ENVI CLASSIC图像分类（二）----监督分类

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

一、训练样本的选择

1、在主菜单中，选择File→Open Image File，打开分类图像；

2、选择图像视图窗口菜单Overlay→Region of Interest命令；

3、在Image视图窗口中选择Overlay→Region of Interest。在ROI Tool窗口中，选择ROI_Type→Polygon；

4、在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘制一个多边形区域，然后右键单击两次结束,并在ROI Name中定义其类型。

5、选择Options→Compute ROI Separability进行训练样本可分离性计算；

6、在Select Input File for Separability窗口中选择计算训练可分离性的图像文件；

7、在ROI Separability Calculation窗口中选择计算可分离性的类型

8、在ROI Separability Report窗口查看训练样本分离性报告

ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed Divergence。在窗口底部，根据可分离性值的大小，从小到大列出感兴趣区组合。这两个参数值为0 2.0，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重选择样本；小于1，考虑将两类样本合成一类样本。

二、图像分类

1、选择主菜单Classification→Supervised→Maximum Likelihood命令；

2、在Classification Input File窗口中选择分类的图像文件；

3、在Maximum Likelihood Parameters中设置最大似然法分类的参数

4、选择分类结果的输出路径和文件名以及规则文件的输出路径和文件名，点击OK执行最大似然法监督分类

三、结果验证

使用Confusion Matrix等工具可以把分类结果的精度显示在一个混淆矩阵里。ENVI可以使用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。每种记录结果都包括：总体分类精度、制图精度和用户精度、Kappa系数、混淆矩阵以及错分误差和漏分误差。

1、使用真实感兴趣区进行精度验证

（1）选择Classification→Post Classification→Confusion Matrix→Using Ground Truth ROIs；

（2）在Classification Input File中选择分类后的图像

（3）在Match Classes Parameters选择相匹配的类型

（4）在Confusion Matrix Parameters中设置混淆矩阵参数

（5）点击OK执行显示混淆矩阵中的记录以及相关的统计

Overall Accuracy：总体分类精度等于被正确分类的像元总和除以总像元数。地表真实图像或者地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。

Kappa Coefficient：Kappa系数是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线(Xkk)的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有求和的结果，在除以像元总数的平方减去某一类中地表真实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结果得到的。

四、分类后处理

计算机自动分类得到的初步结果需要再进行一些处理，才能得到最终的分类结果，这些处理过程通常称为分类后处理。常用分类后处理包括更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等。

1、Majority/Minority分析

应用监督分类或者非监督分类，分类结果中不可避免地会产生一些面积很小的图版。无论从专题地图制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类。常用的方法有Majority/Minority 分析、聚类处理（Clump）和过滤处理（Sieve）。

Majority/Minority 分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个核窗口，用核窗口中占主要地位的像元类别代替中心像元的类别（选择Majority），或者使用次要地位的像元的类别代替中心像元的类别（选择Minority）

（1）选择主菜单Classification→Post Classification→Majority/Minority Analysis；

（2）在Classification Input File中选择分类后文件；   

（3）在Majority/Minority Parameters中设置分类后处理的参数

（4）选择输出路径和文件名，单击OK执行分类后处理

可以看到小图斑少了

2、分类结果转化为矢量数据

（1）在主菜单上选择Classification"Post Classification"Classification to Vector，或者选择Vector" Classification to Vector。

（2）在Raster to Vector Input Band窗口中选择分类结果

（3）在Raster To Vector Parameters中设置输出参数

（4）选择文件输出路径和文件名，点击OK按钮执行转换过程