TM／ETM遥感数据解译方法与教程

1）非监督分类

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与分类运算，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。

非监督分类的大致步骤为：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、统计分析。

ERDAS中的ISODATA算法是基于最小光谱距离来进行的非监督分类，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（初始类别中心）；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。这个过程不断重复，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。ISODATA算法的优点是人为干预少，不用考虑初始类别中心，只要迭代时间足够，分类的成功率很高；常用于监督分类前符号模板的生成；缺点是时间耗费较长，且没有考虑像元之间的同谱异物现象。

▷　步骤1：打开分类（Classification）模块。

在ERDAS图标面板工具条中点击“Classification”图标，打开Classification功能菜单。

▷　步骤2：打开非监督分类（Unsupervised Classification）工具进行分类。

图2-98　“Unsupervised Classification（Isodata）”对话框

首先，在Classification功能菜单中点击“Unsupervised Classification”按钮，弹出“Unsupervised Classification（Isodata）”对话框（图2-98）。

在“输入栅格文件”中输入shanghang.img；在“输出文件”中定义输出文件路径（shiyan02文件夹下）和文件名称（unsupervisedclass.img）；在“Output Signature Set（生成分类模板文件）”中定义产生一个名称为unsupervisedclass.sig的模板文件。

在Clustering Options（聚类选项）中，点击选择Initialize from Statistics单选框（Initialize from Statistics指由图像文件整体或AOI的统计值产生自由聚类，分出类别的数目由用户自己决定；而Use Signature Means是基于选定的模板文件进行非监督分类，类别的数目由模板文件决定）；点击“Initializing Options”按钮可以调出“File Statistics Options”对话框以设置ISODATA的一些统计参数；点击“Color Scheme Options”按钮可以调出“Output color Scheme Options”对话框以决定输出的分类图像是彩色的还是黑白的。本例中这两个设置项使用缺省值。

在“Number of Classes（初始分类类别数）”中定义为20（通常取最终分类数的2倍以上，估计规划研究区的分类数在6～8类，因而设置为20）；在“Maximum Iterations（最大循环次数）”中设置为24（最大循环次数是指重新聚类的最多次数，是为了避免程序运行时间太长或由于没有达到聚类标准而导致的死循环，一般取6次以上）；在“Convergence Threshold（设置循环收敛阈值）”中设置为0.950（设置循环收敛阈值指两次分类结果相比保持不变的像元占所有像元的百分比，此值同样可以避免ISODATA无限循环下去）。

最后，点击“OK”按钮，关闭“Unsupervised Classification”对话框，执行非监督分类命令。

▷　步骤3：调整分类图像的属性。

在获得一个初步分类结果以后，可以应用分类叠加（Classification over1ay）方法来评价检查分类精度。

首先，在同一个视窗中打开shanghang.img和unsupervisedclass.img两个文件，即在同一视窗中同时显示原图像与非监督分类图像。

具体操作步骤为：（1）在视窗中打开shanghang.img，默认波段组合为432假彩色；（2）点击视窗菜单中的“Raster”—“Band Combinations”，弹出“Set Layer Combinations for”对话框，将组合方式改为红（5）、绿（4）、蓝（3），以便于地物对比；（3）点击视窗菜单中的“file”—“open”—“multi layer arrangement”，弹出“open multi layer”对话框，查找到文件unsupervisedclass.img后，点击“OK”按钮，该文件与shanghang.img文件在同一个视窗中打开（shanghang.img在下层，unsupervisedclass.img在上层）。

然后，打开分类图像属性并调整字段显示顺序。

具体操作步骤为：（1）在视窗工具条中，点击栅格工具面板图标，弹出Raster工具面板，或者选择Raster菜单项，在下拉菜单中选择“Tools”菜单，打开工具面板。（2）点击Raster工具面板上的属性表图标，打开“Raster Attribute Editor”对话框（图2-99），或者在视窗菜单条中选择点击“Rster”—“Attributes”，打开“Raster Attribute Editor”对话框（unsupervisedclass.img的属性表）。用户可以看到属性表中的21个记录分别对应产生的20个类以及1个Unclassified类（通常是0值的1个类），每个记录都有一系列的字段。如果想看到所有字段，需要用鼠标拖动浏览条，为了方便看到关心的重要字段，需要调整窗口大小或者改变字段显示顺序。（3）在“Raster Attribute Editor”对话框菜单条中，点击“Edit”—“Column Properties”，弹出“Column Properties”对话框（图2-100），在Columns中选择要调整显示顺序的字段，通过Up、Down、Top、Bottom等几个按钮调整其合适的位置，通过选择Display Width调整其显示宽度，通过Alignment调整其对齐方式。如果点击勾选Editable复选框，则可以在Title中修改各个字段的名字及其他内容。本例中只将Class＿Names字段调整在最上端，在属性表最前面一列中显示。最后点击“OK”按钮，返回“Raster Attribute Editor”对话框。

