监督分类和面向对象分类流程
高分一号城市绿地现状调查与分析实现教程
本文将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程（图一）
图一
首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。
第一章数据预处理
因为处理数据是高分一号影像，本文处理软件为ENVI5.1，因为ENVI5.2以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置（图二），然后就可以打开高分影像了（图三）
图二
图三
为了加快数据处理的速度，本文是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图（图四）：
图四
1.1 辐射校正
分为辐射定标和大气校正
（1）打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件；
（2）辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据
弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：
高分一号多光谱影像参数设置
高分一号全色影像参数设置
（3）大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
（4）点击Input Radiance Image，选择前面处理好的数据，在Radiance Scale Factors面板中选择Use single scale factor for all bands，由于定标的辐射量数据与FLAASH的辐射亮度的单位相差10倍，所以在此Single scale factor选择：1，单击OK；
（5）设置文件输出路径。
（6）传感器基本信息设置：
●Scene Center Location从影像中自动获取；
●Sensor Type为GF-1；
●Ground Elevation通过统计DEM数据获得；
●Pixel Size根据相机选择，PMS相机全色2m，多光谱8m，WFV相机16m；
●Flight Date从影像xml头文件中读取，减去8换算成GMT时间；
（7）大气模型和气溶胶模型：
●Atmospheric Model根据经纬度和影像区域选择：
●Aerosol Model根据实际情况选择；
●Aerosol Retrieval选择None；
●其他默认；
（8）单击Multispectral Setting按钮，在Filter Function File 导入光谱响应曲线“gf-1pms.sli”，单击OK。
（9）单击Advanced Settings，在高级设置中Modtran Resolution选择5 cm-1。
（10）设置好后，在大气校正模块面板中，单击Apply。
1.2 影像裁剪
（1）File -> Open，这里使用的是不规则裁剪，具体的理论知识可以在网上搜索，首先打开你矢量的"矢量.shp"数据，如图；
（2）在Toolbox中，打开Regions of Interest /Subset Data from ROIs。Select Input File选择Beijing_TM.dat，点击OK，打开Subset Data from ROIs Parameters面板；（3）在Subset Data from ROIs Parameters面板中，设置以下参数：
?Select Input ROIs：选择EVF:矢量.shp
?Mask pixels output of ROI？：Yes
?Mask Background Value背景值：0
（4）选择输出路径和文件名，单击OK执行图像裁剪。
1.3 正射校正
使用RPC文件进行正射校正，点开Geometric Correction—Orthorectification—RPC Orthorectification Workflow，如下图所示：
在该工作页面中将要处理的影像输入，然后点击next
在弹出的页面的Advanced选项中选择输出像素大小，多光谱选择8m，全色选择2m，然后
再export页面选择输出的位置，点击finish；
1.4 图像融合
对每一景的多光谱和全色影像进行正射校正之后就对其进行融合，一般来说高分一号影像使用GS融合，点击工具箱中的Image Sharpening—Gram-Schmidt Pan Sharpening 分别将多光谱和全色影像输入，然后设置输出位置，finish；
