1、envi遙感圖像監督分類監督分類，又稱訓練分類法，用被確認類別的樣本像元去識別其他未知類別像元的過程。它就是在分類之前通過目視判讀和野外調查，對遙感圖像上某些樣區中影像地物的類別屬性有了先驗知識，對每一種類別選取一定數量的訓練樣本，計算機計算每種訓練樣區的統計或其他信息，同時用這些種子類別對判決函數進行訓練，使其符合于對各種子類別分類的要求，隨后用訓練好的判決函數去對其他待分數據進行分類。使每個像元和訓練樣本作比較，按不同的規則將其劃分到和其最相似的樣本類，以此完成對整個圖像的分類。遙感影像的監督分類一般包括以下6個步驟，如下圖所示：詳細操作步驟第一步：類別定義/特征判別根據分類目的、影像數據

2、自身的特征和分類區收集的信息確定分類系統；對影像進行特征判斷，評價圖像質量，決定是否需要進行影像增強等預處理。這個過程主要是一個目視查看的過程，為后面樣本的選擇打下基礎。啟動ENVI5.1，打開待分類數據：can_tmr.img。以R:TMBand5,G:TMBand4,B：TMBand3波段組合顯示。通過目視可分辨六類地物：林地、草地/灌木、耕地、裸地、沙地、其他六類。第二步：樣本選擇在圖層管理器LayerManager中，can_tmr.img圖層上右鍵，選擇NewRegionOfInterest，打開RegionofInterest(ROI)Tool面板，下面學習利用選擇樣本。在Regi

3、onofInterest(ROI)Tool面板上，設置以下參數：ROIName：林地ROIColor：go默認ROIs繪制類型為多邊形，在影像上辨別林地區域并單擊鼠標左鍵開始繪制多邊形樣本，一個多邊形繪制結束后，雙擊鼠標左鍵或者點擊鼠標右鍵，選擇CompleteandAcceptPolygon，完成一個多邊形樣本的選擇；同樣方法，在圖像別的區域繪制其他樣本，樣本盡量均勻分布在整個圖像上；這樣就為林地選好了訓練樣本。注：1、如果要對某個樣本進行編輯，可將鼠標移到樣本上點擊右鍵，選擇Editrecord是修改樣本，點擊Deleterecord是刪除樣本。2、一個樣本ROI里面可以包含n個多邊形或者

4、其他形狀的記錄(record)。3、如果不小心關閉了RegionofInterest(ROI)Tool面板，可在圖層管理器LayerManager上的某一類樣本(感興趣區)雙擊鼠標。在圖像上右鍵選擇NewROI，或者在RegionofInterest(ROI)Tool面板上,選擇工具。重復林地樣本選擇的方法，分別為草地/灌木、耕地、裸地、沙地、其他5類選擇樣本；如下圖為選好好的樣本。計算樣本的可分離性。在RegionofInterest(ROI)Tool面板上，選擇OptionComputeROISeparability，在ChooseROIs面板，將幾類樣本都打勾，點擊OK；表示各個樣本類型

5、之間的可分離性，用Jeffries-Matusita,TransformedDivergence參數表示，這兩個參數的值在02.0之間，大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要編輯樣本或者重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本。注：1、在圖層管理器LayerManager中，可以選擇需要修改的訓練樣本。2、在RegionofInterest(ROI)Tool面板上，選擇OptionsMerge(Union/Intersection)ROIs，在MergeROIs面板中，選擇需要合并的類別，勾選DeleteInputROIs。圖2.4MergeROIs面板在圖層

6、管理器中，選擇Regionofinterest，點擊右鍵，saveas,保存為.xml格式的樣本文件。注：1、早期版本的感興趣文件格式為.roi，新版本的為.xml，新版本完全兼容.roi文件，在RegionofInterest(ROI)Tool面板上，選擇FileOpen打開.xml或.roi文件。2、新版本的.xml樣本文件(感興趣區文件)可以通過，FileExportExporttoClassic菜單保存為.roi文件。第三步：分類器選擇根據分類的復雜度、精度需求等確定哪一種分類器。目前ENVI的監督分類可分為基于傳統統計分析學的，包括平行六面體、最小距離、馬氏距離、最大似然，基于神經網