图2-99　“Raster Attribute Editor”对话框

图2-100　“Column Properties”对话框

最后，调整每一个类别的颜色。由于前面进行非监督分类时，选择的是默认值，生成的分类图是灰度图，如果需要将其改为彩色，则需要对每一类进行颜色设置。

具体操作步骤为：

（1）在“Raster Attribute Editor”对话框中，点击Row字段下的一个类别，该类别被选中而高亮显示。

（2）鼠标右键点击该类别在Color字段下方的颜色显示区，弹出颜色选择对话框，在对话框中点击选择一种颜色，该类别的显示颜色被改变；重复以上步骤直到给需要更改颜色的类别都赋予合适的颜色为止。

▷　步骤4：确定类别的专题意义和评价检查分类精度。

首先，在“Raster Attribute Editor”对话框中，设置Class1的Opacity（不透明程度）为1，即不透明，而将其他类别的Opacity设为0，即改为透明。此时，在视窗中只有要分析类别的颜色显示在原图像shanghang.img的上面，其他类别都是透明的。

通过叠置的初步判读，可以判定Class1为水域。

然后，点击视窗中菜单条上的“Utility”—“Flicke”，弹出“Viewer Flicker”对话框（图2-101）。

图2-101　“Viewer Flicker”对话框

点击勾选“Auto Mode”功能，使得分类图像在原图像背景上自动闪烁，并将Speed调整为800（视个人情况确定闪烁的时间间隔），观察它与背景图像之间的关系，从而判定该类别的专题意义，并分析其分类准确与否。通过判读，可以判定Class1为水域，且精度较高。

最后，在“Raster Attribute Editor”对话框中，点击Class Names字段下的Class1，使其进入可编辑状态，在该类别的名称改为“水域1”，并将Class1的显示颜色改为蓝色（图2-102）。

重复以上步骤，直到对所有20个类别都进行了专题意义的判读分析与类别名称以及颜色的修改处理，最后将所有类别设为不透明，在视窗中可以看到解译的结果图（图2-103）。

图2-102　将Class1改为水域1，并设置为蓝色

图2-103　非监督分类类别判读完成后的解译结果

▷　步骤5：数据重编码。

由于非监督分类一般要定义比最终分类多一定数量的类别数，在完全按照像元灰度值通过ISODATA聚类获得分类方案，并通过将专题分类图像与原始图像对照，判断每个分类的专题属性，然后需要对相近或类似的分类通过图像重编码进行合并，并定义新的类别名称和颜色。

图2-104　“Recode”对话框

具体操作过程如下：

（1）在ERDAS中，点击“Interpreter”图标，启动Image Interpreter模块，点击“GIS Analysis”，弹出“GIS Analysis”菜单，再点击菜单中的“Recode”按钮，弹出“Recode”对话框（图2-104）。

（2）在“Recode”对话框中，输入文件设置为unsupervisedclass.img；定义输出文件路径（shiyan02文件夹下）和文件名称（recode.img）；点击“Setup Recode”按钮，打开“Thematic Recode”表格（图2-105），根据需要改变New Value字段的取值（直接输入），设置新的类别编码，例如将所有的建设用地赋值为1，林地赋值为2，农田赋值为3，水域赋值为4，其他赋值为5；点击“OK”按钮，关闭“Thematic Recode”表格，返回“Recode”对话框；在“Recode”对话框中确定输出数据类型为Unsigned 8bit，并点选“Ignore Zero in Stats（忽略0值）”。

（3）在“Recode”对话框中点击“OK”按钮，关闭Recode对话框，执行重编码处理命令，得到recode.img文件，打开属性表调整类型颜色（图2-106）。

