第85章 85章（1 / 2）

统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则进行决策，从而对遥感图像予以识别。

分别利用监督分类和非监督分类对遥感影像进行地物分类。

监督分类和非监督分类两者的根本区别在于是否利用训练样地来获取先验的类别知识。

非监督分类不需要更多的先验知识，根据地物的光谱特征进行分类;监督分类根据分类区地物影像特征的先验知识建立训练样地进行分类。

一、 遥感图像监督分类

1.1 定义训练样本

先打开ENVI软件，在ENVI主菜单通过【File】→【Open Image File】，选择图像“Miyun_2006”，以波段4、3、2合成RGB，进行假彩色合成。如图1.1所示。

图1.1.1 对影像进行“假彩色合成”

接着，根据ArcMap中的土地类型进行对照，选取适当数量的训练区。

训练区的选取是根据影像的特征（色调、纹理、图案等）和野外调查，建立解译标志进行。

通过【Basic Tools】→【Region of I】→【ROI Tool】，选择Regle类型，在Zoom窗口进行绘制，绘制好图形后点击右键确认，设置相应的类别以及对应的颜色。

通过参考已有的土地类型，配合影像特征进行选取，最终类别如图1.1.2所示。

图1.1.2 选取的各地物的训练区

最后，通过【ROI Tool】对话框中点击【File】→【Save ROIs】，保存训练区文件，如图1.1.3所示。

图1.1.3 保存训练区

1.2 选取监督分类算法

通过【Cssification】→【Supervised】，选取监督分类的相关算法。

本次实验进行基于协方差矩阵的【马氏距离法】，通过计算样本点到各类别的距离来确定该样本点的分类。如图1.2.1所示。

图1.2.1 选择【马氏距离法】

相关设置中，先输入遥感图像“Miyun_2006”，再设置最大距离误差：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，像元被归为未分类。实验中选择【None】。

最后设置输出路径和命名，点击OK即可，如图1.2.2，图1.2.3所示。

图1.2.2 相关参数设置

图1.2.3 监督分类结果

1.3 评价分类结果

然后进行基于混淆矩阵的分类精度分析。

使用fusion Matrix工具，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。

通过【Cssification】→【Post Cssification】→【fusion Matrix】→【Using Ground Truth ROIs】路径，进行评价分析。

在弹出的【Cssification Input File】中，选择监督分类后的图像，即“Maha_Diatance”。