ENVI教程笔记九：遥感图像监督分类

遥感影像通过亮度值或像元值的高低差异（光谱信息）及空间变化（空间信息）来表示不同地物的差异，这是区分不同影响地物的物理基础。

遥感影像分类，就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类。

监督分类与非监督分类的区别就是是否需要先验知识（训练样本）

数据：包括待分类影像、分类样本和验证样本。

打开数据并使用5，4，3方式组合显示

鲜绿色整齐地块为耕地，山区中深绿色的为林地，坡度较缓的比林地颜色亮一些的为林地或灌木，白色的是沙地（反射率高），裸露的灰色的可称之为裸地，颜色较深的黑色的是水系。

样本选择：在影像上右键，新建roi（感兴趣区），定义类别名称和颜色，并选择相应地类。注意训练样本的选择要具有一定数量并选择均匀，其他类别样本的roi使用类似方法新建。选择好所有类别的训练样本后如下，同时你还可以对训练样本进行编辑，更改名称、颜色、增、删、改等。

通过样本的可分离性来检验样本的质量，在roi面板中选择option选择如下工具。

评价指标有上述两种：J-M距离和转换分离度，它们取值范围在0~2之间。当这两个值均大于1.9时说明两个样本之间的分离度是很好的，当小于1.8时，说明分离度不高，需要修改。当值小于1时，则可以考虑两类为一类样本。

样本修改达到标准后可保存，保存文件格式为.xml。

本次实验使用支持向量机方法进行监督分类。

参数设置均为默认，输出设置自行设定。

遥感分类的分类后处理在后面教程解释，此处跳过。

结果验证：利用混淆矩阵和roc曲线方法。

这两种方法均有两个选项，分别是里利用标准图（image）和感兴趣区（ROI）进行的。本次实验使用混淆矩阵分类方法，使用感兴趣区方法进行验证。

如果两种类别名称相同则会自动匹配，不同则需手动匹配。

应用默认设置，像元和百分比均显示。

Kappa系数是对分类结果的总体评价介于0到1，值越大，分类结果正确率越高。

混淆矩阵反应各类别分类情况，对角线表示正确分类的像元数量，其他则表示错分或漏分的像元数量。

图中只表示了参数的一部分，下面还包括制图精度、用户精度等参数。