图2-105　“Thematic Recode”表格中New Value字段值输入

图2-106　重编码后5个类别的分类结果

由于上杭县地处山地丘陵地带，道路标准与等级较低，道路用地在TM影像中不够清晰，多为混合像元，很难单独判读。用户可以使用高分辨影像图进行数字化来获取县域的道路图。

2）监督分类

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他信息可以判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和分类后的处理。

▷　步骤1：定义分类模板。

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

定义分类模板的主要操作如下：

（1）在视窗中加载需要进行分类的图像shanghang.img文件，并调整显示的波段组合为543。

（2）打开Signature Editor（模板编辑器）并调整显示字段。

首先，在ERDAS图标面板工具条中点击“Classification”图标，打开“Classification”菜单，在“Classification”菜单中点击“Signature Editor”菜单项，打开“Signature Editor（模板编辑器）”对话框（图2-107）。

图2-107　“Signature Editor（模板编辑器）”对话框

图2-108　“View Signature Columns”对话框

在该对话框有很多字段，有些字段对分类的意义不大，所以需要进行调整使不太需要的字段暂不显示。点击“Signature Editor”对话框菜单条中的“View”—“Columns”，打开“View Signature Columns”对话框（图2-108），按住左键不放，从Column字段下的数字1向下拖拉直到最后的数字14后松开鼠标（此时，所有字段都被选上，并用黄色缺省色高亮标示出来），然后在按住Shift键的同时分别点击Red、Green、Blue三个字段（这三个字段将从选择集中清除），点击“Apply”按钮，再点击“Close”按钮，关闭“View Signature Columns”对话框。

（3）使用AOI绘图工具获取分类模板信息。

首先，在视窗的菜单项中点击“AOI”—“Tools”，打开AOI工具面板，或者直接点击工具条中的栅格工具图标，打开Raster（栅格）工具面板。然后，点击工具面板中的任意多边形图标，在视图窗口中选择一片林地区域，绘制一个多边形AOI（图2-109）。最后，切换到“Signature Editor”对话框，点击创建新分类模板图标，将刚才绘制的多边形AOI加载到Signature分类模板中（图2-106），并修改模板的Signature Name和Color分别为林地1和Green。

重复上述操作过程多选择构建几个林地区域AOI，并将其作为新的分类模板加入到Signature Editor中，同时修改模板的名称和颜色。

图2-109　林地AOI绘制与新分类模板（林地1）创建

定义模板原则：①必须在分类之前就知道研究区域的森林类型、覆盖范围以及图像的叠合现象，以保证输出分类的连续性。②当创建训练区时，对于每一个类别都有一些子类，每个子类选择的AOI区域应该不少于5个，并且每个AOI区域内像素的颜色类型尽量保持一致，跳跃不能很大，即不要出现杂色。例如，林地在山坡阳面和阴面呈现的色调差异较大，应分别在不同的区域多选一些模板。

我们分别提取林地、水域、建设用地、农田用地类型的分类模板，为了简便演示，每一类别选择5～10个子类来定义模板（图2-110）。最后的模板保存为supervisedclass.sig文件。

如果对同一个专题类型（如林地、水域、建设用地等）采集了多个AOI并分别生成了分类模板，用户可以将这些模板合并生成一个新的模板，以使该分类模板具有区域的综合特性。方法是在“Signature Editor”对话框中，将该类的分类模板全部选中，例如将农田的6个模板全部选中，然后点击“Signature Editor”对话框工具条上的合并选择的分类模板图标，这时一个综合的新模板将产生，原来的多个Signature同时存在。将新生成的分类模板改名为“农田综合”，颜色设置为黄色。最后，点击“File”—“Save”按钮，保持分类面板文件的修改。

图2-110　定义的分类模板（林地、建设用地、农田、水域共26个）

▷　步骤2：进行监督分类。

图2-111　“Supervised Classification”对话框

在监督分类过程中用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行管道等方法，对参数模板有最大似然法、Mahalanobis距离法、最小距离法等方法。非参数规则和参数规则可以同时使用，但要注意非参数规则只能应用于非参数模板，参数模板要使用参数规则。另外，如果使用非参数模板，还要确定叠加规则和未分类规则。

首先，在ERDAS图标面板工具条中点击“Classification”图标，打开Classification功能菜单，再点击“Supervised Classification”按钮，弹出“Supervised Classification”对话框（图2-111）。

