envi遥感图像监督分类监督分类，又称训练分类法，用被确认类别的样本像元去辨认其她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，对每一种类别选用一定数量的训练样本，计算机计算每种训练样区的记录或其她信息，同步用这些种子类别对判决函数进行训练，使其符合于对多种子类别分类的规定，随后用训练好的判决函数去对其她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，以此完毕对整个图像的分类遥感影像的监督分类一般涉及如下6个环节，如下图所示：具体操作环节第一步：类别定义/特性鉴别根据分类目的、影像数据自身的特性和分类区收集的信息拟定分类系统；对影像进行特性判断，评价图像质量，决定与否需要进行影像增强等预解决这个过程重要是一种目视查看的过程，为背面样本的选择打下基本启动ENVI5.1，打开待分类数据：can_tmr.img以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示通过目视可辨别六类地物：林地、草地/灌木、耕地、裸地、沙地、其她六类第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习运用选择样本。
1）在Region of Interest (ROI) Tool面板上，设立如下参数：ROI Name：林地ROI Color：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，一种多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完毕一种多边形样本的选择；3）同样措施，在图像别的区域绘制其她样本，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、一种样本ROI里面可以涉及n个多边形或者其她形状的记录（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（感爱好区）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，选择工具反复"林地"样本选择的措施，分别为草地/灌木、耕地、裸地、沙地、其她5类选择样本；（3）如下图为选好好的样本。
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；（5）表达各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表达，这两个参数的值在0~2.0之间，不小于1.9阐明样本之间可分离性好，属于合格样本；不不小于1.8，需要编辑样本或者重新选择样本；不不小于1，考虑将两类样本合成一类样本注：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2.4 Merge ROIs面板（6）在图层管理器中，选择Region of interest ，点击右键，save as，保存为.xml格式的样本文献注：1、初期版本的感爱好文献格式为.roi，新版本的为.xml，新版本完全兼容.roi文献，在Region of Interest (ROI) Tool面板上，选择File>Open打开.xml或.roi文献。
2、新版本的.xml样本文献（感爱好区文献）可以通过，File>Export>Export to Classic菜单保存为.roi文献第三步：分类器选择根据分类的复杂度、精度需求等拟定哪一种分类器目前ENVI的监督分类可分为基于老式记录分析学的，涉及平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式辨认，涉及支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码下面是几种分类器的简朴描述· 平行六面体（Parallelepiped）根据训练样本的亮度值形成一种n维的平行六面体数据空间，其她像元的光谱值如果落在平行六面体任何一种训练样本所相应的区域，就被划分其相应的类别中· 最小距离（Minimum Distance）运用训练样本数据计算出每一类的均值向量和原则差向量，然后以均值向量作为该类在特性空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类· 马氏距离（Mahalanobis Distance）计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的措施），最后技术协方差距离最小的，即为此类别。
· 最大似然（Maximum Likelihood）假设每一种波段的每一类记录都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最后被归并到似然度最大的一类当中· 神经网络（Neural Net）指用计算机模拟人脑的构造，用许多小的解决单元模拟生物的神经元，用算法实现人脑的辨认、记忆、思考过程· 支持向量机（Support Vector Machine）支持向量机分类（Support Vector Machine或SVM）是一种建立在记录学习理论（Statistical Learning Theory或SLT）基本上的机器学习措施SVM可以自动寻找那些对分类有较大辨别能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类精确率· 波谱角（Spectral Angle Mapper）它是在N维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表达更大的相似度影像分类基于老式记录分析的分类措施参数设立比较简朴，在Toolbox/Classification/Supervised Classification能找到相应的分类措施。
这里选择支持向量机分类措施在toolbox中选择/Classification/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击OK，按照默认设立参数输出分类成果图2.5 支持向量机分类器参数设立图2.6 支持向量机分类成果第五步：分类后解决涉及更改类别颜色、分类后记录、小斑块解决、栅矢转换等，这部分专门有一节课解说在此不做论述第六步：精度验证对分类成果进行评价，拟定分类的精度和可靠性有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式体现分类精度，比较抽象真实参照源可以使用两种方式：一是原则的分类图，二是选择的感爱好区（验证样本区）两种方式的选择都可以通过主菜单->Classification->Post Classification->Confusion Matrix或者ROC Curves来选择真实的感爱好区验证样本的选择可以是在高辨别率影像上选择，也可以是野外实地调查获取，原则是获取的类别参照源的真实性由于没有更高辨别率的数据源，本例中就把原分类的TM影像当作是高辨别率影像，在上面进行目视解译得到真实参照源。
1）在Data Manager中，分类样本上右键选择Close，将分类样本从软件中移除（2）直接运用ROI工具，跟分类样本选择的措施同样，即反复第二步，在TM图上选择6类验证样本注：可直接File>open，打开can_tm-验证样本.roi图2.7选择验证样本（3）在Toolbox中，选择/Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类成果，软件会根据分类代码自动匹配，如不对的可以手动更改点击OK后选择报表的表达措施（像素和比例），点击OK，就可以得到精度报表图2.8 验证操作面板图2.9分类精度评价混淆矩阵下面对混淆矩阵中的几项评价指标进行阐明：· 总体分类精度等于被对的分类的像元总和除以总像元数被对的分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参照源的像元总数，如本次精度分类精度表中的Overall Accuracy = (1849/2346) 78.8150%· Kappa系数它是通过把所有真实参照的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参照像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参照像元总数与该类中被分类像元总数之积对所有类别求和的成果。
Kappa计算公式· 错分误差指被分为顾客感爱好的类，而实际属于另一类的像元，它显示在混淆矩阵里面本例中，林地有419个真实参照像元，其中对的分类265，12个是其她类别错分为林地（混淆矩阵中林地一行其她类的总和），那么其错分误差为12/419=2.9%· 漏分误差指自身属于地表真实分类，当没有被分类器分到相应类别中的像元数如在本例中的耕地类，有真实参照像元465个，其中462个对的分类，其他3个被错分为其他类（混淆矩阵中耕地类中一列里其她类的总和），漏分误差为3/465=0.6%· 制图精度是指分类器将整个影像的像元对的分为A类的像元数（对角线值）与A类真实参照总数（混淆矩阵中A类列的总和）的比率如本例中林地有419个真实参照像元，其中265个对的分类，因此林地的制图精度是265/419=63.25%· 顾客精度是指对的分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率如本例中林地有265个对的分类，总共划分为林地的有277，因此林地的顾客精度是265/277=95.67%注：监督分类中的样本选择和分类器的选择比较核心在样本选择时，为了更加清晰的查看地物类型，可以合适的对图像做某些增强解决，如主成分分析、最小噪声变换、波段组合等操作，便于样本的选择；分类器的选择需要根据数据源和影像的质量来选择，例如支持向量机对高辨别率、四个波段的影像效果比较好。
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，仅依托影像上不同类地物光谱(或纹理) 信息进行特性提取，再记录特性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用也较为成熟的是ISODATA、K-Mean和链状措施等遥感影像的非监督分类一般涉及如下6个环节：图16 非监督分类操作流程 目前非监督分类器比较常用的是ISODATA、K-Mean和链状措施ENVI涉及了ISODATA和K-Mean措施。