1.5 图像镶嵌
图像镶嵌也是所谓的羽化操作，一般来说一景高分影像能覆盖的区域是有限的，所以需要进行镶嵌操作，对其进行拼接到所需要的研究范围，点击工具箱中的Mosaicking—seamless Mosaic
镶嵌过程最好两张两张镶嵌，这样电脑可以承受，先将要镶嵌的两张图通过绿色的加号加载进来，然后使用右上角的seamlines中的自动接边线进行自动拼接，再观察自动拼接的效果，如果有不好的地方再对其进行修改。
接边线的修改主要就是画三角形，将不想要的部分去除，这个很简单，在网上也可以搜到。如何觉得对接边线进行修改比较麻烦，可以加我qq545698595
接边效果:
1.6 影像增强
在遥感集市网站上有植被增强的插件，如果要做绿地信息提取的话可以去上面下载安装，然后对影像进行处理，但是很多情况下不需要这一步，对影像做一个拉伸处理便可。
第二章绿地信息提取
2.1监督分类
这一步实习课上都有，不需要演示
2.2 面向对象绿地信息提取
面向对象信息提取是目前最流行的信息提取方法，现在可以实现的软件有econition8.7 ERDAS还有envi 的EX模块，总体来说易康软件的面向对象提取方法比较完善，分割方法也比较多，但是因为软件需要收费，所以本文使用envi来进行处理。
2.2.1 分类步骤
2.2.2 实现
对象的创建
影像对象的创建主要进行了图像分割处理，本文采用多尺度分割算法对影像进行分割。首先要对数据源进行一些预处理操作，本文将RGB调整成4:3:2显示模式，这样能够更好的判别出绿地和非绿地的区别，这个时候在图像上可以看到有些红色的建筑物顶和植被覆盖区域发生混淆，这个是之后需要解决的问题。然后打开基于规则面向对象分类模块，将影像输入，考虑到房屋和绿地之间的颜色混淆，在定制波段一栏选择归一化差值，将红波段和近红波段输入，可以在后期的规则特征提取中提供额外的属性数据。
然后对图像进行影像分割和合并，经过反复试验，本文采用使用Edge和Full Lambda Schedue 方法，阈值分别为39.9和89.7，纹理内核为3。分割效果如下：
图切割效果预览
基于规则特征提取
本文需要提取绿地，分类主要依靠的是绿地的植被覆盖指数。正常情况下，当NDVI>0便可以认为有植被存在，本文发现当令NDVI在0-1之间一些建筑物的房顶也被提了出来，所以将最低值提高到了0.1，虽然发现还是会有一些建筑物被提取，但是情况已经好了很多，其次因为建筑物大多是矩形的，所以可以通过设置矩形度对房屋进行剔除，因此对绿地的描述设置为：NDVI在0.1-1.0之间，rectangle在0.0182-0.8之间，两个属性的分类结果如下图（同一区域），光谱值和纹理提取出来的效果良好，将结果进行输出：
图两种属性提取信息预览（左基于光谱，右基于几何）
试验区绿地提取
从分类结果可以看出分类的效果良好，将肉眼不能分辨的绿地提取了出来，适用于高分辨遥感影像的绿地信息提取，接着将其应用于全图：
图分类结果图
2.2.3 精度评价
精度评价有两种方法，在classic中的classification-post classicification-confusion Matrix 中的两种，一种是从高分辨率提取的图像验证低分辨率的图像，另一种是勾选正确的样本来验证用面向对象方法提取的影像信息，我使用了8m分辨率的多光谱影像提取结果和融合后影像的提取结果进行对比，来得出此次面向对象分类的准确度。
第三章矢量化处理
3.1矢量切割
在arcgis中打开.dat文件，然后把提取出来的绿地信息进行分级，我的论文中将绿地分成了：公园绿地、生产绿地、防护绿地、附属绿地和其他绿地5种绿地类型，首先将在ArcGIS 中新建一个和.dat文件一样轮廓的面文件命名为五类，如图：
然后打开编辑器选择切割按钮将影像切割成几个大的部分，再对每个部分进行细部分割，通过与原影像叠加的目视解译和实地外调确定绿地类型。以上为五类绿地分割的情况，新建CLASS字段来对每一块区域进行赋值。
3.2 矢量处理
将处理的.dat影像转换成shp文件：点开小红箱子中的数据管理工具data management tools-features-feature to polygon:将面向对象提取的影像转成矢量文件
如下图，是转换出来的全部面文件，需要打开编辑器，将最外面的面文件删除，剩下才是我们真正需要的面，删除后的矢量文件在下图：
点击Arcmap10.1界面的第一行selection的select by attributes，打开页面之后选择CLASS 字段，以生产绿地为例，其类别为1，以下高亮区域便是生产绿地的范围：
