ENVI5.3.1使用Landsat 8影像进行监督分类实例操作

一、实验目的

（1）了解监督分类的原理与意义；
（2）了解不同监督分类方法的原理；
（3）掌握使用ENVI软件对影像进行监督分类的操作方法。

二、实验内容

在ENVI软件中对TM影像进行监督分类，监督分类方法有最小距离分类、最大似然分类等。随后对分类结果进行处理，包括类别集群和类别合并。最后对分类结果精度进行评价。

三、实验步骤

（1）定义训练样本

打开TM影像。图1 按照4、3、2波段合成显示

2、点击工具栏上的ROI Tool，会出现构建感兴趣区域的对话框。点击新建ROI，然后将ROI命名为“水体”，颜色设置为红色，Geometry中选择多边形。即可在影像上构建一些水体的ROI。
图2 依次选取训练样本

训练样本选择完毕后将其导出，选择File——Export——Export to Classic，选择所有的地物，并设置输出结果路径及文件名TrainingROI.roi。
图3 保存训练样本

（2）评价训练样本

在ROI Tool中选择Options——Compute ROI Separability，选择影像后，将所有地物选中，随后会自动计算出各个地物类别之间的可分离性，如下图4所示。可以看到所有地物之间分离性值均大于1.8，说明类别间可分离性较好，可以进行监督分类。
图4 计算类别间可分离性

（3）监督分类

在工具箱中选择Classification——Supervised Classification——Minimum Distance Classification，选择示例数据作为输入数据。随后在参数设置对话框中选择所有的地物类别，设置最大标准差阈值Set Max stdev from Mean为Single Value，值为10，设置最大距离误差Set Max Distance Error中设置为None。最后设置输出文件路径及文件名，分类结果文件名MinDistanceClass.dat，规则文件的文件名为MinDistanceRule.dat。
图5 设置最小距离分类参数

分类结束后需要修改相关类别的颜色表示。右键类别——Edit Class Names and Colors，在弹出的对话框中逐个修改类别颜色。图6 修改分类结果颜色

修改颜色后分类结果。图7 显示分类结果

（4）分类后处理

在工具箱中选择Classification——Post Classification——Clump Classes进行类别集群处理。在弹出的对话框中选择所有的类别，同时设置集群结果存储路径和文件名ClassificationClumping.dat。
图8 类别集群参数设置

类别集群结果。
图9 类别集群结果

随后选择Classification——Post Classification——Combine Classes，在弹出的对话框中选择集群结果的数据，随后设置类别合并的参数，将未分类的区域合并到裸地中，其他分类结果保持不变。
图10 设置类别合并参数

图11 设置合并结果路径

设置完毕后显示最终分类结果，如图12所示。
图12 合并结果

（5）评价分类结果

在ROI Tool中打开已有分类的.roi文件，并将其加载到类别合并结果的影像中。
图13 打开关注区文件

随后选择工具箱中选择Classification——Post Classification——Confusion Matrix——Using Ground Truth ROIs，在选择输入数据对话框中选择合并结果文件。在弹出的匹配类别对话框中依次选择相匹配的类别，并点击Add Combination，将其添加至Matched Classes中。
图14 设置类别匹配参数

点击OK后会出现混淆矩阵参数设置，保持默认设置即可。随后出现混淆矩阵精度报表。如下图15所示。


图15 混淆矩阵计算结果

可以看到混淆矩阵中显示了分类总体精度（overall Accuracy）、Kappa系数、错分误差（commission）、漏分误差（omission）、用户精度（User Acc.）和制图精度（prod. Acc.）等一系列数据。这里分类总体精度达到91.76%，Kappa系数为0.8914。此外还可以将混淆矩阵精度报表存储为txt文件以便使用。
图16 保存混淆矩阵报表

思考题：
使用最大似然法进行监督分类
点击工具箱中的Classification——Supervised Classification——Maximum Likelihood Classification，在弹出的对话框中选择待分类影像，进入设置分类参数对话框。选择所有的类别，同时在设置似然度的阈值Set Probability Threshold中选择None，数据比例系数Data Scale Factor设置为255，最后设置相关结果存储路径和文件名。
图17 设置最大似然分类法参数

显示最大似然分类结果。
图18 最大似然分类结果

随后对分类结果进行集群和合并处理，最后进行精度评价，生成混淆矩阵精度报表。可以看到最大似然分类结果总体精度为97.8%，Kappa系数为0.9718，其精度要比最小距离分类高。

图19 最大似然分类结果精度评价