本视角的分类法

监督分类

五．监督分类和制图输出 1.添加文件：打开ENVI4.8主页面，单击File下拉菜单中的Open Image File。添加进来“融 合”。 2.添加形状文件：单击ENVI4.8主页面File下拉菜单中的Open Vector File，在弹出的Select Vector Filenames对话框中，选择“jiaozuo.shp”形状文件，单击打开。 3.再剪切：在弹出的Import Vector Files Param。。。对话框中单击OK即可。在弹出的对话 框中选中Layer：jiaozuo.shp，单击Load Selected。在弹出的小对话框（Load Vec.。。。)（加载到哪个图像）中选中Display #1，在弹出的对话框中不要操作。单击Available Vectors List（可用矢量列表)对话框中单击File下拉菜单下的Export Layers to Roi…（将图层导出到Roi），在弹出的对话框中选中“镶嵌”，单击OK。在弹出的Select Date File to associate with new ROIs对话框中选择Convert all records of an EVF layer to one ROI。。。 点击OK。返回操作原来的对话框（#1Vector Parameters：。。。）中，单击Apply。单击主页面Basic Tools下拉菜单下的Subset Data via ROIs （ROI日期文件子集），在弹出的对话框Select Input File to Subset via ROI中选中“镶嵌”，单击OK，在弹出的对话框中选中Select Input ROIs下面的文件,，选择Mask pixels outside of ROI？,后面的箭头，选择yes. 单击Choose选择文件保存路径，并命名“再剪切”打开。单击OK即可。 4.监督分类：打开“再剪切”影像，主页面File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。 5.选择监督分类样本（感兴趣区域）：在影像的工具栏中选择，Overlay---Region of interest， 在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择，选择类别，水体，林地，农田1，农田2 ，居民地，未利用土地。查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok., 相关度大于1.8的说明分类较好。保存文件。 6.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。Select all Item 阈值Probability Threshold一般在0~1之间。不需输出真实值。因为还要分类后处理，储存至memory. 7.分类后处理：①分类合并，在主菜单中Classification—post classification（分类比较法） —Sieve Classes（筛选）选择刚才分类好的，memory影像，改变Group Min Threshold 数值，由2改到8.即改变每类别最小像元值，保存文件，即要求交的分类结果图。②生成混淆矩阵主菜单中，Classification—post classification—confusion Matrix—Using Ground Truth ROIS.将所有类别都选上。保存混淆矩阵 8.合并同类：选择主页面Classification—post classification——combine classes在弹出的对 话框中“分类”，单击OK，在弹出的combine classes parameters对话框中select input class 一栏选择“农田1 ”在select output class一栏中选择农田2 ，单击add combination ,单击OK，在弹出的combine classes output 对话框中选择choose，选择保存路径和文件名“合并”，单击OK。 9.剪切“合并”：方法同步骤3.文件名保存为“剪切‘合并’”。 ARCGIS制图输出 1.利用ARCMAP输出遥感影像图：将“合并”修改文件名，加上文件类型.img。加载到 ARCMAP10.0中，同时加载jiaozuo-country.shp文件。 2.右击“合并”选择“属性”，在弹出的图层属性对话框中选择符号系统，将背景色改为 无色，设置拉伸方式和比例后单击确定。 3.右击jiaozuo-country.shp选择属性，在图层属性对话框中选择符号系统，类别-唯一值- 选择KML-FOLDER，去掉其他所有制前面的勾，添加所有制，把不需要的去掉，比如，

监督分类与非监督分类

图像分类 一、实验目的 1、理解遥感图像分类的基本原理和方法。 2、掌握在ERDAS IMAGINE 软件中进行非监督分类、监督分类的操作流程以及两种分类方法的区别。 3、 了解分类后处理及精度评价原理及过程。 二、 实验设备 1、ERDAS IMAGINE 遥感影像处理软件。 三、 实验过程及要求 1、 非监督分类 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已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。 1.1 分类流程图 1.2 分类过程 1）调出非监督分类对话框 在菜单栏中单击Raster → Unsupervised Classification →选择Unsupervised Classification 项，打开Unsupervised Classification 对话框。 影像分析 结果验证 分类后处理 类别定义/类别合并 影像分类 分类器选择 ISODATA K MENA 其它

2）进行非监督分类 在 Unsupervised Classification 对话框中 →Input Raster File (确定输入文件)：待分类的图像（此处为经过主成分分析后的图像）。 →Output Cluster Layer (确定输出文件)。 →勾选Output signature Set （选择生成分类模板文件）→ (确定分类模板文件) 。 →Cluster Options:选择 Initiate from Statistics. →分类方法:选择isodata. →Number of Classes（确定初始分类数）:7 →对于 Initializing Options 和 Color Scheme Options 两项均取缺省值。 →Maximum Iterations（定义最大循环次数）:24(一般在应用中将循环次数都取值 6 以上) →Convergence Threshold （设置循环收敛阈值）:0.950(取系统默认值) →单击OK 按钮（关闭Unsupervised Classification 对话框，执行非监督分类）下图为分类 后的图：

