ERDAS 8.4图象处理技术与方法.doc

ERDAS 8.4遥感图像处理方法
一、ERDAS8.4系统简介
1.1 ERDAS8.4软件概述
ERDAS是以模块化的方式提供给用户的，可使用户根据自己的应用要求、资金情况合理地选择不同功能模块及其不同组合。

Essential级
完成二维／三维显示、数据输入、排序与管理、地图配准、专题制图以及简单的分析。
可扩充的模块：
（1）Vector模块
（2）Virtual GIS模块
（3）Developer’s Toolkit模块
Advantage级
是建立在Essential级基础之上的，增加了更丰富的栅格图像分析和单张航片正射校正等强大功能的遥感GIS软件。
可扩充的模块：
（1）Radar模块
（2）OrthoBase模块
（3）ATCOR大气校正模块
Professional级
除了Essentials和Advantage中包含的功能以外，Professional还提供空间建模工具，高级分类器，知识工程师和专家分类器，分类优化和精度评定，以及雷达图像分析工具。
可扩充的模块：
（1）Subpixel Classifier模块
（2）Expert Classifier模块
1.2 ERDAS8.4图标面板

1.2 ERDAS8.4图标面板
1.3 ERDAS8.4功能体系
栅格图像数据
矢量图形数据
文本属性数据
数据输入输出
数据预处理
几何校正、拼接镶嵌
雷达图像处理
倾斜调整、斑点压缩
图像解译
增强处理、傅立叶变换
高光谱工具、GIS分析
图像分类
非监督分类、监督分类
知识工程师、专家分类
矢量功能
矢栅转换、矢量编辑
虚拟GIS
三维飞行、虚拟世界
专题制图输出
图像库管理
视窗操作
空间建模
命令工具
批 处 理
ERDAS IMAGINE遥感图像处理系统
输入
栅格图像数据
矢量图形数据
文本属性数据
输出

二、ERDAS8.4视窗操作
2.1 ERDAS8.4视窗组成

2.2 ERDAS8.4显示操作——图像显示（如果栅格图象是多波段合成图象,则分别给红\绿\蓝赋不同的波段.如:TM标准假彩色红绿蓝分别为TM5\4\3）

2.2 ERDAS8.4显示操作——图形显示（ERDAS直接支持对coverage格式文件的显示和处理.）

2.2 ERDAS8.4显示操作——矢栅叠加（叠加显示必须要具有相同的坐标系统和投影系统.）

2.2 ERDAS8.4显示操作——卷帘显示（Blend\Swipe\Flicker自动或手动卷帘显示,在影像分类后检测中经常使用,操作前提必须有两个以上的图层及图象）

2.2 ERDAS8.4显示操作——查询（ERDAS提供了光标查询的功能,可以利用光标查询指定点的平面直角坐标和经纬度坐标）

2.2 ERDAS8.4显示操作——量测（1.指定点的坐标；2.线段的长度；3.多边形的周长和面积）

2.2 ERDAS8.4显示操作——图像信息（LayerInfo提供对影像基本信息的显示,主要有灰度值\投影信息\灰度直方图\栅格矩阵\影像空间分辨率等）

2.2 ERDAS8.4显示操作——图像色彩

2.2 ERDAS8.4显示操作——分类色彩

2.2 ERDAS8.4显示操作——分类统计

2.3 ERDAS8.4三维操作—三维显示

2.3 ERDAS8.4三维操作—三维参数

2.3 ERDAS8.4三维操作—方位角

2.3 ERDAS8.4三维操作—地形TIN显示

2.4 ERDAS8.4图像剖面——光谱剖面

2.4 ERDAS8.4图像剖面——空间剖面

2.4 ERDAS8.4图像剖面——地形剖面

2.5 ERDAS8.4矢量操作——显示参数

2.5 ERDAS8.4矢量操作——显示

2.5 ERDAS8.4矢量操作——矢量属性

三、ERDAS8.4数据处理
3.1 数据输入输出——常用格式
数据输入格式（70）
数据输出格式（30）
ArcInfo Coverage E00
ArcInfo Coverage E00
ArcInfo GRID E00
ArcInfo GRID E00
ERDAS GIS
ERDAS GIS
ERDAS LAN