7、絡的，基于模式識別，包括支持向量機、模糊分類等，針對高光譜有波譜角(SAM),光譜信息散度，二進制編碼。下面是幾種分類器的簡單描述。平行六面體(Parallelepiped)根據訓練樣本的亮度值形成一個n維的平行六面體數據空間，其他像元的光譜值如果落在平行六面體任何一個訓練樣本所對應的區域，就被劃分其對應的類別中。最小距離(MinimumDistance)利用訓練樣本數據計算出每一類的均值向量和標準差向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入圖像中每個像元到各類中心的距離，到哪一類中心的距離最小，該像元就歸入到哪一類。馬氏距離(MahalanobisDistance)計算輸入

8、圖像到各訓練樣本的協方差距離(一種有效的計算兩個未知樣本集的相似度的方法)，最終技術協方差距離最小的，即為此類別。最大似然(MaximumLikelihood)假設每一個波段的每一類統計都呈正態分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸并到似然度最大的一類當中。神經網絡(NeuralNet)指用計算機模擬人腦的結構，用許多小的處理單元模擬生物的神經元，用算法實現人腦的識別、記憶、思考過程。支持向量機(SupportVectorMachine)支持向量機分類(SupportVectorMachine或SVM)是一種建立在統計學習理論(StatisticalLearningTheor

9、y或SLT)基礎上的機器學習方法。SVM可以自動尋找那些對分類有較大區分能力的支持向量，由此構造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準確率。波譜角(SpectralAngleMapper)它是在N維空間將像元與參照波譜進行匹配，通過計算波譜間的相似度，之后對波譜之間相似度進行角度的對比，較小的角度表示更大的相似度。影像分類基于傳統統計分析的分類方法參數設置比較簡單，在Toolbox/Classification/SupervisedClassification能找到相應的分類方法。這里選擇支持向量機分類方法。在toolbox中選擇/Classification

10、/SupervisedClassification/SupportVectorMachineClassification,選擇待分類影像，點擊OK,按照默認設置參數輸出分類結果。圖2.5支持向量機分類器參數設置圖2.6支持向量機分類結果第五步：分類后處理包括更改類別顏色、分類后統計、小斑塊處理、柵矢轉換等,這部分專門有一節課講解。在此不做敘述。第六步：精度驗證對分類結果進行評價,確定分類的精度和可靠性。有兩種方式用于精度驗證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達分類精度,比較抽象。真實參考源可以使用兩種方式：一是標準的分類圖，二是選擇的感興趣區(驗

11、證樣本區)。兩種方式的選擇都可以通過主菜單-Classification-PostClassification-ConfusionMatrix或者ROCCurves來選擇。真實的感興趣區驗證樣本的選擇可以是在高分辨率影像上選擇，也可以是野外實地調查獲取，原則是獲取的類別參考源的真實性。由于沒有更高分辨率的數據源，本例中就把原分類的TM影像當作是高分辨率影像，在上面進行目視解譯得到真實參考源。在DataManager中，分類樣本上右鍵選擇Close,將分類樣本從軟件中移除直接利用ROI工具，跟分類樣本選擇的方法一樣，即重復第二步，在TM圖上選擇6類驗證樣本。注：可直接Fileopen,打開can

12、_tm-驗證樣本.roi。圖2.7選擇驗證樣本在Toolbox中，選擇/Classification/PostClassification/ConfusionMatrixUsingGroundTruthROIs，選擇分類結果，軟件會根據分類代碼自動匹配,如不正確可以手動更改。點擊OK后選擇報表的表示方法(像素和百分比)，點擊OK，就可以得到精度報表。圖2.8驗證操作面板圖2.9分類精度評價混淆矩陣下面對混淆矩陣中的幾項評價指標進行說明：總體分類精度等于被正確分類的像元總和除以總像元數。被正確分類的像元數目沿著混淆矩陣的對角線分布，總像元數等于所有真實參考源的像元總數，如本次精度分類精度表中的O

13、verallAccuracy=(1849/2346)78.8150%。Kappa系數它是通過把所有真實參考的像元總數(N)乘以混淆矩陣對角線(XKK)的和，再減去某一類中真實參考像元數與該類中被分類像元總數之積之后，再除以像元總數的平方減去某一類中真實參考像元總數與該類中被分類像元總數之積對所有類別求和的結果。NJkk-左上尹斗kKappa計算公式錯分誤差指被分為用戶感興趣的類，而實際屬于另一類的像元，它顯示在混淆矩陣里面。本例中，林地有419個真實參考像元，其中正確分類265，12個是其他類別錯分為林地（混淆矩陣中林地一行其他類的總和），那么其錯分誤差為12/419=2.9%。漏分誤差指本身

