【正文】 （感興趣區(qū)域）多邊形，也可以是ENVI支持的矢量文件，針對不同的情況采用不同裁剪過程。2， 在Image視窗中單擊Overlay—Region of Interest. 在ROI Tool—File—ROI_Type—Polygon, 繪制窗口選擇 Image，繪制一個多邊形，右鍵結(jié)束。二， 矢量數(shù)據(jù)生成感興趣區(qū)1， 選擇主菜單—File—Open Vector File, 打開裁剪圖像所在區(qū)域的Shapefile 矢量文件 。3， 在打開的Available Vector List 面板中，選擇File—Export Layer to ROI,在彈出的對話框中選擇裁剪圖像，單擊ok。5， 選擇主菜單—Basic Tools—Subset data via ROIs，選擇裁剪圖像。7， 選擇輸出路徑及文件名，單擊ok裁剪圖像。Principal Components224。Compute New Statistics and Rotate ,彈出Forward PC parameters 窗口。單擊Ok，開始做分析，做好后彈出Select Output PC Bands（各波段特征值信息量）ok，彈出*前面3個波段包括了主要的特征值查看各波段信息，RGB組合。NDVI生成NDVI3,Basic Tools224。在Layer Stacking Parameters 面板中，單擊Import File按鈕，在Layer Stacking Input File 選擇框中選擇TM影像文件。單擊Import File按鈕，在Layer Stacking Input File 選擇框中選擇NDVI。Resampling選擇Bilinear，單擊OK輸出結(jié)果。如何判斷由哪幾個波段來合成RGB文件，通常通過彩色合成和視覺感官判斷為主觀判斷準(zhǔn)則。 因此，以信息量來判斷最佳波段組合，組合的3個波段的標(biāo)準(zhǔn)差之和最大，還有組合波段間相關(guān)系數(shù)之和最小為依據(jù)。主菜單— Basic Tools224。Compute Statistics, 選擇在第一步中合成多波段文件作為統(tǒng)計文件。選擇PC1，NDVI，TM7合成RGB顯示，分別查看結(jié)果。ENVI中的分類工具1 非監(jiān)督分類在ENVI中，通過主面板—〉Classification—〉unsupervised，有兩種方法供選擇，ISODATA和KMean。包括的功能非常的全，如樣本收集、樣本精度驗證等，樣本收集可以從普通的影像上收集，也可以在散點圖上選擇。ENVI有多種分類器：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，基于模式識別，包括支持向量機、模糊分類等，針對高光譜有波譜角（SAM），光譜信息散度，二進制編碼。分類結(jié)果進行評價，確定分類的精度和可靠性。3基于專家知識的決策樹分類器基于專家知識的決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗總結(jié)、簡單的數(shù)學(xué)統(tǒng)計和歸納方法等，獲得分類規(guī)則并進行遙感分類?；趯＜抑R的專家分類可以充分利用其他數(shù)據(jù)，如DEM、行政區(qū)劃圖、道路網(wǎng)、土地利用圖、林相圖等作為分類的輔助數(shù)據(jù)。圖ENVI的專家知識分類器4基于面向?qū)ο蟮姆诸惸K面向?qū)ο蟮募夹g(shù)集合臨近像元為對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數(shù)據(jù)，利用空間，紋理，和光譜信息來分割和分類的特點，以高精度的分類結(jié)果或者矢量輸出。它就是在分類之前通過目視判讀和野外調(diào)查，對遙感圖像上某些樣區(qū)中影像地物的類別屬性有了先驗知識，對每一種類別選取一定數(shù)量的訓(xùn)練樣本，計算機計算每種訓(xùn)練樣區(qū)的統(tǒng)計或其他信息，同時用這些種子類別對判決函數(shù)進行訓(xùn)練，使其符合于對各種子類別分類的要求，隨后用訓(xùn)練好的判決函數(shù)去對其他待分?jǐn)?shù)據(jù)進行分類。遙感影像的監(jiān)督分類一般包括以下6個步驟，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)；對影像進行特征判斷，評價圖像質(zhì)量，決定是否需要進行影像增強等預(yù)處理。 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。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。 圖2 訓(xùn)練樣本的選擇 選好樣本，我們要驗證樣本的精度怎么樣，在ROI Tool面板中，選擇OptionCompute ROI Separability,計算樣本的可分離性。圖3 樣本可分離性計算報表分類器選擇 根據(jù)分類的復(fù)雜度、精度需求等確定哪一種分類器。下面是幾種分類器的簡單描述。 最小距離 利用訓(xùn)練樣本數(shù)據(jù)計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，計算輸入圖像中每個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。 最大似然 假設(shè)每一個波段的每一類統(tǒng)計都呈正態(tài)分布，計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。 支持向量機 支持向量機分類 （Support Vector Machine 或SVM）是一種建立在統(tǒng)計學(xué)習(xí)理論 （Statistical Learning Theory 或SLT）基礎(chǔ)上的機器學(xué)習(xí)方法。 波譜角 是在N 維空間將像元與參照波譜進行匹配，通過計算波譜間的相似度，之后對波譜之間相似度進行角度的對比，較小的角度表示更大的相似度。主菜單下選擇Classification== Supervised== Maximum Likelihood。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。彈出Interactive Class Tool窗口，可以單獨顯示各類（圖6）；可以改顏色（Option=Edit class colors/names）；可作分類統(tǒng)計；可以編輯（Edit=Mode：）屬分類后處理。 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單獨顯示分類結(jié)果的主窗菜單ToolsColor MappingClass Color Mapping。 圖7 類別顏色的更改2)分類統(tǒng)計分析 主菜單ClassificationPost ClassificationClass Statistics。3)小斑點處理 （類后處理） 運用遙感影像分類結(jié)果中，不可避免地會產(chǎn)生一些面積很小的圖斑。這些工具都可以在主菜單ClassificationPost Classification中找到。如下圖8為Majority分析的結(jié)果。結(jié)果驗證 對分類結(jié)果進行評價，確定分類的精度和可靠性。 混淆矩陣有2種方法，就是數(shù)據(jù)源，需要樣點（驗證樣地）真實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)（驗證樣本區(qū)）。 真實的感興趣區(qū)參考源的選擇可以是在高分辨率影像上選擇，也可以是野外實地調(diào)查獲取，原則是獲取的類別參考源的真實性。直接利用ROI 工具，在TM圖上均勻的選擇6類真實參考源，如圖9所示。將分類結(jié)果和ROI輸入，軟件會根據(jù)區(qū)域自動匹配，如不正確可以手動更改。圖10精度報表總結(jié) 監(jiān)督分類中的樣本選擇和分類器的選擇比較關(guān)鍵。