ERDAS LAN
Shape File
Shape File
DXF
DXF
DGN
DGN
IGDS
IGDS
Generic Binary
Generic Binary
Geo TIFF
Geo TIFF
TIFF
TIFF
JPEG
JPEG

3.1 数据输入输出——数据输入

3.1 数据输入输出——单波段输入

3.1 数据输入输出——多波段组合

3.1 数据输入输出——数据输出

3.2 图像校正变换——几何校正
结束
显示图像文件
Display Image Files
启动几何校正模块
Start Geometric Correction Tool

采集地面控制点
Record Ground Control Points
计算转换模型
Compute Transformation Matrix
图像重采样
Resample the Image
检验校正结果
Verify Rectification Result
开始

3.2 图像校正变换——几何校正
ERDAS的图像几何纠正有多种方法,在实际应用中经常用到的就是通过键盘方式手工输入各控制点的坐标和利用已经纠正好的影像进行相对纠正.
ERDAS几何纠正方程一般都选择多项式方程(Polynomial),多项式次数一般取3到4次,控制点的最少数量与多项式次数满足关系式:
n=(t+1)(t+2)/2 t 代表多项式次数
纠正好后可采用VIEW窗口View—Link/Unlink Viewers—Geographical进行检测,还可以采用随机点进行检测,如果检测精度RMS>0.5说明纠正误差较大,需要重新纠正重采样. 几何纠正GCP分布图
GCP点

3.2 图像校正变换——几何校正

c

3.2 图像校正变换——拼接处理（数字融合镶嵌技术Mosaic可以把多个具有相同地理信息的图象无缝的合成为一张图象）

3.2 图像校正变换——投影变换
ERDAS提供几种方法用于进行投影变换:A. DataPrep — Reproject images B. Image Geometric correction — Reproject

3.2 图像校正变换——分幅裁剪
本节将给大家介绍几种常用的裁剪方法，分别是AOI规则裁剪＼AOI不规则裁剪＼Inquire Box矩形裁剪＼矢量多边形的规则以及不规则裁剪，对于矢量方式裁剪比较复杂，但却非常重要，例如用行政图上得到的政区边界来裁剪遥感图像．其裁剪方式主要由其形状决定．
ERDAS　AOI 裁剪操作方法是：首先在欲进行裁剪的图象上画出AOI，然后选择　ＤataPrep\Subset image或者Interpreter\Utilities\Subset进行裁剪．
ERDAS 　多边形裁剪方法是：首先将矢量多边形转为栅格格式的（Vector To Raster)，然后选择Interpreter\Utilities\Mask进行掩模运算
3.2 图像校正变换——分幅裁剪(AOI规则裁剪)

3.2 图像校正变换——分幅裁剪（AOI不规则裁剪）

3.2 图像校正变换——分幅裁剪（矢量）

3.3 图像增强处理
（基本理论）
1. 对比度变换
是一种通过改变图像像元的亮度值来改变图像像元对比度，从而改善图像质量的图像处理方法。因为亮度值是辐射强度的反映，所以也称之为辐射增强。常用的方法有对比度线性变换和非线性变换。 每一幅图像都可以求出其像元亮度值的直方图，观察直方图的形态，可以粗略地分析图像的质量。一般来说，一幅包含大量像元的图像，其像元亮度值应符合统计分布规律，即假定像元亮度随机分布时，直方图应是正态分布的。实际工作中，若图像的直方图接近正态分布，则说明图像中像元的亮度接近随机分布，是一幅适合用统计方法分析的图像。当观察直方图形态时，发现直方图的峰值偏向亮度坐标轴左侧，则说明图像偏暗。峰值偏向坐标轴右侧，则说明图像偏亮，峰值提升过陡、过窄，说明图像的高密度值过于集中，以上情况均是图像对比度较小，图像质量较差的反映。

