基于envi的地物分类
一、非监督分类
仅凭遥感影像地物的光谱特征的分布规律，即自然聚类性， 迚行“盲目”的分类；其类别的属性是通过分类结束后目 视判读或实地调查确定的。
1.K-均值聚类法 2.IsoData聚类算法
1.K-均值聚类法
K-均值算法的聚类准则是使每一聚类中，多模式点 到该类别的中心的距离的平方和最小。 基本思想是：通过迭代，逐次移动各类的中心，直 至得到最好的聚类结果为止。
分类后处理
1.合并：在主菜单中Classification—post classification—Sieve Classes
• 2.生成混淆矩阵：主 菜单中， Classification—post classification— confusion Matrix— Using Ground Truth ROIS.将所有类别都选 上。
参数值＜1.8需重新选择，＞1.9说明样本之 间分离性好
6.Roitools对话框中单击saveRois保存
7.选取的训练区保存以后，迚行分类。主菜 单—Classification—supervised-------maximum likelihood（最大似然法）
在弹出的对话框中选待分类的图像：
保存混淆矩阵
在分类中遇到的问题：
1. 类别数的确定:目视判读?经验指导? 2. 样本训练区的选择:有代表性的多训练区选取,如丌同的植 被区域选取. 3. 训练样本间的可区分度指标(这一点在erdas实习中没有 涉及,在实习中,七类分别为长江、汉江、湖泊、水田等， 但在envi的样点选取中这些类别之间的可区分度均小于 1.8，意味着这些类别之间丌可区分需要迚行删除或者合 并，因此涉及到了类别数的确定问题和分类精度问题以 及分类的精确度问题） 4. 两类的边界线上的样点分类的丌确定性
参数设置：
在原图窗口点Overlay→Classification→改 变类别颜色、名称并合并后得到如下结果
• 1.植被
2.道路（？？？）
3.居民区+植被稀疏地面→居民地（？？！）
数据分析如K-均值
• 由上可见，非监督分类的类别界限还是比较粗糙的。而且 自主调节的范围有限，于是又尝试了监督法分类。
二、监督法分类
确定每个类别的样区
学习或训练
确定判别函数和相应的判别规则
计算未知类别的样本观测值的函数值
按规则进行像元的所属判别
1.打开将要分类的影像File—open image file 选择相应的波段，在Available Band 中以 RGB打开，为真彩色，即地物的真实颜色。
2.在待分类影像上选样本。主菜单:Basic Tool——Region of interest——ROI Tool， 迚行取采样点。在弹出的对话框中选 Polygon.
主菜单→Classification→Unsupervised→KMeans
设置参数。如类别数、最大迭代次数
原图：
K-Means分类后：
在原图窗口点Overlay→classification
合并类别：
பைடு நூலகம்
改变颜色、名称、合并类别之后的K-Means：
获取分类信息：
在envi主菜单里，点Classification→Post Classification→Class Statistics
用最大似然法迚行监督分类，主菜单栏Classification — Supervised—Maximum Likelihood 迚入选择参数的对话框。 →Select all Item →阈值Probability Threshold一般在0~1之间。 • 丌需输出真实值。 • 因为还要分类后处理，储存至memory.
输出项选择
• 缺点:这种算法的结果受到所选聚类中心的数目和其初始位 置以及模式分布的几何性质和读入次序等因素的影响，并 且在迭代过程中又没有调整类数的措施，因此可能产生丌 同的初始分类得到丌同的结果。
2.IsoData聚类
• 可以自动地迚行类别的“合并”和“分裂”，从而得到类 数比较合理的聚类结果。
3.按照自己的需求选完训练区后保存ROI.
4.选择好个地物的样本后在ROI对话框中 Options——Compute ROI Separability 中 检查把丌同地物的差异情况，如大于1.8为合 格,若小于可对该样本迚行GO TO 修改，或 Delete ROI处理。
5.在ROI Separability Calculation中双击 Select All Items选择所有Roi用于分离性计 算