一、实验背景

监督分类，又称“训练分类法”，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中图像地物的类别属性有了先验知识，对每一种类别选取一定数撒的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合千对各种子类别分类的要求；随后用训练好的判决函数去对其他待分数据进行分类，使每个像元和训练样本作比较，按不同的规则将其划分到与其最相似的样本类，以此完成对整个图像的分类。

二、实验目的

熟练掌握ENVI监督分类技术，利用该方法实现遥感图像的分类。

三、实验数据

Landsat 5 TM数据(can_tmr.img)

四、实验步骤

（一）定义训练样本

ENVI中是利用ROITool来定义训练样本的， 也就是把感兴趣区当做训练样本。因此，
定义训练样本的过程就是创建感兴趣区的过程。

第一步打开分类图像并分析图像

（1）打开TM图像，Band 5、4、3合成RGB显示在Display中。

（2）显示的RGB图像中是模拟真彩色图像，色彩饱和，目视可解译出6类地物。

（3）通过分析图像，定义6类地物样本为林地、草地、耕地、裸地、沙地和水体。

第二步 应用ROI Tools创建感兴趣区

（1）在主图像窗口中，选择Overlay→Region of Interest，打开ROI Tool对话框。

（2）在ROI Tool对话框中，在ROI
Name字段输入样本的名称(支持中文字符)，回车确认样本名称；在Color字段中，单击右键选择一种颜色。

（3）选择ROI_Type→Polygon，在Window中选择Image，在主图像窗口中绘制多边形感兴趣区。在图上分别绘制几个感兴趣区，数量根据图像大小来确定。

（4）在ROI Tool对话框中,单击New
Region按钮,新建一个训练样本种类。重复(2)、(3)步骤，最终得到如下图所示的结果。

第三步 评价训练样本

（1）在ROI Tools对话框中，选择Options→Compute ROI Separablity.

（2）在文件选择对话框时，选择输入TM图像文件，单击OK按钮。

（3）在ROI Separability Calculation对话框中。单击Select All
Items按钮，选择所有ROI用于可分离性计算，单击OK按钮,可分离性将被计算并显示在窗口中。

说明：ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed
Divergence。在对话框底部，根据可分离性值的大小，从小到大列出感兴趣区组合。这两个参数的值为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，需要重新选择样本；小于1，考虑将两类样本合成一类样本。

（4）在ROI Tools对话框中，选择File→Save ROIs，将所有训练样本保存为外部文件（.
roi)

（二）执行监督分类

根据分类的复杂度、精度需求等选择一种分类器。主菜单→Classification→Supervised→分类器类型。还包括应用于高光谱数据的波谱角(
Spectral Angle Classilication)、光谱信息散度( Spectral Information Divergence
Classifieation)和二进制编码( Binary Encoding Classification)分类方法。

1.最小距离

（1）在主菜单中，选择Classification→Supervised→Minimum
Distance，在文件输人对话框中选择TM分类图像，单击OK按钮打开Minimum
Distance参数设置对话框。

（2）Select Classes from Regions：单击Select All Items按钮，选择全部的训练。

（3）Set Max stdev from Mean：设置标准差阈值。有三种类型：①
None：不设置标准差阈值：② Single Value：为所有类别设置一个标准差阈值；③ Multple
Values：分别为每一个类别设置一个标准差阈值。选择Single Value，值为4样本。

（4）Set Max Distance
Eror:设置最大距离误差。以DN值方式输入一个值,距离大于该值的像元不被分入该类(如果不满足所有类别的最大距离误差,它们就被归为未分类类)。有三种类型,这里选择“None”。

（5）单击Preview，可以在右边窗口中预览分类结果，单击Change
View可以改变预览区域。

（6）选择分类结果的输出路径及文件名。

（7）设置Out Rule Images为“Yes”，选择规则图像输出路径及文件名。

（8）单击OK按钮执行分类。

2.最大似然

（1）在主菜单中，选择Classification→Supervised→Likelihood
Classificatio，在文件输入对话框中选择TM分类图像。单击OK按钮打开Likelihood
Classificatio参数设置对话框。

（2）Select Classes from Regions：单击Select All Items按钮，选择全部的训练样本。

（3）Set Probability Threshold：设置似然度的阈值。如果选择Single
Value，则在“Probability Threshold”文本框中
输入一个0-1的值，似然度小于该阈值不被分入该类。这里选择“None”。

（4）Data Scale
Factor：输入一个数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如，如果反射率数据为0-10000，则设定的比例系数就为10000对于没有定标的整型数据，也就是原始DN值，将比例系数设为2n-1，
n为数据的比特数。例如，对于8-bit数据，设定的比例系数为255；对于10-bit数据，设定的比例系数为1023；对于11-bit数据，设定的比例系数为2047。

（5）单击Preview，可以在右边窗口中预览分类结果，单击Change，View可以改变预览区域。

（6）选择分类结果的输出路径及文件名。

（7）设置Out Rule Images为“Yes”，选择规则图像输出路径及文件名。

（8）单击OK按钮执行分类。

（三）评价分类结果

混淆矩阵

使用Confusion
Matrix工具可以把分类结果的精度显示在一个混淆矩阵里(用于比较分类结果和地表真实信息),
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。这里也运用最小距离分类的结果。

地表真实感兴趣区

使用地表真实感兴趣区之前,需要准备反映地表真实地物信息的ROI文件。可以在高分辨率图像上,通过目视解译获取各个分类的地表真实感兴趣区;也可以通过野外实地调查,根据调查数据生成地表真实感兴趣区。

（1）在主菜单中，选择Basic→Region of Interest→Restore Saved ROI
File，打开验证感兴趣区文件。

（2）地表真实感兴趣区文件是在不同大小的图像上定义的，需要将地表真实感兴趣区文件与分类结果文件相匹配，有两种情况：无地理参考和有地理参考。这里为无地理参考

·无地理参考

①在主菜单中，选择Basic→Region of Interest→Reconcile ROIs，弹出Recon cile
ROIs参数对话框。

②在Reconcile ROTs参数对话框中，选择相应的地表真实感兴趣区。

③在Reconile ROIs参数对话框中，输入行和列，与分类图像一致，或者单击Set Values
from Source/Destination Files按钮，匹配分类图像的大小。

（3）在主菜单中，选择Classification→Post Classification→Confusion Matrix→Using
Ground Truth ROIs。

（4）在Classification Inpt
File对话框中，选择分类结果图像。地表真实感兴趣区将被自动加载到Match Classes
Parameters对话框中。

（5）在Match Classes Parameters对话框中，选择所要匹配的名称，再单击Add
Combination按钮，将地表真实感兴趣区与最终分类结果相匹配。类别之间的匹配将显示在对话框底部的列表中。如果地表真实感兴趣区的类别与分类图像中的类别名称相同，它们将自动匹配、单击OK按钮输出混淆矩阵。

（6）在混淆矩阵输出窗口的Output Confusion Matrix中，选择像素和百分比。

（7）单击OK按钮，输出混淆矩阵。

五、实验总结

1.通过这次实验我学会了监督分类的几种方法，也了解了如何评价分类结果；

2.更加熟练了ENVI的使用方法；

3.实验步骤比较复杂，需要更加耐心地完成。