1.1线性变换
为了改善图像的对比度，必须改变图像像元的亮度值，并且这种改变需符合一定的数学规律，即在运算过程中有一个变换函数。如果变换函数是线性的或分段线性的，这种变换就是线性变换。线性变换是图像增强处理最常用的方法。
1.2非线性变换
当变换函数是非线性时，即为非线性变换。非线性变换的函数很多，常用的有指数变换和对数变换。
2 空间滤波
对比度扩展的辐射增强是通过单个像元的运算从整体上改善图像的质量。而空间滤波则是以重点突出图像上的某些特征为目的的，如突出边线或纹理等，因此通过像元与其周围相邻像元的关系，采用空间域中的邻域处理方法。它仍属于一种几何增强处理，主要包括平滑和锐化。滤波函数有低通滤波、高通滤波和带通滤波等。
低通滤波用于仅让低频的空间频率成分通过而消除高频成分的场合，由于图像的噪声成分多数包含在高频成分中，所以可用于噪声的消除。
高通滤波仅让高频成分通过，可应用于目标物轮廓的增强。
带通滤波由于仅保留一定的频率成分，所以可用于提取、消除每隔一定间隔出现的干扰条纹的噪声。

2 图像卷积运算
是在空间域上对图像作局部检测的运算，以实现平滑和锐化的目的。具体作法是选定一卷积函数，又称“模板”，实际上是一个M×N图像。二维的卷积运算是在图像中使用模板来实现运算的。
2.1平滑
图像中出现某些亮度变化过大的区域，或出现不该有的亮点（“噪声”）时，采用平滑的方法可以减小变化，使亮度平缓或去掉不必要的“噪声”点。具体方法有：
– 均值平滑
– 中值滤波
2.2锐化
为了突出图像的边缘、线状目标或某些亮度变化率大的部分，可采用锐化方法。有时可通过锐化，直接提取出需要的信息。锐化后的图像已不再具有原遥感图像的特征而成为边缘图像。锐化的方法很多，在此只介绍常用的几种：
– 罗伯特梯度
– 索伯尔梯度
– 拉普拉斯算法
– 定向检测
梯度的概念：反映了相邻像元的亮度变化率，也就是说，图像中如果存在边缘，如湖泊、河流的边界，山脉和道路等，则边缘处有较大的梯度值。对于亮度值较平滑的部分，亮度梯度值较小。因此，找到梯度较大的位置，也就找到边缘，然后再用不同的梯度计算值代替边缘处像元的值，也就突出了边缘，实现了图像的锐化。