接着点击selection中的select by location，目标图层选择自己用影像转出来的面文件，源图层选择你切割分类的图层，点击apply，分类结果导入了目标图层，以下高亮部分便是选择出来的生产绿地图斑，
打开目标图层litongchangshi的属性表，选择右下方右边的图标，添加一个类别字段，把选择的图斑赋值为生产绿地，依次操作下去便可把所有图斑的绿地类型赋值完毕，如下图
最后再利用CLASS_ID进行显示，最后可以分出五种绿地类型的区域分布
如何对流程进行分类分级
如何对流程进行分类分级? 有许多的流程咨询项目，因未和客户就流程的边界问题达成一致而导致项目暂停或失败。可见流程咨询项目中，对流程边界进行清晰地界定与规划是非常重要的，只有界定了合理的流程边界，项目才可能在可控的范围内顺利展开，所以确定流程边界是项目成败的关键因素。而进行流程边界界定的首要任务是对流程进行分类、分级。一般的企业管理和业务流程加起来少则几百个，多则上千个，如果不事先对其进行分类分级、主次界定，流程梳理工作将陷入可怕的盲目状态，后果要么是顾问做了很多工作却得不到客户认可，要么是根本不能继续下去，一切搁置，不了了之。那么究竟如何对流程进行分类、分级呢？ 一、流程的分类主要有以下几种形式： （一）按照企业主价值链分类： 1、贸工技：以贸易为优先战略的企业组织类型。这类企业一般以客户管理为主线，结合产品的策划、研发流程、品质管理流程、财务管理流程、人力资源管理流程等，形成总的价值链。 2、技工贸：以技术为优先战略的企业组织类型。这类企业一般以产品设计、研发流程、品质管理流程为主线，结合客户关系管理流程、财务管理流程、人力资源管理流程等辅助流程，最终形成自己的总价值链。 （二）按照流程的作用范围分类： 所谓“作用范围”是指流程涉及的内容、所起的作用。所以，一般可分为企业战略流程、企业经营流程、企业保障流程三类。 1、企业战略流程：与企业的经营分析、战略定制、战略调整等相关的流程； 2、企业经营流程：与企业主营业务相关的流程，以及财务管理类流程等； 3、企业保障流程：如行政管理、安技环保、后勤保障类流程。 （三）按照咨询行业通用分类： 从通用角度，一般分为“企业管理流程”和“企业业务流程”两大类，分别描述管理工作与主营业务工作。 1、企业管理流程：包括战略、行政、财务、人力资源等管理内容的相关流程； 2、企业业务流程：包括采购、销售、设计、生产、品管等方面的流程。
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。
流程的分级分类与分层
流程的三大诡异概念：分级、分类、分层 现在很多企业在搞流程管理，都会安排各个部门、各个岗位将自己做的事情画成流程图。等到把布置 的工作收集上来一看，企业竟然有上千个流程。 看上去企业的业务很复杂，其实里面重复性的内容很多。特另提跨部门的同一件事情，比如一个单位送图纸、对另外一个单位来说就是取图纸，事情还是那一件，只是看事情的角度不同，结果两个部门“各自为政”，弄岀两个来。重复描述且不说，因为视角不同，对这一流程节点的交接时间、标准等会存在理解的差异，也就是我们常说的流程边界不清楚。原本是要通过绘制流程图，将上下左右的关联流程、业务节点给梳理清楚的，这下反而更复杂了。 所以，要想流程描述好，界定流程边界很重要。而要确定流程边界，首先要将企业所有的流程名称组织起来，形成一个流程清单的树形结构。 其实，企业的流程从来都不是简单的树形或者层次结构，而是一个多维度的网络结构。比如，常态化的工序加工质量检验流程，当发现了产品缺陷时，除了通过本流程处理好这个产品的质量缺陷外，还可能触发一个工艺改进流程，或者供应商质量评价和处理流程。这三个流程的流向、处理进度、完成标准正如其目标不同一样，是有很大差别的。 流程描述的一个难点在于，要在一个单一的树形结构中，同时表述这种具有网络结构的流程清单。这 就好比用单一的关系型数据库来表示复杂的数据结构一样，令人难懂。 这里先从最简单的流程分级概念说起。 流程分级可以简单理解为将不同颗粒度的流程按照粗细分为不同的级别。不同级别的流程之间是有关系的。比如世界地图是一个分级，中国地图是另一个分级，江苏省或者南京市地图又分别是一个级，这就叫分级。 那分类是什么？ 同一个分级也可以有不同的分类，比如，同样是中国地图，可以有全国高速公路交通图，也可以是全 国海拔高度分布图，或者绿色植被覆盖图。他们之间是同一级别的不同分类。 不同的分级之间，可能会采用不同的分类。比如企业的采购流程，作为企业的主营业务流程，其下可以分为采购申请、采购询价、采购合同订立、采购入库、采购付款等子流程，也就是分为五个下级流程。而分类可能是说，同样的采购申请流程，可以根据采购物资的性质不同，分为固定资产采购申请流程、原材料采购申请流程、办公用品采购申请流程等三个分类，因为各种分类涉及的采购申请对象、审批人都不尽相同。 从上面的例子也可以看岀，分级分类流程的是两个属性维度，相互关联又有区别。那么如何在同一个 流程清单的树形结构中同时清楚地表述这两者之间的差别呢？流程管理顾问有一套方法，配合其他概念和规则，可以很好地解决流程描述边界的问题，这里不再细说。如有需要，可联系我们延展咨询的流程咨询顾问。