然后，在“Supervised Classification”对话框中做如下设置：输入栅格文件为shanghang.img；定义输出的分类文件路径（shiyan02文件夹下）和文件名称（supervisedclass.img）；设置输入的分类模板文件为supervisedclass.sig；点击勾选“Distance File”复选框，选择输出分类距离文件（用于分类结果进行阈值处理）的路径（shiyan02文件夹下）和文件名称（distance.img）；选择Non-parametric Rule（非参数规则）为Feature Space，进而选择Overlay Rule（叠加规则）为Parametric Rule（选择Feature Space后的默认值），选择Unclassified Rule（未分类规则）为Parametric Rule；选择Parametric Rule（参数规则）为Maximum Likelihood（即最大似然法）；不选择Classify zeros（即分类过程中不包括0值）。(www.xing528.com)

最后，点击“OK”按钮，执行监督分类，得到分类结果supervisedclass.img（图2-112）。

图2-112　监督分类结果与非监督分类结果对比

监督分类相对于非监督分类，解译的效果比较好。但是由于分类模板选择的不是太多，分类结果还有较大的提升空间，农田特别是梯田，还可以与裸地、林地等分得更清楚。此时，可以再重新增加模板的数量，然后重新进行监督分类。如果有研究区的地形图，可以参照地形图中确定地物的信息，进行分类模板的制作，比单纯依靠TM数据进行AOI区域的选择精度要好一些。当然，用户还可以结合规划研究区的高分辨率影像图来进行地物的识别，也有利于解译精度的提高。本例中，不再调整分类模板，所以输出的结果可能难以满足使用的需要。实际工作中，要反复的训练样本（分类模板），直至得到质量较好的结果为止。

▷　步骤3：监督分类结果评价。

执行了监督分类之后，需要对分类结果进行评价（Evaluate Classification）。ERDAS系统提供了多种分类评价方法，包括分类叠加（Classification Overlay）、阈值处理（Thresholding）、分类精度评估（Accuracy Assessment）等。

（1）分类叠加（Classification Overlay）

将专题分类图像与原始图像同时在一个视窗中打开，将分类专题图置于上层，通过改变分类专题层的透明度和颜色等属性，查看分类专题与原始图像之间的关系。本方法具体操作参见非监督分类中的分类方案调整部分。

（2）阈值处理（Thresholding）

阈值处理方法可以确定哪些像元最可能没有被正确分类，可将其从监督分类的初步结果中剔除，从而对解译结果进行优化。用户可以对每个类别设置一个距离阈值，将可能不属于它的像元（在距离文件中的值大于设定阈值的像元）筛选出去，赋予另一个分类值。

具体操作步骤为：

首先，在视图窗口中打开分类后的图像supervisedclass.img。

然后，在ERDAS图标面板工具条中点击“Classification”图标，打开Classification功能菜单，再点击“Threshold”选项，打开“Threshold”对话框（图2-113），启动阈值处理功能。在“Threshold”对话框菜单条中点击“File”—“Open”，或者直接点击Open Files图标，打开“Open Files”对话框（图2-114），输入分类图像文件为supervisedclass.img和距离图像文件distance.img，点击“OK”按钮，返回“Threshold”对话框（图2-113）。

再次，进行视图选择及直方图计算。在“Threshold”对话框菜单条中点击“View”—“Select Viewer”，并点击显示监督分类结果图像的视窗；并在“Threshold”对话框的菜单条中点击“Histograms”—“Compute”（计算各类别的距离直方图），此时显示距离直方图图标由灰色变为黑色，表明可以使用该功能；通过点击“File”—“Save Table”，将文件保存。

接着，选择类别并确定阈值。在“Threshold”对话框的分类属性表格中，点击选择专题类别Class1（即林地1），该类别高亮显示，这时点击Histograms图标，选定类别的“Distance Histogram”被显示出来（图2-115）；拖动Histogram X轴上的箭头到需要设置为阈值的位置，“Threshold”对话框中的Chi-Square自动发生变化，表明该类别的阈值设置完毕。然后重复上述步骤，依次设置每一个类别的阈值，直到分类结果得到优化。

最后，显示并观察阈值处理图像结果。

图2-113　“Threshold”对话框

图2-114　“Open Files”对话框

图2-115　林地1的“Distance Histogram”