3 彩色变换
亮度值的变化可以改善图像的质量，但就人眼对图像的观察能力而言，一般正常人眼只能分辨20级左右的亮度级，而对彩色的分辨能力则可达100多种，远远大于对黑白亮度值的分辨能力。不同的彩色变换可大大增强图像的可读性，在此介绍常用的三种彩色变换方法。
– 单波段彩色变换
– 多波段色彩变换
– HSI变换
3.1单波段彩色变换
l 单波段黑白遥感图像可按亮度分层，对每层赋予不同的色彩，使之成为一幅彩色图像。这种方法又叫密度分割，即按图像的密度进行分层，每一层所包含的亮度值范围可以不同。例如，亮度0～10为第一层，赋值1，11～15为第二层，赋值2，16～30为第三层，赋值3，等等，再给1，2，3等分别赋不同的颜色，于是生成一幅彩色图像。目前计算机显示彩色的能力很强，理论上完全可以将256层的黑白亮度赋予256种彩色，因此彩色变换很有前景。
l 对于遥感影像而言，将黑白单波段影像赋上彩色总是有一定目的的，如果分层方案与地物光谱差异对应得好，可以区分出地物的类别。例如在红外波段，水体的吸收很强，在图像上表现为接近黑色，这时若取低亮度值为分割点并以某种颜色表现则可以分离出水体；同理砂地反射率高，取较高亮度为分割点，可以从亮区以彩色分离出砂地。因此，只要掌握地物光谱的特点，就可以获得较好的地物类别图像。当地物光谱的规律性在某一影像上表现不太明显时，也可以简单地对每一层亮度值赋色，以得到彩色影像，也会较一般黑白影像的目视效果好。
3.2多波段彩色变换
l 根据加色法彩色合成原理，选择遥感影像的某三个波段，分别赋予红、绿、蓝三种原色，就可以合成彩色影像。由于原色的选择与原来遥感波段所代表的真实颜色不同，因此生成的合成色不是地物真实的颜色，因此这种合成叫做假彩色合成。
l 多波段影像合成时，方案的选择十分重要，它决定了彩色影像能否显示较丰富的地物信息或突出某一方面的信息。以陆地卫星Landsat的TM影像为例，TM的7个波段中，第2波段是绿色波段（0．52～0．60μm），第4段波段是近红外波段（0．76～0．90μmp，当4，3，2波段被分别赋予红、绿、蓝色时，即绿波段赋蓝，红波段赋绿，红外波段赋红时，这一合成方案被称为标准假彩色合成，是一种最常用的合成方案。
l 实际应用时，应根据不同的应用目的经实验、分析，寻找最佳合成方案，以达到最好的目视效果。通常，以合成后的信息量最大和波段之间的信息相关最小作为选取合成的最佳目标，例如，TM的4，5，3波段依次被赋予红、绿、蓝色进行合成，可以突出较丰富的信息，包括水体、城区、山区、平原及线性特征等，有时这一合成方案甚至优于标准的4，3，2波段的假彩色合成
4 图像运算
两幅或多幅单波段影像，完成空间配准后，通过一系列运算，可以实现图像增强，达到提取某些信息或去掉某些不必要信息的目的。
l 差值运算：差值运算应用于两个波段时，相减后的值反映了同一地物光谱反射率之间的差。由于不同地物反射率差值不同，两波段亮度值相减后，差值大的被突出出来。例如，当用红外波段减红波段时，植被的反射率差异很大，相减后的差值就大，而土壤和水在这两个波段反射率差值就很小，因此相减后的图像可以把植被信息突出出来。如果不作相减，在红外波段上植被和土壤，在红色波段上植被和水体均难区分。因此图像的差值运算有利于目标与背景反差较小的信息提取，如冰雪覆盖区，黄土高原区的界线特征；海岸带的潮汐线等。
l 比值运算：两幅同样行、列数的图像，对应像元的亮度值相除（除数不为0）
比值运算可以检测波段的斜率信息并加以扩展，以突出不同波段间地物光谱的差异，提高对比度。该运算常用于突出遥感影像中的植被特征、提取植被类别或估算植被生物量，这种算法的结果称为植被指数，常用算法：
近红外波段／红波段 或 （近红外-红）/(近红外+红）
比值运算对于去除地形影响也非常有效。由于地形起伏及太阳倾斜照射，使得山坡的向阳处与阴影处在遥感影像上的亮度有很大区别，同一地物向阳面和背阴面亮度不同，给判读解译造成困难，特别是在计算机分类时不能识别。由于阴影的形成主要是地形因子的影响，比值运算可以去掉这一因子影响，使向阳与背阴处都毫无例外地只与地物反射率的比值有关。
比值处理还有其他多方面的应用，例如对研究浅海区的水下地形有效，对土壤富水性差异、微地貌变化、地球化学反应引起的微小光谱变化等，对与隐伏构造信息有关的线性特征等都能有不同程度的增强效果。

5 图像相关
图像相关（image correlation）是指在两张不同的图像中存在同一个目标物时，识别2图像中相互对应的物体位置所采用的技术。它除了主要用于寻找立体图像的对应点以外，还用于对不同时期拍摄的图像控制点的自动识别等。如在一幅图像A上设定n×n的窗口，在另一幅图像B中寻找对应其中心点的点。在搜索中，在B图像上移动n×n的窗口，求出表示窗口内图像间的相似性的互相关或相关系数为最大的点。
6 多光谱变换
遥感多光谱影像，特别是陆地卫星的TM等传感器，波段多，信息量大，对图像解译很有价值。但数据量太大，在图像处理计算时，也常常耗费大量的机时、占据大量的磁盘空间。实际上，一些波段的遥感数据之间都有不同程度的相关性，存在着数据冗余。多光谱变换方法可通过函数变换，达到保留主要信息，降低数据量；增强或提取有用信息的目的。其变换的本质是对遥感图像实行线性变换，使多光谱空间的坐标系按一定规律进行旋转。
（ERDAS操作）
图像空间增强处理，空间增强（Spatial Enhancement）技术是利用像元自身及其周围像元的灰度值进行运算，达到增强整个图像之目的。ERDAS提供的空间增强处理功能有：卷积增强、非定向边缘增强、聚焦分析、纹理分析、自适应滤波、分辨率融合、锐化处理等。
图像空间增强处理——卷积处理