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。
面向对象分类之图像分割
传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要 明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。 面向对象的处理方法中最重要的一部分是图像分割。 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)，早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。 目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
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
业务流程的分类问题和边界问题
业务流程的分类问题和边界问题 有许多的流程咨询项目，因未和客户就流程的边界问题达成一致而导致项目暂停或失败。可见流程咨询项目中，对流程边界进行清晰地界定与规划是非常重要的，只有界定了合理的流程边界，项目才可能在可控的范围内顺利展开，所以确定流程边界是项目成败的关键因素。 而进行流程边界界定的首要任务是对流程进行分类、分级。 一般的企业管理和业务流程加起来少则几百个，多则上千个，如果不事先对其进行分类分级、主次界定，流程梳理工作将陷入可怕的盲目状态，后果要么是顾问做了很多工作却得不到客户认可，要么是根本不能继续下去，一切搁置，不了了之。 那么究竟如何对流程进行分类、分级呢？ 一、流程的分类主要有以下几种形式： （一）按照企业主价值链分类： 1、贸工技：以贸易为优先战略的企业组织类型。这类企业一般以客户管理为主线，结合产品的策划、研发流程、品质管理流程、财务管理流程、人力资源管理流程等，形成总的价值链。 2、技工贸：以技术为优先战略的企业组织类型。这类企业一般以产品设计、研发流程、品质管理流程为主线，结合客户关系管理流程、财务管理流程、人力资源管理流程等辅助流程，最终形成自己的总价值链。 （二）按照流程的作用范围分类：所谓“作用范围”是指流程涉及的内容、所起的作用。所以，一般可分为企业战略流程、企业经营流程、企业保障流程三类。 1、企业战略流程：与企业的经营分析、战略定制、战略调整等相关的流程；
2、企业经营流程：与企业主营业务相关的流程，以及财务管理类流程等； 3、企业保障流程：如行政管理、安技环保、后勤保障类流程。 （三）按照咨询行业通用分类：从通用角度，一般分为“企业管理流程”和“企业业务流程”两大类，分别描述管理工作与主营业务工作。 1、企业管理流程：包括战略、行政、财务、人力资源等管理内容的相关流程； 2、企业业务流程：包括采购、销售、设计、生产、品管等方面的流程。 二、流程主要可分为以下几个层级：关于流程的分级方法，目前并没有定论，基于笔者在延展多年从事流程咨询与BPM实施相结合的经验，认为用以下方法划分流程等级较为妥当： 一级流程：企业的价值链，描述企业创造价值的过程，由企业的业务模块构成； 二级流程：每个业务模块的运营内容，也即三级流程的逻辑关系； 三级流程：跨部门、岗位间的工作流程，由工作事项组成； 四级流程：部门内、岗位间的工作流程，仍由工作事项组成，但局限于部门内； 五级流程：岗位内的工作流程，即某岗位某工作的标准作业程序（SOP）； 六级流程：某个具体工作步骤所涉及的工作内容细节，例如一张表单的表头设置等。
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：
流程的分级分类与分层
流程的分级分类与分层-标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
