【正文】 圖像的分類。遙感影像的監(jiān)督分類一般包括以下6個(gè)步驟，如圖1所示：圖1 監(jiān)督分類步驟步驟：1，類別定義/特征判別 根據(jù)分類目的、影像數(shù)據(jù)自身的特征和分類區(qū)收集的信息確定分類系統(tǒng)；對(duì)影像進(jìn)行特征判斷，評(píng)價(jià)圖像質(zhì)量，決定是否需要進(jìn)行影像增強(qiáng)等預(yù)處理。這個(gè)過程主要是一個(gè)目視查看的過程，為后面樣本的選擇打下基礎(chǔ)。 本練習(xí)是以ENVI自帶Landsat tm5 ，類別分為：林地、草地/灌木、耕地、裸地、沙地、其他六類。2，樣本選擇 對(duì)每一類別選取一定數(shù)目的樣本，在ENVI中是通過感興趣區(qū)（ROIs），來確定，也可以將矢量文件轉(zhuǎn)化為ROIs文件來獲得，或者利用終端像元收集器（Endmember Collection）獲得。練習(xí)中使用ROIs方法，打開分類圖像，在DisplayOverlayRegion of Interest，默認(rèn)ROIs為多邊形，按照默認(rèn)設(shè)置在影像上定義訓(xùn)練樣本。如圖2所示，設(shè)置好顏色和類別名稱（支持中文名稱）。 圖2 訓(xùn)練樣本的選擇 選好樣本，我們要驗(yàn)證樣本的精度怎么樣，在ROI Tool面板中，選擇OptionCompute ROI Separability,計(jì)算樣本的可分離性。如圖3所示，表示各個(gè)樣本類型之間的可分離性，用JeffriesMatusita, Transformed Divergence 參數(shù)表示，這兩個(gè)參數(shù)的值在0~ 之間，屬于合格樣本；，需要重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本。圖3 樣本可分離性計(jì)算報(bào)表分類器選擇 根據(jù)分類的復(fù)雜度、精度需求等確定哪一種分類器。目前監(jiān)督分類可分為基于傳統(tǒng)統(tǒng)計(jì)分析學(xué)的，包括平行六面體、最小距離、馬氏距離、最大似然，基于神經(jīng)網(wǎng)絡(luò)的，基于模式識(shí)別，包括支持向量機(jī)、模糊分類等，針對(duì)高光譜有波譜角（SAM），光譜信息散度，二進(jìn)制編碼。下面是幾種分類器的簡(jiǎn)單描述。 平行六面體 根據(jù)訓(xùn)練樣本的亮度值形成一個(gè)n 維的平行六面體數(shù)據(jù)空間，其他像元的光譜值如果落在平行六面體任何一個(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū)域，就被劃分其對(duì)應(yīng)的類別中。 最小距離 利用訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在特征空間中的中心位置，計(jì)算輸入圖像中每個(gè)像元到各類中心的距離，到哪一類中心的距離最小，該像元就歸入到哪一類。 馬氏距離 計(jì)算輸入圖像到各訓(xùn)練樣本的協(xié)方差距離 （一種有效的計(jì)算兩個(gè)未知樣本集的相似度的方法），最終技術(shù)協(xié)方差距離最小的，即為此類別。 最大似然 假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。 神經(jīng)網(wǎng)絡(luò) 指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過程。 支持向量機(jī) 支持向量機(jī)分類 （Support Vector Machine 或SVM）是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論 （Statistical Learning Theory 或SLT）基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。SVM 可以自動(dòng)尋找那些對(duì)分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率。 波譜角 是在N 維空間將像元與參照波譜進(jìn)行匹配，通過計(jì)算波譜間的相似度，之后對(duì)波譜之間相似度進(jìn)行角度的對(duì)比，較小的角度表示更大的相似度。 影像分類 這里練習(xí)選擇最大似然分類方法。主菜單下選擇Classification== Supervised== Maximum Likelihood。按照默認(rèn)設(shè)置參數(shù)（圖4）輸出分類結(jié)果，如圖5所示。