14、屬于地表真實分類，當沒有被分類器分到相應類別中的像元數。如在本例中的耕地類，有真實參考像元465個，其中462個正確分類，其余3個被錯分為其余類（混淆矩陣中耕地類中一列里其他類的總和），漏分誤差為3/465=0.6%制圖精度是指分類器將整個影像的像元正確分為A類的像元數（對角線值）與A類真實參考總數（混淆矩陣中A類列的總和）的比率。如本例中林地有419個真實參考像元，其中265個正確分類，因此林地的制圖精度是265/419=63.25%。用戶精度是指正確分到A類的像元總數（對角線值）與分類器將整個影像的像元分為A類的像元總數（混淆矩陣中A類行的總和）比率。如本例中林地有265個正確分類，總共劃

15、分為林地的有277，所以林地的用戶精度是265/277=95.67%。注：監督分類中的樣本選擇和分類器的選擇比較關鍵。在樣本選擇時，為了更加清楚的查看地物類型，可以適當的對圖像做一些增強處理，如主成分分析、最小噪聲變換、波段組合等操作，便于樣本的選擇；分類器的選擇需要根據數據源和影像的質量來選擇,比如支持向量機對高分辨率、四個波段的影像效果比較好。非監督分類非監督分類：也稱為聚類分析或點群分類。在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。它不必對影像地物獲取先驗知識，僅依靠影像上不同類地物光譜（或紋理）?信息進行特征提取，再統計特征的差別來達到分類的目的，最后對已分出的各個類別的實際屬性

16、進行確認。目前比較常見也較為成熟的是ISODATA、K-Mean和鏈狀方法等。遙感影像的非監督分類一般包括以下6個步驟：圖目前非監督分類器比較常用的是ISODATA、K-Mean和鏈狀方法。ENVI包括了ISODATA和K-Mean方法。1、影像分析大體上判斷主要地物的類別數量。一般監督分類設置分類數目比最終分類數量要多2-3倍為宜，這樣有助于提高分類精度。本案例的數據源為ENVI自帶的Landsattm5數據Can_tmr.img，類別分為：林地、草地/灌木、耕地、裸地、沙地、其他六類。確定在非監督分類中的類別數為15。2、分類器選擇ISODATA(IterativeSelf-Orgnizi

17、ngDataAnalysizeTechnique)重復自組織數據分析技術，計算數據空間中均勻分布的類均值，然后用最小距離技術將剩余像元進行迭代聚合，每次迭代都重新計算均值，且根據所得的新均值，對像元進行再分類。K-Means使用了聚類分析方法，隨機地查找聚類簇的聚類相似度相近，即中心位置,是利用各聚類中對象的均值所獲得一個“中心對象”(引力中心)來進行計算的，然后迭代地重新配置他們，完成分類過程。3、影像分類打開ENVI,選擇主菜單-Classification-Unsupervised-IsoData或者K-Means。這里選擇IsoData，在選擇文件時候，可以設置空間或者光譜裁剪區。這里

18、選擇軟件自帶的Can_tmr.img，按默認設置，之后跳出參數設置，如圖2。這里主要設置類別數目(NumberofClasses)為5-15、迭代次數(MaximumIteration)為10。其他選項按照默認設置，輸出文件。?圖17ISODATA非監督分類參數設置圖18ISODATA分類結果4、類別定義/類別合并(1)?類別定義在display中顯示原始影像，在display-overlay-classification，選擇ISODATA分類結果，如圖19所示，在InteractiveClassTool面板中，可以選擇各個分類結果的顯示。影像與分類結果的疊加InteractiveClass

19、Tool面板中，選擇Option-Editclasscolors/names。通過目視或者其他方式識別分類結果，填寫相應的類型名稱和顏色。圖20?類別定義如圖21所示為最終的結果。圖21類別定義結果在類別定義時候，可以利用Mode：PolygonAddtoClass、Edit-Mode：PolygonDeletefromClass或者Setdeleteclassvalue把很明顯的錯誤分類結果并入或者刪除。(2)?類別合并選擇主菜單-Classification-PostClassification-CombineClasseso把同一類的類別合并成一類，如圖22所示。在點擊ok后,需要選擇輸出文件和RemoveEmptyClass選擇YES,可以得到結果。?圖22類別的合并5、分類后處理參照監督分類。6、結果驗證參照監督分類。ENVI5下流程化分類工具?在ENVI5.0下，提供了一個流程的圖像分類工具，Toolbox/Classification/ClassificationWorkflow工具，下面對10米的ALI數