流程的三大诡异概念：分级、分类、分层现在很多企业在搞流程管理，都会安排各个部门、各个岗位将自己做的事情画成流程图。等到把布置的工作收集上来一看，企业竟然有上千个流程。 看上去企业的业务很复杂，其实里面重复性的内容很多。特别是跨部门的同一件事情，比如一个单位送图纸、对另外一个单位来说就是取图纸，事情还是那一件，只是看事情的角度不同，结果两个部门“各自为政”，弄出两个来。重复描述且不说，因为视角不同，对这一流程节点的交接时间、标准等会存在理解的差异，也就是我们常说的流程边界不清楚。原本是要通过绘制流程图，将上下左右的关联流程、业务节点给梳理清楚的，这下反而更复杂了。 所以，要想流程描述好，界定流程边界很重要。而要确定流程边界，首先要将企业所有的流程名称组织起来，形成一个流程清单的树形结构。 其实，企业的流程从来都不是简单的树形或者层次结构，而是一个多维度的网络结构。比如，常态化的工序加工质量检验流程，当发现了产品缺陷时，除了通过本流程处理好这个产品的质量缺陷外，还可能触发一个工艺改进流程，或者供应商质量评价和处理流程。这三个流程的流向、处理进度、完成标准正如其目标不同一样，是有很大差别的。 流程描述的一个难点在于，要在一个单一的树形结构中，同时表述这种具有网络结构的流程清单。这就好比用单一的关系型数据库来表示复杂的数据结构一样，令人难懂。 这里先从最简单的流程分级概念说起。 流程分级可以简单理解为将不同颗粒度的流程按照粗细分为不同的级别。不同级别的流程之间是有关系的。比如世界地图是一个分级，中国地图是另一个分级，江苏省或者南京市地图又分别是一个级，这就叫分级。 那分类是什么？ 同一个分级也可以有不同的分类，比如，同样是中国地图，可以有全国高速公路交通图，也可以是全国海拔高度分布图，或者绿色植被覆盖图。他们之间是同一级别的不同分类。 不同的分级之间，可能会采用不同的分类。比如企业的采购流程，作为企业的主营业务流程，其下可以分为采购申请、采购询价、采购合同订立、采购入库、采购付款等子流程，也就是分为五个下级流程。而分类可能是说，同样的采购申请流程，可以根据采购物资的性质不同，分为固定资产采购申请流程、原材料采购申请流程、办公用品采购申请流程等三个分类，因为各种分类涉及的采购申请对象、审批人都不尽相同。
Erdas监督分类步骤
遥感图像分类的原理 基本原理 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。
监督分类和面向对象分类流程
监督分类和面向对象分类流程 高分一号城市绿地现状调查与分析实现教程将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。第一章数据预处理因为处理数据是高分一号影像，处理软件为，因为以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置，然后就可以打开高分影像了图二图三为了加快数据处理的速度，是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图：
图四辐射校正分为辐射定标和大气校正打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件；辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：高分一号多光谱影像参数设置高分一号全色影像参数设置大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
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。
监督分类 练习
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
流程的分类和分级-正略咨询
流程的分类和分级-正略咨询 流程咨询项目中，对流程边界进行清晰地界定与规划是非常重要的，只有界定了合理的流程边界，项目才可能在可控的范围内顺利展开。而进行流程边界界定的首要任务是对流程进行分类、分级。 如何对流程进行分类和分级一直是顾问面临的比较棘手的问题，如何对流程进行清晰地界定与规划是确保项目在可控的范围内顺利展开和流程咨询项目成败的关键因素。如果不事先对其进行分类分级、主次界定，流程梳理工作将毫无头绪，造成的严重后果是顾问做了很多工作却得不到客户认可。那么究竟如何对流程进行分类、分级呢？ 一、流程的分类： 1、按照波特价值链分类： 图1：波特价值链 一般是按照波特价值链工具结合企业的业务特点，梳理出膜天膜的企业的价值链，再根据主价值链和辅助价值链的模块，形成企业的流程框架，（如图2示意）。