圖4 最大似然參數(shù)設(shè)置圖5 最大似然度分類結(jié)果顯示分類結(jié)果有2種方式可以看，一種是在新的Display窗口上顯示，不有一種是可以用overlay，overlay232。classification，打開，選擇分類結(jié)果，ok。彈出Interactive Class Tool窗口，可以單獨(dú)顯示各類（圖6）；可以改顏色（Option=Edit class colors/names）；可作分類統(tǒng)計(jì)；可以編輯（Edit=Mode：）屬分類后處理。圖6 單獨(dú)顯示各類分類后處理 分類后處理包括的很多的過程，都是些可選項(xiàng)，包括更改類別顏色、分類統(tǒng)計(jì)分析、小斑點(diǎn)處理（類后處理）、柵矢轉(zhuǎn)換等操作。 1)更改類別顏色 可以在Interactive Class Tool 面板中，選擇OptionEdit class colors/names 更改，也可以在Display單獨(dú)顯示分類結(jié)果的主窗菜單ToolsColor MappingClass Color Mapping。如下圖7所示，直接可以在對(duì)應(yīng)的類別中修改顏色。 圖7 類別顏色的更改2)分類統(tǒng)計(jì)分析 主菜單ClassificationPost ClassificationClass Statistics。包括基本統(tǒng)計(jì)：類別的像元 、最大最小值、平均值等，直方圖，協(xié)方差等信息。3)小斑點(diǎn)處理 （類后處理） 運(yùn)用遙感影像分類結(jié)果中，不可避免地會(huì)產(chǎn)生一些面積很小的圖斑。無論從專題制圖的角度，還是從實(shí)際應(yīng)用的角度，都有必要對(duì)這些小圖斑進(jìn)行剔除和重新分類，目前常用的方法有Majority/Minority 分析、聚類（clump）和過濾（Sieve）。這些工具都可以在主菜單ClassificationPost Classification中找到。Majority/Minority分析和聚類（clump）是將周圍的“小斑點(diǎn)”合并到大類當(dāng)中，過濾（Sieve）是將不符合的“小斑點(diǎn)”直接剔除。如下圖8為Majority分析的結(jié)果。 圖8 分類后處理結(jié)果圖4) 柵矢轉(zhuǎn)換 打開主菜單ClassificationPost ClassificationClassification to Vector，可以將分類后得到的結(jié)果轉(zhuǎn)化為矢量格式。結(jié)果驗(yàn)證 對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。有兩種方式用于精度驗(yàn)證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達(dá)分類精度，比較形象。 混淆矩陣有2種方法，就是數(shù)據(jù)源，需要樣點(diǎn)（驗(yàn)證樣地）真實(shí)參考源可以使用兩種方式：一是標(biāo)準(zhǔn)的分類圖，二是選擇的感興趣區(qū)（驗(yàn)證樣本區(qū)）。兩種方式的選擇都可以通過主菜單ClassificationPost ClassificationConfusion Matrix 或者ROC Curves來選擇。 真實(shí)的感興趣區(qū)參考源的選擇可以是在高分辨率影像上選擇，也可以是野外實(shí)地調(diào)查獲取，原則是獲取的類別參考源的真實(shí)性。由于沒有更高分辨率的數(shù)據(jù)源，本練習(xí)中就把原分類的TM 影像當(dāng)作是高分辨率影像，在上面進(jìn)行目視解譯得到真實(shí)參考源。直接利用ROI 工具，在TM圖上均勻的選擇6類真實(shí)參考源，如圖9所示。 圖9 真實(shí)感興趣區(qū)選擇選擇主菜單ClassificationPost ClassificationConfusion MatrixUsing Ground Truth ROIs。將分類結(jié)果和ROI輸入，軟件會(huì)根據(jù)區(qū)域自動(dòng)匹配，如不正確可以手動(dòng)更改。點(diǎn)擊ok后選擇報(bào)表的表示方法 （像素和百分比），就可以得到精度報(bào)表（圖10）。圖10精度報(bào)表總結(jié) 監(jiān)督分類中的樣本選擇和分類器的選擇比較關(guān)鍵。在樣本選擇時(shí)，為了更加清楚的查看地物類型，可以適當(dāng)?shù)膶?duì)圖像做一些增強(qiáng)處理，如主成分分析、最小噪聲變換、波段組合等操作，便于樣本的選擇；分類器的選擇需要根據(jù)數(shù)據(jù)源和影像的質(zhì)量來選擇，比如支持向量機(jī)對(duì)高分辨率、四個(gè)波段的影像效果比較好。