中华人民共和国国家标准《全国主要产品分类与代码 第1部分可运输

《全国主要产品分类与代码》国家标准发布实施 ———粮食行业相关代码介绍 中华人民共和国国家标准《全国主要产品分类与代码第1部分：可运输产品》（GB/T 7635.1-2002）(以下简称“可运输产品代码”标准)经中华人民共和国国家质量监督检验检疫总局发布，于2003年4月1日开始实施。 “可运输产品代码”标准是一项大型的基础性标准，是与国际通行产品目录协调一致的国家产品分类编码标准体系。规定了全国可运输产品的分类原则与方法、代码结构、编码方法、分类与代码。主要用于信息处理和信息交换。 一、《全国主要产品分类与代码》的组成 《全国主要产品分类与代码》由相对独立的两个部分组成，第一部分为可运输产品，第二部分为不可运输产品。第一部分由五大部类组成，与联合国统计委员会制定的《主要产品分类》（CPC）1998年10版的第1部分相对应，一致性程度为非等效。 “可运输产品代码”标准是对《全国工农业产品（商品、物资）分类与代码》（GB/T7635—1987）的修订。主要变化有： 1、对GB/T7635—1987标准名称进行了修改； 2、对代码结构和编码方法进行了修改。GB/T7635—1987代码结构是四层8位数字码，每层2位码，采用了平均分配代码的方法。“可运输产品代码”标准代码结构是六层8位数字码，前五 —1 —

层是一层1位码，第六层是3位码，采用了非平均分配代码方法； 3、产品分类和类目的设置进行了较大幅度的调整。 4、采用了GB/T10113-1988《分类编码通用术语》中确立的术语；产品类目采用了规范的产品名称。 二、我国主要粮食与机械产品分类代码介绍 在“可运输产品代码”标准中，与粮食行业相关的产品分类代码涉及我国原粮、米面油产品和粮油加工机械产品等三个方面。摘录如下： —2 —

计量器具的分类与管理办法

计量器具的分类与管理办法 3.1.1 A类计量器具的范围 3.1.1.1 强制检定计量器具：计量法规定的用于贸易结算、安全防护、环境监督方面的列入强制检定目录的计量器具。 3.1.1.2 公司用于量值传递的最高标准及其配套的计量器具。 3.1.1.3 用于生产过程控制中关键参数检测的计量器具。 3.1.1.4 用于精密测试中精度较高，使用频繁、量值易改变、使用环境恶劣、寿命较短的计量器具。 3.1.1.5 用于统一量值的标准物质。 3.1.2 B类计量器具的范围 3.1.2.1 用于生产工艺过程控制、产品质量检测中有计量数据要求，非关键参数检测的计量器具。 3.1.2.2 用于公司内部能源物料方面经济核算的计量器具。 2.1.2.3 专用计量器具，限定使用范围的计量器具以及用于辅助生产的计量器具。 3.1.3 C类计量器具的范围 3.1.3.1 对计量数据无严格要求的指示或自制专用的计量器具。 3.1.3.2 在同一部位或生产工艺上测量同一参数有2个或2个以上的仪表。 3.1.3.3 准确度要求较低、性能稳定、可靠性高、使用不频繁、计量性能不易改变的低值易耗和简易的计量器具(如玻璃器皿、量杯、量筒、容量瓶等)。 3.1.3.4 与设备配套不能拆卸的指示仪表、盘装表等计量器具。 3.1.3.5 一般工具类计量器具(主要指个人使用保管的计量器具)。 3.1.3.6 生活方面的户用计量器具。 3.1.3.7 国家计量行政部门明令一次性使用或实行有效期管理的计量器具。 3.1.4 计量器具分类规定 （一）Ａ级计量器具管理目录

精品文库 （二）B级计量器具管理目录

监督分类方法

基于光谱的影像的分类可分为监督与非监督分类，这类分类方法适合于中低分辨率的数据，根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法的流程和相关知识。有以下内容组成： 监督分类 非监督分类 分类后处理 监督分类 监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如图1所示： 图1监督分类步骤 1、类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。 本例是以ENVI自带Landsat tm5数据为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。 2、样本选择 为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。 本例中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。如图2所示，设置好颜色和类别名称（支持中文名称）。 在ROIs面板中，选择Option->Compute ROI Separability,计算样本的可分离性。如图3所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在0~之间，大于说明样本之间可分离性好，属于合格样本；小于，需要重新选择样本；小于1，考虑将两类样本合成一类样本。