图像空间增强处理——卷积处理
卷积运算是空间域上对图像进行邻域检测运算．选定一个卷积函数，称为“模板”，实际上是一个Ｍ＊Ｎ的小图像，例如３＊３＼５＊５＼７＊７．图像的卷积运算是通过模板来实现的．模板是运算卷积核即算子（Ｋernel)．
ERDAS提供了边沿探测＼边沿增强＼高通滤波＼低通滤波等．卷积运算有平滑和锐化两种形式．
图像空间增强处理——分辨率融合

ERDAS空间分辨率融合技术多采用主成分变换法，实际应用中，为了提高影像的分辨能力，如使用ETM+数据的１５米分辨率全色波段与其他几个波段进行合成，可以提高整体的解译效果．
图像辐射增强处理
辐射增强（Radiometric Enhance- ment）技术是对单个像元的灰度值进行变换达到图像增强的目的。 ERDAS提供的辐射增强处理功能有：查找表拉伸、直方图均衡化、直方图匹配、亮度反转、去霾处理、降噪处理、去条带处理等
« 图像辐射增强处理——直方图均衡化
直方图均衡化是将原始图像通过变换函数变为均匀的直方图，然后按均匀直方图修改原始图像，从而获得一幅灰度分布均匀的新图像

« 图像辐射增强处理——直方图匹配
又叫直方图规定化，是指使一幅图像的直方图变成规定形状的直方图而对图象进行变换的增强方法．规定后使两幅图像具有相近的直方图，一般在做图像融合之前先做直方图匹配，有助于融合效果的改善．

图像辐射增强处理——去霾降噪处理

图像光谱增强处理
光谱增强（Spectral Enhancement）技术是基于多波段数据对每个像元的灰度值进行变换，达到图像增强的目的。 ERDAS提供的光谱增强处理功能有：主成份变换、主成份逆变换、去相关拉伸、缨穗变换、色彩变换、色彩逆变换、指数计算、自然色彩变换等。
« 图像光谱增强处理——主成份变换

图像光谱增强处理——色彩变换
Ｉ(　intensity　)亮度＼H(　hue　)色度＼S(　saturation　)饱和度表示的彩色与人眼看到的更为接近，所以有利于影像的解译．ＲＧＢ和ＩＨＳ可以相互转化，把ＲＧＢ到ＩＨＳ的变换叫ＩＨＳ正变换，反之，叫ＩＨＳ逆变换．

图像光谱增强处理——缨帽变换
缨帽变换又叫做Ｋ－Ｔ变换，是一种线性变换，使坐标值发生旋转，旋转之后坐标轴的方向与地物特别是和植被生长及土壤有密切的关系．Ｋ－Ｔ变换为植被研究，特别是分析农业特征提供了一个优化显示的方法，同时又实现了数据压缩，因此具有重要的应用前景．（Ｔasseled Cap )

« 图像高光谱处理
高光谱工具是通过补偿大气对光谱的混淆来增强图像。ERDAS提供的高光谱增强处理功能有：自动相对反射、自动对数残差、归一化处理、内部平均相对反射、对数残差、数值调整、光谱均值、像元均值、信噪比等。
图像高光谱处理——归一化处理