图2：某企业流程框架 2、按照流程的作用范围分类： 所谓“作用范围”是指流程涉及的内容、所起的作用。所以，一般可分为企业战略流程、企业经营流程、企业保障流程三类。 1）企业战略流程：与企业的经营分析、战略定制、战略调整等相关的流程； 2）企业经营流程：与企业主营业务相关的流程，以及财务管理类流程等； 3）企业保障流程：如行政管理、安技环保、后勤保障类流程。 3、按照咨询行业通用分类： 从通用角度，一般分为“管理支持流程”和“业务流程”两大类，分别描述管理支持工作与主营业务工作。 1）企业管理流程：包括战略、行政、财务、人力资源等管理内容的相关流程； 2）企业业务流程：包括市场、采购、销售、设计、生产等方面的流程。 备注：一般在具体的咨询中，会将价值链和咨询行业通用的分类方法综合进行确定。 二、流程的分级： 关于流程的分级方法，主要是将价值链中的各模块定义为1级，将1级中的主要系列活动定义为2级，将支撑2级的系列活动进行逻辑分析，形成3级流程： 一级流程：按照价值链图划分的以域为核心的高阶流程； 二级流程：在每个域内以域过程为核心的中阶流程； 三级流程：对域过程进行细分，以业务活动为核心的低阶流程。 由于流程边界的界定实际上就是管理边界的界定，管理职能的清晰化，管理流程的顺畅化，而如果分类分级工作进行顺利、彻底，那么不仅顾问能够真实地了解并熟悉企业的业
面向对象图像分类
【ENVI入门系列】24. 面向对象图像分类 目录 1.概述 2.基于规则的面向对象信息提取 第一步：准备工作 第二步：发现对象 第三步：根据规则进行特征提取 3.基于样本的面向对象的分类 第一步：选择数据 第二步：分割对象 第三步：基于样本的图像分类 4.基于规则的单波段影像提取河流信息 1.概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如下图所示。
图1.1 FX操作流程示意图（*项为可选操作步骤） 这个工具分为三种独立的流程化工具：基于规则、基于样本、图像分割。 本课程分别学习基于规则的面向对象分类和基于样本的面向对象分类，以及基于规则的方法从单波段灰度影像中提取河流信息。 注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。
2.基于规则的面向对象信息提取 该工具位置在：Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow。 数据位置："24-面向对象图像分类\1-基于规则"。 第一步：准备工作 根据数据源和特征提取类型等情况，可以有选择地对数据做一些预处理工作。 ?空间分辨率的调整 如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。 ?光谱分辨率的调整 如果您处理的是高光谱数据，可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。 ?多源数据组合 当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking工具实现。
监督分类实验报告
监督分类实验报告 1100900028 孙淑蕊 一、实验原理：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。 二、实验目的：1、理解监督分类方法的基本原理； 2、掌握利用ERDAS进行监督分类的操作流程； 3、了解分类后评价过程。 三、实验内容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。 四、实验步骤： 1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。 2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、 3、2。
