监督分类

监督分类

第一步：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。

启动ENVI，打开待分类数据。以(landsat8为R:TM Band 5，G: TM Band 4，B：TM Band 3)(landsat5:4、3、2波段)真彩色合成波段组合显示。

通过目视可分辨地物为：lindi、caodi、gengdi、luodi、building、daolu、water（分两类）七大类。每一类，根据需要再增加，如lindi1、lindi2、lindi3，这样需要分9类。

第二步：样本选择

（1）在图层管理器Layer Manager中，待分类图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。

1）在Region of Interest (ROI) Tool面板上，设置以下参数：

ROI Name：lindi

ROI Color：

图1.1 Region of Interest (ROI) Tool面板上设置样本参数

七类样本颜色设置如下：（深绿色）（0,128,0）

（浅绿色）（0,196,0）

（红色）（255,0,0）

（蓝色）（0,0,255）

（浅紫色）（187,140,187）

（粉红色）（255,0,255）

（褐色）（255,175,29）

（黄色）（255,255,0）

2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；

3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；

4）这样就为林地选好了训练样本。

注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。

2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。

3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。

（2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为caodi、gengdi、luodi、building、daolu、water其他6类选择样本；

（3）每类地物样本选取至少20个，均匀分布在目标区区域影像上。

（4）计算样本的可分离性。在Region of Interest (ROI) Tool面板上，选择Option>Compute ROI Separability，在Choose ROIs面板，将几类样本都打勾，点击OK，如下图所示；

图1.2 分离性检测

（5）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0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要消除错选的样本或者重新选择（如图1.3中lindi与caodi/water2分离性为1.288/1.447需要消除或重选样本）；小于1，考虑将两类样本合成一类样本。

图1.3 样本分离性表

注：1、在图层管理器Layer Manager中，可以选择需要修改的训练样本。

2、在Region of Interest (ROI) Tool面板上，选择Options > Merge (Union/Intersection) ROIs，在Merge ROIs面板中，选择需要合并的类别，勾选Delete Input ROIs。

图1.4 合并样本ROI

（6）在图层管理器中，选择Region of interest ，点击右键，save as，保存为.xml格式的样本文件。

第三步：影像分类

根据分类的复杂度、精度需求等确定哪一种分类器。选用支持向量机分类（Support Vector Machine或SVM）

在toolbox中选择/Classification/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击OK，选中所有样本，按照默认设置参数输出分类结果。

图1.5 支持向量机分类器参数设置

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。

实习监督分类与非监督分类

1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系 根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。同时确定土地的覆盖类型、编码以及色调。 居民点Town 砾石gravel desert 道路Road 水稻田paddy land 水浇地irrigated land 水库reservoir 裸地barren land 工业区industrial area 滩地shoaly land 林地forest 草地grassland 河流stream 2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。 加载512*512影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。 3. 计算各个样本之间的可分离性。说明哪些地物类型之间较易区分，哪些类型之间难以区分。 ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。 4. 监督分类：利用最大似然法完成分类。 ①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。

实验六：遥感图像监督分类与非监督分类

成都信息工程学院 遥感图像处理实验报告 实验6：遥感图像监督分类与非监督分类 专业：遥感科学与技术 班级： 092班 姓名：李翔 学号：2009043063 实验名称：遥感图像监督分类与非监督分类 实验教室： 5404教室 指导老师：刘志红 实验日期：2011年4月6日和4月13日

遥感数字图像处理实验报告 一、项目名称 遥感图像监督分类与非监督分类 二、实验目的 学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。 三、实验原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的过程，称为图像的分类。 根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。 分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。 聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。 四、数据来源 1．下载网站：https://www.wendangku.net/doc/8015148602.html,/admin/dataLandsatMain.jsp 2．波段数为6个。 3．分辨率为28.50,米。 4．投影为UTM, Zone48。 五、实验过程 一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标，打开对话框， 2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，确定循环次数和阈值。如图所示：

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

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

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：

Erdas监督分类和非监督分类

华北水利水电大学资环学院遥感数字图像处理 专业：地理信息科学 班级：2013012班 学号：201301218 姓名：杨力华 指导老师：黄会平老师

实验五丹江库水库湿地解译 一实验目的 1 熟练掌握Erdas的基本操作，包括图像裁剪、图像拼接、彩色合成、假彩色 合成、创建AOI区域、创建训练区等。 2理解监督分类和非监督分类的原理，能够运用Erdas软件操作进行监督分类 和非监督分类。 3 完成丹江口水库湿地的分类和分类后评价。 4生成丹江口湿地专题地图。 二实验内容 1 丹江口水库湿地图边界配准以及矢量化； 2丹江口水库湿地在遥感图像上的裁剪； 3.对遥感图像进行监督分类并对分类结果作出评价，并生成专题地图； 4.对遥感图像进行非监督分类并对分类结果作出评价，并生成专题地图。 三实验原理 监督分类又称训练场地法，是一种以统计识别函数为理论基础，依据典型 样本训练方法进行分类的技术，即：根据已知训练区提供的样本，通过选择特 征参数，建立判别函数对各待分类像元进行的分类。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。对模板进行评价后再对其进 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：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification）。 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。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换和统计分析等。

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。