【ENVI遥感影像分类】 监督、非监督分类

基于光谱的分类方法

1.概要

• 灰度分割
• 非监督分类： ISODATA、K-Means
• 监督分类：基于传统统计分析分类器（平行六面体、最小距离、马氏距离、最大似然）【分类器】
• 基于人工智能分类器（神经网络）【分类器】
• 基于模式识别分类器（支持向量机、模糊分类)【分类器】
• 针对高光谱有波谱角（SAM），光谱信息散度，二进 制编码。

2.详细介绍

2.1 灰度分割

对于单波段影像，主要用于温度、植被类型、地形等分割。右键 Raster color slice。把slices以后的结果保存为分类图像，右键 export color slices—class image 也可以统计分类结果。

 2.2 监督分类

处理过程：

①定义类别，选择样本（ROI tools），4.7.3波段/7.4.3波段

计算样本的可分离性：toolbox/Regions of Interest/ROI Separability或者ROI tools工具的options下的compute ROI seperability

有Jeffries-Matusita, Transformed Divergence 2个参数表示，这两个参数的值在 0~2.0之间，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，需要重新选择样本；小于1，考虑将两类样本合成一类样本。一般最痛苦的就是这些植被的分类，到底啥是草地地、啥是林地，啥是园地、啥是灌木、啥是耕地？？？？？更可怕的有人做耕地类型细分，比如分棉花、水稻、小麦。。。。这个目前简单地目视解译是会怀疑人生的。

②选择一种分类器进行分类

• 1.平行六面体(parallelpiped)

根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。

• 2.最小距离(minimum distance)

利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心

位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。

• 3.马氏距离(mahalanobis distance)

计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终协方差距离最小的，即为此类别。

• 4.最大似然(likelihood classification)

假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并

到似然度最大的一类当中。

• 5.神经网络(neural net classification)

指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思

考过程。

• 6.支持向量机(Support Vector Machine)

支持向量机分类（Support Vector Machine或SVM）是一种建立在统计学习理论（Statistical Learning

Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出

分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。

• 7.波谱角(spectral angle mapper )

它是在N维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。

 

 

例如：支持向量机SVM，核默认为RBF网络

 

 

③分类后处理 （可选项 ）

 

更改类别颜色：可以在图层管理器中对相应的地类对应的颜色进行修改。从表观上进行判断，分类是否合适。

 

分类统计分析 ： toolbox->Classification->Post Classification->Class Statistics。 包括基本统计：类别的像元数、百分比、最

大最小值、平均值等，直方图，协方差，特征向量、相关性矩阵等信 息。

 

斑点处理：

Majority/Minority分析【并到最多的/最少的里面去】

Clump：小斑块合并到大类中，聚类

Sieve：会出现黑点，会删除细小图斑

效果最好的一般是majority

 

栅矢转换：

打开toolbox->Classification->Post Classification->Classification to Vector，可以将分类后得到的结果转化为矢量格式，或者toolbox->Vector->Raster to Vector，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件。

 

 

④结果验证

精度分析：选择的感兴趣区（验证样本区）的方法:可以用高精度影像（既可以用来做样本，也可以用来做精度验证的数据），或从野外实地调查获取。或标准的分类图。

 

生成随机样本。

混淆矩阵（Confusion Matrix using truth ROIs）     Overall Accuracy、Kappa系数

ROC曲线（ROC Curves）可以用图形的方式表达分类精度， 比较形象。

 

2.3 非监督分类

处理步骤：

①分类器选择：ENVI包括了ISODATA和K-Mean方法

• ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
•  K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。

②影像分类

toolbox->Classification->Unsupervised->IsoData或者K-Means。

大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。

例如，林地、草地/灌木、耕地、裸地、沙地、其他六类。确定在非监督分类中的类别数为15。 迭代次数（Maximum Iteration）为10。

③类别判定

类别定义：Toolbox—raster management—edit envi header。在header info中，选择edit attributes— classification info，输入相应的类型。

类别合并：Toolbox— Classification--Post Classification - Combine Classes。把同一类的类别合并成一类，

④分类后处理

与监督分类一样

⑤分类精度验证

与监督分类一样