图像高光谱处理——信噪比处理

« 傅立叶变换处理
傅立叶变换是首先把遥感图像从空间域转换到频率域，然后在频率域上对图像进行滤波处理，减少或消除周期性噪声，再把图像从频率域转换到空间域，达到增强图像的目的。ERDAS提供的高光谱增强处理功能有：傅立叶变换、傅立叶逆变换、傅立叶显示变换、周期噪声去除、同态滤波等。
傅立叶变换处理——傅立叶变换编辑器

傅立叶变换处理——低通滤波

傅立叶变换处理——高通滤波

« 傅立叶变换处理——契形滤波

傅立叶变换处理——组合滤波

傅立叶变换处理——滤波效果

3.4 图像分类处理
基于图象像元的数据文件值,将像元归并成有限几种类型/等级/数据集的过程,也成为图像分割(image segmentation)

• Unsupervised classification
• Supervised classification
• Expert classifier
• Classification assessment
非监督分类完全按照像元的光谱特征进行统计分类,常常用于对分类区没有太多了解情况下.
1)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.
2)人为干预较少,自动化程度较高.
3)一般经过以下步骤: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/统计分析.
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)选择可以识别或借助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.
3)一般经过以下步骤:训练样本/建立模板/评价模板/初步分类/检验分类/分类后处理/分类特征统计.
专家分类
首先建立知识库，根据分类目标提出假设，并根据拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类。
ISODATA
(Iterative self-organizing data analysis technique)
迭代：不断重复分类过程,并且重新计算统计值。
自组织：最少的用户输入即可进行类型的确定。
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； 用最小光谱距离把每一侯选象元赋予一个类别；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聚类分析中的参数
N:最大聚类组数,需要分成的最多的类别数,由于一些聚类组中可能包含的象元数太少,将会被合并,最终的聚类组可能少于N。
T:收敛阈值.在迭代过程中,上次聚类中类型值未改变的象元所占的百分比。
M:最大迭代次数。

非监督分类

实际工作中将分类设为最终分类数的2倍以上。
Evaluate classification
1) 同时显示germtm.ing和germtm_isodata.ing
提示:打开第2幅图时关闭clear display
2) 打开属性表调整字段和顺序
3）编辑类别颜色
4) 对比显示
提示：对比Utility>flicker/ Blend/ Swipe区别
Raster attribute editor:
Img属性表中对class names 和颜色进行编辑。

非监督分类处理——原理(小结）
遥感图像上的同类地物在相同的表面结构特征＼植被覆盖＼光照条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于不同的光谱空间区域．

非监督分类就是指事先人们对分类过程不施加任何先验知识，仅凭借遥感影像地物光谱特征的分布规律，随其自然的进行分类，其分类结果只是对不同的类别加以区分，并不知道具体的类别．需要实地考查．
« 非监督分类处理——内置模块

« 非监督分类处理——内置模块

Supervised Classification
训练样本：
是许多组代表某种可识别模式的象素组，系统通过对训练样本的各种统计值来生成参数化模板。

训练样本量：
对N个波段进行分类，训练样本量不少于10n个像元，到达100n个像元更好。
样本像元应具有代表性，避免集中局部。
训练样本选择：
取决于用户对研究区及类别的了解程度。
1）矢量多边形：使用矢量图层；自定义AOI多边形；
2）标志种子象素：利用AOI工具，用十字光标标出一个象元作为种子象素（seed pixel）代表训练样本，其相邻象素根据用户指定参数进行比较，直到没有相邻象元满足要求，这些相似元素通过栅矢转换成为感兴趣区域。
可能的分类原则有：

1）平行六面体（parallelepiped）
2) 特征空间（Feature space）

3) Minimum Distance(最小距离)
4)最大似然（Maximum likehood）
5)马氏距离（Mahalanobis distance）
定义分类模板
1）应用AOI绘图工具获取分类模板信息
利用Raster 工具面板多边形工具，在原图像上绘制多边形，在signature editor对话框中将其加载到signature 分类模板中。

提示：同一专题类型的多个AOI形成的模板可以合并。
1）打开一幅图像，germtm.img
2）Classification> signature editor>