Layer C osbinations far i u;/实査九（监督分黄）/t>._bj cit* ?.1 X 1 P Red:InrLbicity. img | (: Landsjt_TM_Fast_Fofm_?］卜 ■ w G reen :lm_bjcip.img R 1 (;L^nd^t_TM_F^LFoinn| 3 I P Ellie:tm_bjeity. img(.Land$aLTH_Fast_Fofm ▼ | ± 1 疗Aulo Apply | OK Applp | Close I Help 3、在Viewer视窗中显示待分类图像。打开Classification，选择Sig nature Editor，打开分类模板编辑器。 基 Classifier Modeler Vecto Signature Editor... IJriidperTii&d 匚... Sif)efvised Classihcabon... Image Segmentation ... Thieshold... Fuiszy Convolution... □rouping Tool Fu及y Fl&z： ode .. Accuracy Assessment... Feature Space Image .. Feature Space rhematic... Knowledge Classifief,. Kno^kdae Engine?+ Frame Sampling Tools Spectral Analysis Close Help
监督分类和面向对象分类流程
高分一号城市绿地现状调查与分析实现教程 本文将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程（图一） 图一 首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。 第一章数据预处理 因为处理数据是高分一号影像，本文处理软件为ENVI5.1，因为ENVI5.2以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置（图二），然后就可以打开高分影像了（图三）
图二 图三 为了加快数据处理的速度，本文是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图（图四）： 图四 1.1 辐射校正 分为辐射定标和大气校正
（1）打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件； （2）辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据 弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：
高分一号多光谱影像参数设置 高分一号全色影像参数设置 （3）大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
(完整word版)企业流程的分类分级
企业流程的分类分级 分类本身是一种重要的思维方式，广泛存在于管理实践中，如对管理领域的划分(采购、生产、财务)、对人群的分类(高、矮：胖、瘦)等。不同的人对于流程的类别和层级的划分有不同的见解，常见的做法是把企业的流程分为三类：战略流程、经营流程、保障流程。 战略流程：指组织规划和开拓未来的流程，如战略规划、新产品开发和新流程开发等。 经营流程：指组织实现其日常功能的流程，包括客户获取、满足客户和取得客户支持与认可的流程。 保障流程：是支持战略流程和经营流程顺利实施的流程，如人力资源管理、信息系统管理等。如果把这几大类流程识别出来，画在一张图上，我们得到企业的流程总图(见图5—1)。 有的读者可能会说，这不是和波特的价值链很相似吗?那么不同企业的流程总图是不是都差不多，都类似于波特的价值链呢?我们同时强调两个方面：一方面，不同企业抽掉具体业务后，的确在最根本的流程上有很强的同质性，另一方面，企业可以发掘个体的个性情况，把企业独特的业务模式反映进去，绘出一张有特色的流程总图；这个总图中可以提供一些更细化的流程的名称，体现企业所在B2B行业和企业自身的特点(见图5—2)。
对于流程的细化分级，即把流程从粗到细，从宏观到微观、从端到端的流程到具体指导操作的明细流程进行分解，我们常分为三四个级别(见图5—3)，它们分别是： 一级流程：价值链图的构成部门，是高阶流程，也称为“域”(6eld)，也往往是端到端的流程。 二级流程：在每个域内，是中阶流程，也称为“域过程”(6eldprocess)。 三级流程：对域过程进行细分，由子流程(也就是四级流程)和业务活动构成，是低阶流程，称为“流程”(即比较具体的流程)。 如果把流程做了这样的分类分级，形成一个清单(还可以对流程进行编号)，也就是流程清单，我们就得到了一张流程的花名册。 当然，未必所有企业都引用了“域”、“域过程”、“流程”的术语，在下面的案例中，把流程的总图称为“企业模型”，表述了企业整体业务，然后是“业务模型”，表述了某一个业务领域的流程，对应于我们的“域”：再不断分级，形成各级更具体的流程，直至指导每个岗位、