在“Threshold”对话框菜单条中点击“View”—“View Colors”—“Default Colors”（环境设置，将阈值以外的像元显示为黑色，之内的像元以分类色显示）；在“Threshold”对话框菜单条中点击“Process”—“To Viewer”，阈值处理图像将显示在分类图像之上，形成一个阈值掩膜（Threshold Mask）（图2-116）；将阈值处理图像设置为Flicker闪烁状态，观察处理前后的变化；然后点击“Process”—“To File”，打开“Threshold to File”对话框，设置要生成的文件名称为supervisedclasslindiadjust.img和路径（shiyan02文件夹下）；点击“OK”按钮，执行Threshold命令。

调整认为解译精度不高，结果不太理想的土地利用类型，分别调整其阈值，直至调整结果满意为止。

图2-116　生成的林地1的阈值掩膜

（3）分类精度评估

分类精度评估是将专题分类图像中的特定像元与已知分类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实值、先前的试验地图、航空相片或其他数据进行对比。

具体操作步骤为：

首先，在Viewer视图窗口中打开分类前的原始图像shanghang.img，以便进行精度评估。

然后，ERDAS图标面板工具条中点击“Classification”图标，打开Classification功能菜单，再点击“Accuracy Assessment”选项，打开“Accuracy Assessment”对话框。在“Accuracy Assessment”对话框中点击“File”—“Open”，或者直接点击工具条上的打开分类图像图标，打开“Classified Image”对话框（图2-117）。在“Classified Image”对话框中找到与视窗中对应的分类专题图像文件supervisedclass.img，点击“OK”按钮，返回“Accuracy Assessment”对话框。在“Accuracy Assessment”对话框的工具条中点击图标，将光标在显示有原始图像的视窗中点击一下，这时原始图像视窗与精度评估视窗相连接；接着点击“View”—“Change Colors”，打开“Change colors”面板（图2-118）。在该面板中定义下列参数：在Points with no reference（确定没有真实参考值的点的颜色）：白色，在Points with reference（确定有真实参考值的点的颜色）：黄色，点击“OK”按钮，返回“Accuracy Assessment”对话框。

图2-117　“Classified Image”对话框

图2-118　“Change colors”面板

图2-119　“Add Random Points”对话框

再次，在分类图像中产生一些随机点，需要用户给出随机点的实际类别，以便与分类图像的类别进行比较。在“Accuracy Assessment”对话框中点击“Edit”—“Create／Add Random Points”，打开“Add Random Points”对话框（图2-119）。在该对话框中定义下列参数：在“Search Count”中输入1024，在“Number of Points”中输入10，在“Distribution Parameters”选择“Random”单选框，点击“OK”按钮，返回“Accuracy Assessment”对话框。这时，在“Accuracy Assessment”对话框的数据表中列出了10个比较点，每个点都有点号、X／Y坐标值、Class、Reference等字段（图2-120）。

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；“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，而不使用任何强制性规则；“Equalizes 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，选择该复选框后可以确定一个最小点数，以保证小类别也有足够的分析点。

最后，在“Accuracy Assessment”对话框的菜单条中点击“View”—“Show All”（所有随机点均以设定的颜色显示在视窗中，见图2-121）；接着点击“Edit”—“Show Class Values”（各点的类别号出现在数据表的Class字段中，见图2-122）；在数据表的Reference字段输入各个随机点的实际类别值。然后，在“Accuracy Assessment”对话框中点击“Report”—“Options”，通过点击确定分类评价报告的参数：选择Error Matrix、Accuracy Totals和Kappa Statistics（图2-123）；再点击“Report”—“Accuracy Report”（产生分类精度报告）（图2-124）。

图2-120　执行“Add Random Points”后加入了10个随机点

图2-121　所有随机点均以设定的颜色显示在视窗中

图2-122　各点的类别号出现在数据表的Class字段中

图2-123　通过“Options”选择分类评价报告中的参数

图2-124　分类精度报告

在总报告中，总正确率Accuracy Totals＝（正确分类样本数／总样本数）×100%；Kappa Coefficient：分类过程中错误的减少与完全随机分类错误产生的比率。