2）应用AOI扩展绘图工具获取分类模板信息
Region growing properties 进行Neighborhood 属性设置。
利用Region grow AOI选择种子点。
提示：AOI> seed properties>region growing Properties
约束条件：Area确定最多的像元数； Distance确定包含像元距离种子点像元的最大距离。
Spectral euclidean distance,可以接收像元与种子点之间最大波谱欧式距离（两个像元在各个波段数值之差平方和的二次根）

3）在特征空间图像中应用AOI工具获取分类模板

特征空间图像：用分类的原图像的两个波段分别作横纵坐标轴形成的图像。

步骤：生成特征空间图像、关联原图像与特征空间图像、确定图像类型在特征空间的位置、在特征空间图像绘制AOI区域、将AOI区域添加到分类模板。

在特征空间图像中应用AOI工具获取分类模板
Signature editor:
Feature> create > feature space layers>
create feature space images

提示： Output to viewer 打开
Reverse axes 坐标轴交换

Evaluating Signatures
可分性：根据两个模板间的距离统计指标，可以针对任何将用于分类的波段组合，以排除无用波段。类别间统计距离计算公式：
1）欧氏光谱距离；2）Jeffries-matusta距离；
3)Divergence 分离度；4）Transformed divergence 转换分离度

c
Contingeney Matrix
可能性矩阵输出一个百分比矩阵，表明每个AOI训练区中有多少像元分别属于相应类别

提示： 误差矩阵精度<85%，模板需要要重建。
类别统计分析

Accuracy assessment
1) 打开原图像
2）启动精度评估对话框
3）打开分类专题图； File>open
4）原图像与精度评估关联；工具条：select viewer图标
5）设置随机点颜色； View>change colors
6）产生随机点; Edit > create/add random points
7）显示随机点类别; view> show all ; Edit > show class values
8）输入参考点类别; Reference 输入
9）输出分类评价报告； Report> accuracy report

« 监督分类处理——分类后处理
细碎图斑处理
1） Clump:计算分类图斑的面积，记录相邻区域中最大图斑面积。
2）Sieve:对经Clump图像，按照定义数值大小，删除较小的图斑，赋0值。
3）Eliminate:对经Clump图像，按照定义数值大小，删除较小的图斑，合并到相邻最大的图斑。
聚类统计（clump)、过滤分析(sieve)

去除分析(eliminate)、重编码(recode)

邻域分析 Neighborhood

在定义范围内和分析函数进行分析,中心象元被分析结果所取代.
Sum/Diversity/density/Majority/Minority/Max/Min/Rank

分类色彩设置

专家分类处理——专家分类器
ERDAS专家分类器由两部分组成：
知识工程师 / 知识分类器
知识工程师为拥有第一手数据和知识的专家提供一个用户界面，让专家把知识应用于确定变量、规则和感兴趣的输出类型（假设），生成层次决策树，建立知识库。知识分类器则为非专家提供一个用户界面，以便应用知识库并生成输出分类。
« 专家分类处理——知识工程师

« 专家分类处理——建立知识库
变量编辑器
规则编辑器
假设编辑器

« 专家分类处理——知识分类器

3.5 空间建模操作
空间建模工具——建模语言

« 空间建模工具——模型生成器

« 空间建模工具——模型库

空间建模过程——模型类型
输 入
输 出
函 数
输 入
函 数
输 出
输 入
函 数
输 入
输 出

空间建模过程——建模流程
明确问题（Define Problem）
放置对象图形
（Place Object Graphics）
连接对象（Connect Objects）
定义对象（Define Objects）
定义函数操作
（Define Functions & Operators）
运行模型（Run Model）
反
馈
与
调
整

« 空间建模过程——放置对象

空间建模过程——定义参数

« 空间建模过程——定义操作

空间建模过程——注释模型

空间建模过程——保存运行

« 空间模型输出——程序脚本

« 空间模型输出——打印输出

« 空间模型输出——文本流程

四、ERDAS8.4矢量功能
4.1 矢量功能简介——基于ESRI
ERDAS的矢量功能是基于ESRI的数据模型开发的，所以ARC/INFO的矢量图层（Coverage），ESRI的Shape文件和ESRI SDE矢量层（Vector Layer）可以不经转换而直接在ERDAS中使用，使用方式包括显示、查询、编辑（SDE矢量层除外）。
内置矢量模块（Native Vector）：是IMAGE Essentials级的功能，即内置于ERDAS中的矢量功能。这些功能包括“矢量数据及属性数据的查询与显示”、“矢量数据的生成与编辑”。
扩展矢量模块（Vector Module）：是ERDAS的附加模块，包括针对矢量图层的实用工具和多种格式矢量数据的输入/输出器。
4.2 矢量图层操作——生成图层

