本文主要是介绍ENVI实战—一文搞定监督分类，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
实验1：利用ROI建立样本训练集和验证集
目的：学会利用ROI建立计算机分类时的样本集
过程：
①导入影像：打开ENVI，选择“打开→打开为→光学传感器→ESA→Sentinel-2”，将Sentinel-2影像导入到ENVI平台中。
图1
②建立ROI区域：选择ROI工具，在影像中寻找一个包含植被、水体、建筑和道路等主要地物的区域，绘制矩形，建立ROI区域。
图2
③空间裁剪：按照“打开→另存为→另存为ENVI....”，在弹出的窗口中选择“空间裁剪”，导入ROI文件，对整幅Sentinel-2影像进行裁剪，得到子影像。
图3
④绘制训练样本集：点击新建ROI绘制自由形状，按照样本在影像范围内全覆盖，且同一地物不同特征全覆盖，大小样本全覆盖的原则，在影像中各绘制植被、建筑、道路、水体、农田各20个样本，将其另存为Train.xml。（图4）
图4
⑤绘制验证样本集：点击新建ROI，与训练样本集类似，针对水体、植被、田地、建筑、道路等地物，根据与此前的训练样本不重复的原则，各绘制10个验证样本，将结果另存为evaluate.xml。（图5）
图5
⑥计算ROI可分离性：找到工具箱中的工具“感兴趣区”，找到其中的工具“计算ROI可分离性”，导入影像，选择四类样本，进行分离性计算，得到任意两类样本之间的可分离性。
图6
结果：
①如下展示了本次绘制的训练样本集和精度验证集，在空间上尽可能保持不重叠。
图1 左图是训练样本集，右图是精度验证集
②图2展示了建筑、水体、植被和道路之间的分离性，其中，绝大部分地物之间都超过1.9以上，表明两种分离情况较好。而建筑和道路之间的可分离性仅占0.99，由于建筑和道路都是硬化路面，因此二类地物之间难以区分。
图2
实验2：使用最小距离法对影像进行分类
目的：学会使用最小距离法对影像进行分类
过程：
①建立训练样本集和验证样本集：基于实验1的步骤，重新就原影像进行空间裁剪，针对植被、水体、建筑、道路各绘制10个训练样本和验证样本。（实验3和实验4以及实验五采取的均为该幅影像）
②工具箱使用：找到ENVI工具箱中的图像分类工具，选择“监督分类”，选择“最小距离法”工具。
③导入影像：导入裁剪好的监督分类影像，此时ENVI会将该影像作为分类的参考依据，根据最小距离法的分类规则，自动对影像进行分类。
④最小距离法分类：，接着选中实验1中已经备选好的道路、水体、植被、建筑等训练样本集，该数据集为监督分类的参考，设置输出路径。
图1
结果：
图1展示最小距离法的分类结果。从图中可以看出，大部分的地物基于所选的训练样本进行了区分。
图1
实验3：使用最大似然法对影像进行分类
目的：学会基于最大似然法对影像进行分类
过程：
①工具箱使用：找到ENVI工具箱中的图像分类工具，选择“监督分类”，选择“最大似然法”工具。
②导入影像：导入裁剪好的监督分类影像，此时ENVI会将该影像作为分类的参考依据，根据最大似然法的分类规则，自动对影像进行分类。
③最小距离法分类：，接着选中实验1中已经备选好的道路、水体、植被、建筑等训练样本集，该数据集为监督分类的参考，设置输出路径。
图2
结果：
图1展示了最大似然法下影像的分类结果，对比原图像，整体的分类效果还是较好的，在颜色的显示上，最大似然法最后显示的颜色相对明亮，对地物的区分度高。
图1
实验4：使用支持向量机对影像进行分类
目的：学会基于支持向量机对影像进行分类
过程：
①工具箱使用：找到ENVI工具箱中的图像分类工具，选择“监督分类”，选择“支持向量机”工具。
②导入影像：导入裁剪好的监督分类影像，此时ENVI会将该影像作为分类的参考依据，根据支持向量机的分类规则，自动对影像进行分类。
③最小距离法分类：，接着选中实验1中已经备选好的道路、水体、植被、建筑等训练样本集，该数据集为监督分类的参考，设置输出路径。
图1
结果：
图1展现了支持向量机的分类结果，从分类的结果来看，相较于最大似然法，该影像的分类效果较差，没能很好地将建筑物和道路进行较好地区分，存在较多的错分现象。
图1
实验5：使用分类结果进行精度评估
目的：学会对分类结果进行精度评估
过程：
①选择工具箱：在图像分类工具箱下找到“分类后处理”，找到“利用地面真实感兴趣进行混淆矩阵分析”，对影像的分类结果进行整体评估
图1
②样本匹配：在弹出的链接验证样本的窗口中，将水体评估、建筑评估、植被评估、道路评估与水体、建筑、植被、道路一一建立匹配关系。点击确定，即可计算影像的分类效果。依据上述过程对三种方法的结果进行一一对应，得到三种分类的精度评估结果。
图2
结果：
图1展示的最小距离法的精度评估结果，总体精度为91.4096%，其中Kappa系数的结果为0.8526；图2展示的是最大似然法的精度评估结果，总体精度为89.0603%，其中Kappa系数的结果为0.8131；图3展示的是支持向量机的精度评估结果，总体精度为91.5994%，其中Kappa系数的结果为0.8542。从评估结果可以看出，本次监督分类中，使用支持向量机方法得到了最好的分类结果，而最大似然法的分类效果相对较差。
值得注意的是，由于本次用于监督分类的样本仅包含4类地物，因此最终的分类结果中，会存在错分的现象，且由于建筑和道路难以区分，二者无论是从建筑用材还是从空间距离上都具有高度的相似性，以后进行分类时，可以尝试将二者统一，另外，将地物类别扩充，如增加农田，山体等，提高分类与实际影像的匹配程度。
图1
图2
图3
这篇关于ENVI实战—一文搞定监督分类的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
