遥感图像的监督分类 1 实验的目的和任务 1）理解遥感图像计算机分类的原理和方法； 2） 掌握监督分类的步骤和方法。 2 .实验设备与数据： 设备：遥感图像处理系统 ENVI 数据：ENVI 自带的数据 3 实验内容：遥感图像监督分类。 监督分类（Su perv ised Classification）用于在数据集中根据用户定义的训练样本类别（Training Classes）聚类像元。训练样本类别是像元的集合或者单一波谱，通常的训练区采用 ROI 来选择，而且应该尽可能的选择纯净的感兴趣区域。 具体的操作参考以下图和步骤： 1）、类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。 本例是以ENVI 自带Landsat tm5 数据Can_tmr.img 为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。 2）、样本选择 为了建立分类函数，需要对每一类别选取一定数目的样本，在 ENVI 中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为 ROIs 文件来获得，或者利用终端像元收集器（Endmember Collection）获得。 本例中使用 ROIs 方法，打开分类图像，在 Display->Overlay->Region of Interest，默认 ROIs 为多边形，按照默认设置在影像上定义训练样本。如图 18 所示，设置好颜色和类别名称（支持中文名称）。 在 ROIs 面板中，选择 Option->Compute ROI Separability,计算样本的可分离性。如图 19 所示，表示各个样本类型之间的可分离性，用 Jeffries-Matusita, Transformed Divergence 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。 训练样本的选择 样本可分离性计算报表 3）、分类器选择 根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。 4）、影像分类 基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。主菜单下选择 Classification > Supervised > Support Vector M...