▷　步骤4：分类后处理。

无论监督分类还是非监督分类，都是按照图像光谱特征进行聚类分析的，因此都带有一定的盲目性。所以，对获得的分类结果需要再进行一些处理工作，才能得到最终相对理想的分类结果，这些操作统称为分类后处理。ERDAS系统提供了多种方法，包括重编码（Recode）、集聚处理（Clump）、滤网分析（Sieve）和去除分析（Eliminate）等。

（1）重编码（Recode）

用户可以将我们定义的20多个分类模板得到的分类结果进行重编码，将同一类地物进行合并赋统一的类别代码，生成新的IMG格式文件supervisedrecode.img。前面非监督分类小节中已经介绍过，在此不再赘述。

（2）集聚处理（Clump）

无论监督分类还是非监督分类，分类结果中都会产生一些面积很小的图斑，有必要进行剔除。集聚处理是通过分类专题图像计算每个分类图斑的面积，记录相邻区域中最大图斑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；该图像是一个中间文件，用于进行下一步处理。

图2-125　“Clump”对话框

具体操作过程如下：

首先，在ERDAS图标面板中点击“Interpreter”按钮，弹出Image Interpreter功能菜单，点击“GIS Analysis”按钮，弹出GIS Analysis功能菜单，再点击“Clump”工具，打开“Clump”对话框（图2-125）。

然后，在“Clump”对话框确定下列参数。输入文件：重编码后的supervisedrecode.img；输出文件：clump.img；文件坐标类型Coordinate Type：Map；确定集聚处理邻域Connected Neighbors：8（统计分析将对每个像元周围的8个相邻像元进行，为默认选项）；点击勾选忽略0值选项。

最后，点击“OK”按钮，关闭“Clump”对话框，执行集聚处理命令。

（3）滤网分析（Sieve）

图2-126　“Sieve”对话框

滤网功能是对经Clump处理后的Clump类组图像进行处理，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。小图斑的属性可以与原分类图对比确定，也可以通过空间建模方法，调用Delerows或Zonel工具进行处理。Sieve经常与Clump配合使用，对于无需考虑小图斑归属的应用问题，有很好的作用。

具体操作过程如下：

首先，在ERDAS中点击“Interpreter”—“GIS Analysis”—“Sieve”按钮，弹出“Sieve”对话框（图2-126）。

然后，在“Sieve”对话框中确定下列参数。输入文件：clump.img；输出文件：sieve.img；确定最小图斑大小Minimum size：8 pixels；点击勾选忽略0值。

最后，点击“OK”按钮，关闭“Sieve”对话框，执行滤网分析命令。

（4）去除分析（Eliminate）

去除分析是用于删除原始分类图像中的小图斑或Clump类组图像中的小Clump类组，与Sieve命令不同，Eliminate将删除的小图斑合并到相邻的最大的分类当中。而且，如果输入图像是Clump类组图像的话，经过Eliminate处理后，分类图斑的属性值将自动恢复为Clump处理前的原始分类编码。可以说，Eliminate处理后的输出图像是简化了的分类图像。

图2-127　“Eliminate”对话框

具体操作过程如下：

首先，在ERDAS中在ERDAS中点击“Interpreter”—“GIS Analysis”—“Eliminate”按钮，弹出“Eliminate”对话框（图2-127）。

然后，在“Eliminate”对话框中确定下列参数。输入文件：clump.img；输出文件：eliminate4.img；确定最小图斑大小Minimum size：4pixels；确定输出数据类型：Unsigned 8 bit；点击勾选忽略0值选项。

最后，点击“OK”按钮，关闭“Eliminate”对话框，执行去除分析命令。

注意：最小图斑的大小设置必须结合图像的实际用途、图像的信息量、分类图像的可分性等来确定。大家可以试着做几个不同的设置，看结果的差异，然后选择既能减少小图斑又能保持解译精度的最优图斑大小。本例中综合各方面因素，将其设置为8pixels。

ERDAS中需要先进行聚类分析（Clump），再进行去除分析（Eliminate），得出的结果图像是按灰度显示，可修改为彩色。利用聚类分析得到的climp.img文件，分别进行4 pixels、8pixels、16pixels、32pixels的去除分析，得到4个结果（图2-128），通过比较8 pixels的去除分析比较合适，既减少了破碎多边形，又能够保持较高的数据解译精度。

图2-128　不同pixels设置下的去除分析结果