监督分类方法

基于光谱的影像的分类可分为监督与非监督分类，这类分类方法适合于中低分辨率的数据，根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。

本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法的流程和相关知识。有以下内容组成：

•监督分类

•非监督分类

•分类后处理

监督分类

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影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量的训练样本，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，使其符合于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和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如图1所示：

图1?监督分类步骤

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2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3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。

图2训练样本的选择

图3样本可分离性计算报表

✍?在计算样本可分离性时候，可能会出现以下错误信息（Singular Value encountered…），经常出现在影像波段非常多的情况。出现这个情况主要是这

一类样本的样本点数量太少，解决方法是多选择样本点。

图4?样本可分离性计算报错

✍?在选择样本的时候，可以使用一些增强的手段辅助样本的选择，如主成分分析、波段合成等。

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。下面是几种分类器的简单描述。

表几种监督分类器说明

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 Machine。按照默认设置参数输出分类结果，如图5所示。

图5支持向量机分类器参数设置

图6?支持向量机分类结果

5、分类后处理

分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。

（1）?更改类别颜色

可以在Interactive Class Tool面板中，选择Option->Edit class colors/names更改，也可以在Display->Color Mapping->Class Color Mapping。如下图7所示，直接可以在对应的类别中修改颜色。

也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单

->Classification->Post Classification->Assign Class Colors。

图7?类别颜色的更改

图8?类别颜色更改后的效果

图9?自动颜色更改的效果图

（2）?分类统计分析

主菜单->Classification->Post Classification->Class Statistics。如图10所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。

图10?分类结果统计

（3）?小斑点处理（类后处理）

运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过滤（Sieve）和。这些工具都可以在主菜单->Classification->Post Classification中找到。Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。

如下图11为Majority分析的结果。

图11类后处理结果图

（4）?栅矢转换

打开主菜单->Classification->Post Classification->Classification to Vector，可以将分类后得到的结果转化为矢量格式，或者主菜单->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。

图12?栅矢转换面板

6、结果验证