4.2 矢量图层操作——转换图层
4.2 矢量图层操作——转换图层
文本文件第几列代表坐标信息

4.2 矢量图层操作——显示特性

4.2 矢量图层操作——矢量符号

4.2 矢量图层操作——属性显示

4.2 矢量图层操作——属性选择

4.2 矢量图层操作——图层信息

4.2 矢量图层操作——图层拼接

4.2 矢量图层操作——图层裁剪

4.2 矢量图层操作——图层变换(Transform Vector Layer)
ERDAS提供了两种对图层进行坐标转化的方法,分别是仿射变换和投影变换,仿射变换要求至少三个以上控制点,投影变换要求至少四个以上控制点,变换时有个输入图层和输出图层,输出图层是一个包含控制点的图层,即以输出图层
的控制点对输入图层进行变换.变换时应该注意两个图层控制点的ID号的对应关系.

4.2 矢量图层操作——重命名

4.2 矢量数据管理——复制

4.2 矢量数据管理——导出/删除

4.3 拓扑关系建立—— Build和Clean
如果新建或者编辑了一个矢量图层,就需要对图层进行Clean 或者Build 处理,以保证空间数据拓扑关系及空间数据与属性数据的一致性.Build可以使没有属性表的图层产生属性表,有属性表的更新属性表,在一般情况下,Build可以被Clean代替,但是Build的效率比Clean 要高,如果一个图层的空间数据没有变化而属性数据产生了变化,可以用Build,如果图层的空间数据发生了变化,就必须用Clean .另外,点状线状图层只能用Build.
4.3 拓扑关系建立—— Build

4.3 拓扑关系建立—— Clean

4.4 属性数据管理——显示属性
提供了对属性表的编辑,如添加字段\添加行记录\删除记录\Info表的关联及合并等操作.

4.4 属性数据管理——更名/复制

4.4 属性数据管理—— 合并

4.4 属性数据管理——产生新表

4.4 属性数据管理——属性关联

4.5 矢量栅格转换——栅格到矢量

4.5 矢量栅格转换——矢量到栅格

五、ERDAS8.4虚拟GIS
5.1 虚拟GIS简介——基本概念
ERDAS虚拟GIS（VirtualGIS）是一个三维可视化工具，给用户提供了一种对大型数据库进行实时漫游操作的途径。在虚拟环境下，您可以显示和查询多层栅格图像、矢量图形和注记数据。
5.2 虚拟GIS工程——数据准备

5.2 虚拟GIS工程——创建工程
5.2 虚拟GIS工程——创建工程

5.2 虚拟GIS工程——调整参数(太阳方位角\地形精度)
5.2 虚拟GIS工程——调整参数(太阳方位角\地形精度)

5.2 虚拟GIS工程——调整参数(场景属性)

5.2 虚拟GIS工程——调整参数(场景属性)

5.2 虚拟GIS工程——调整参数(视点\目标)

5.2 虚拟GIS工程——调整参数(视点位置)

5.2 虚拟GIS工程——叠加洪水

5.2 虚拟GIS工程——洪水属性
5.2 虚拟GIS工程——洪水属性

5.2 虚拟GIS工程——洪水属性

5.2 虚拟GIS工程——多期洪水

5.2 虚拟GIS工程——叠加矢量

5.2 虚拟GIS工程——叠加注记

5.3 虚拟GIS飞行——导航模式

5.3 虚拟GIS飞行——飞行路线

5.3 虚拟GIS飞行——飞行参数

5.3 虚拟GIS飞行——三维动画

80