使用ENVI进行监督分类和非监督分类

一、数据预处理

本文使用影像为GF-1号，河北省廊坊市大厂回族自治区，裁剪出一块区域即可

需要分别绘制两个感兴趣区文件，分别作为分类的训练数据与精度验证数据，先绘制第一个文件
右击图层，选择“New Region Of Interest”
弹出“Region of Interest (ROI) Tool”窗口，绘制完成后如下图所示：

右击选择“Save As”，选择存放路径，文件命名为train

即可得到一个train.xml文件，这一文件作为监督分类过程中的输入数据，即分类的标准依据

以同样的方法再一次执行上述操作，生成一个包含有与第一个文件相同的地物类型的新文件，比如在train.xml文件中分别绘制了“植被”，“水体”，“建筑”和“道路”四大类，第二次绘制时同样也绘制这四类，不过这里需要注意，两个文件中各地物类型的区域尽量不要绘制到同一个地物
绘制完成后同样另存为，文件命名为evaluate，得到一个evaluate.xml文件作为后续精度评定的依据

下面进行波谱可分离性计算
在“Toolbox”中选择“Region of Interest”→“ROI Separability”选项

选中待分类的影像，点击OK

点击“Select All Items”，选中所有类别

查看波谱可分离性页面

图片下方表明了每两类地物之间的可分离性，一般认为大于1.9表明两种地物类型的分离情况较好，小于1.5时认为两种地物可分离性较差，此时可考虑将两种地物合并为一类，或者重新对地物类型区域加以修改

二、监督分类

1.最小距离分类

在“Toolbox”中选择“Classification”→“Supervised Classification”→“Minimum Distance Classification”选项

选中待分类影像，点击OK

点击“Select All Items”，选中所有类别，在右边设置存储路径和文件名，其他参数默认即可

最小距离分类结果图像如下

2.最大似然分类

在“Toolbox”中选择“Classification”→“Supervised Classification”→“Maximum Likelihood Classification”选项

同样在左边选择4类，右边设置存储路径和文件名，其他参数默认

最大似然分类结果图像如下

3.支持向量机分类

在“Toolbox”中选择“Classification”→“Supervised Classification”→“Support Vector Machine Classification”选项

同样在左边选择4类，右边设置存储路径和文件名，其他参数默认

支持向量机分类结果图像如下

这样就完成了最小距离法、最大似然法与支持向量机三种遥感图像监督分类方法操作

三、非监督分类

1.Iso Data分类

在“Toolbox”中选择“Classification”→“Unsupervised Classification”→“Iso Data Classification”选项

选择待分类影像，我的待分类影像命名为“GF1-bigchang”，注意不要选错

下面是进行Iso Data分类时的一些参数设置，“Number of Classes”为分类的数量，我这里选择最少分出5类，最多10类，一般设置最大类别数量为最小分类数量的2倍及以上，“Maximum Iterations”为最大迭代次数，我设置为10次。这些参数的具体设置看读者需要，读者可以自行调整。

Iso Data分类结果图像如下：
可以看到和前面监督分类的结果不太相似，主要是它给我分了7个类别，且每个类别的颜色还有待调整。后续的处理步骤我放在“四、分类后处理”中

2.K-Mean分类

在“Toolbox”中选择“Classification”→“Unsupervised Classification”→“K-Mean Classification”选项

类别数量我设置为5，最大迭代次数为10，其他参数默认

K-Mean 分类结果图像如下：
我这个结果图也需要调整，处理方法同样放在“四、分类后处理”

这样就完成了Iso Data分类和K-Mean分类两种遥感图像非监督分类方法操作

四、分类后处理

1.对非监督分类结果的处理

这里就以K-Mean分类结果为例，进行处理的方法就是合并类别
首先在“Toolbox”中选择“Classification”→“Post Classification”→“Combine Classes”选项

选择K-Mean分类后的结果，我这里的命名是“K-M_Result”,注意不要选错，然后点击OK

接下来合并类别需要根据真实地物判断，比如我结果中的蓝色和绿色区域，我知道它们都属于植被，所以把class2和class3合并为class3，方式是在“Select Iuput Class”和“Select Output Class”中分别点击两种类别，然后点“Add Combination”合并方式就会出现在下方“Combined Classes”中，点击OK

在“Remove Empty Classes”中选择Yes，我输出的文件名为K-M_Merge

合并以后更改一下类名和类别颜色，具体方法是右击其中一个类别名，选择“Edit Class Names and Colors”

选中一个类别，可以在下方修改其类名和类别颜色

类别都修改号以后点击OK，得到合并后的图像如下：

这样看起来就和监督分类的结果统一了，对Iso Data分类后的结果也是进行同样的操作

2.图像小斑块处理

在“Toolbox”中选择“Classification”→“Post Classification”→“Majority/Minority Analysis”选项

选中要处理的图像，建议把上述分类后的结果依次进行小斑块处理一下，这样可以将原分类结果图像中零碎的地物类别加以消除，使得分类结果图像变得平滑。
选中所有类，“Kernel Size”其表示执行小斑块处理的单个范围大小，我选择为5X5，数值越大得到的处理结果越平滑，“Center Pixel Weight”其表示中心像元的权重，设置为2。

下图左边是分类后结果，右边是对其进行小斑块处理后的结果，可以看到图像中原本的小斑点确实减少了一些，这说明进行小斑块处理是有效果的。
小斑块处理时具体的参数设置应当适中，尤其是“Kernel Size”过小会导致处理效果不理想，过大又会造成图像看起来“模糊”，读者可以自行体会。

五、精度评价

首先将我们在本文第一部分完成手动绘制的、作为精度评定依据的文件evaluate.xml导入ENVI软件中，选择将其添加到待计算精度的分类结果图像上，这里就先以最小距离法所得结果为例介绍。

在“Toolbox”中选择“Classification”→“Post Classification”→“Confusion Matrix Using Ground Truth ROIs”选项。

选择最小距离法分类后的结果图，接下来，我们需要将evaluate.xml文件所对应的地物类型与所得分类结果图像中地物类型两两相匹配，匹配结果出现在下方的“Matched Classes”栏中。我这里evaluate.xml文件所对应的地物类型与所得分类结果图像中地物类型命名是一致的（除了分类结果图像中的“Unclassified”），因此在“Matched Classes”栏中已经自动生成匹配好的地物类型。如果未自动匹配，就手动选择类别进行对比即可。

直接点击OK
即可获得如下图所示的精度报告。其中，我们可以重点关注分类的总体精度“Overall Accuracy”与Kappa系数“Kappa Coefficient”。

随后，我们对最大似然法，支持向量机，Iso Data和K-Mean所得到的分类结果图像依次执行以上操作，得到五种图像分类方法各自的精度评价指标如下表所示。

最后，也懒得分析了，总之就是支持向量机方法分类的结果最好

结语

这是我自打开学以来写的第一篇博客，也是参考其他博主文章才能完成。刚开始也遇到很多问题，中间许多步骤都不知道如何处理，最终还是静下心来，一点一点地慢慢啃，才能完成导师安排的任务。
第一次使用csdn发布文章，文中的图像大小还不知道如何调整，目录也没搞明白怎么整，后续慢慢学习。