监督分类

4.2 监督分类

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。其一般过程如图4-5所示：

图4-5监督分类一般流程

4.2.1 训练样本的选择

（1）在主菜单中，选择File→Open Image File，打开分类图像；

（2）选择图像视图窗口菜单Overlay→Region of Interest命令；

（3）在Image视图窗口中选择Overlay→Region of Interest。在ROI Tool窗口中，选择

ROI_Type→Polygon；

（4）在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘

制一个多边形区域，然后右键单击两次结束,并在ROI Name中定义其类型。依次定义其他的类型，这里定义了城镇建设用地、耕地、坑塘、河流以及农村居民地等5个类型（图4-6）；

图4-6 选择训练样本

（5）选择Options→Compute ROI Separability进行训练样本可分离性计算；

（6）在Select Input File for Separability窗口中选择计算训练可分离性的图像文件；

（7）在ROI Separability Calculation窗口中选择计算可分离性的类型（图4-7）；

图4-7 ROI分离性计算

（8）在ROI Separability Report窗口查看训练样本分离性报告，结果如图4-8所示。

图4-8 ROI分离性报告

ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed

Divergence。在窗口底部，根据可分离性值的大小，从小到大列出感兴趣区组合。

这两个参数值为02.0，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，需要重选择样本；小于1，考虑将两类样本合成一类样本。

4.2.2 图像分类

（1）选择主菜单Classification→Supervised→Maximum Likelihood命令；

Supervised菜单下分类器说明：

Parallelpiped：平行六面体分类器，根据训练样本的亮度值形成一个N维德平行

六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分到其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出；

Minimum Distance：最小距离分类器，利用训练样本数据计算出每一类的均值向量

和标准差向量，然后以均值向量作为该类在特征空间中中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类； Mahalanobis Distance：马氏距离分类器，计算出入图像到各训练样本的马氏距离

（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为该类别；

Maximum Likelihood：假设每一个波段的每一类都呈正态分布，计算给定像元属于

某一训练样本的似然度，像元最终被归并到似然度最大的一类当中；

Spectral Angle Mapper：波谱角分类（SAM）是一个基于自身的波谱分类，它是在

N维空间将像元与参照波谱进行匹配。这一算法是通过计算波谱间的角度（将它们作为具有维数等于波段数特征的空间矢量进行处理），判定两个波谱间的相似度。SAM把端元波谱矢量和像元矢量放在N维空间中进行角度比较。较小的角度代表像元与参考波谱匹配紧密。大于指定的最大弧度阈值的像元不被分入该类。

Binary Encoding：二进制编码分类技术根据波段是低于波谱 ，还是高于波谱平均

值，将数据和端元波谱编码为0和1。使用“异或”逻辑函数对每一种编码的参考波谱和编码的数据波谱进行比较，生成一幅分类图像。除非指定了一个最小匹配阈值（这时，如果一些像元不符合标准，它们将不参与分类）所有像元被分类到其匹配波段最多的端元一类中；

Neural Net：指用计算机模拟人脑的结构，用许多小的处理单位模拟生物的神经元，

用算法实现人脑的识别、记忆、思考过程应用于图像分类；

Support Vector Machine：支持向量机分类（SVM）是一种建立在统计学习理论基

础上的机器学习方法，SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。

（2）在Classification Input File窗口中选择分类的图像文件；

（3）在Maximum Likelihood Parameters中设置最大似然法分类的参数（图4-9）；

图4-9 最大似然法分类参数设置

Select Classes from Regions:选择训练样本，点击Select All Items按钮，选

择全部的训练样本；

Set Probability Threshold:设置似然度的阈值。Single Value,则在Probability

Threshold文本框输入一个01的值，似然度小于该阈值不被分入该类。这里选择“None”；

Data Scale Factor:数据比例系数，用于将整型反射率或辐射率数据转化为浮点型

数据；

Preview按钮可以在右边窗口中预览分类结果，单击Change View可以改变预览区

域。

（4）选择分类结果的输出路径和文件名以及规则文件的输出路径和文件名，点击OK执行最

大似然法监督分类，结果如图4-10所示。

图4-10 最大似然法分类结果

4.2.3 结果验证

使用Confusion Matrix等工具可以把分类结果的精度显示在一个混淆矩阵里。ENVI可以使用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。每种记录结果都包括：总体分类精度、制图精度和用户精度、Kappa系数、混淆矩阵以及错分误差和漏分误差。

1、使用真实感兴趣区进行精度验证

（1）选择Classification→Post Classification→Confusion Matrix→Using Ground

Truth ROIs；

（2）在Classification Input File中选择分类后的图像；

（3）在Match Classes Parameters选择相匹配的类型（图4-11）；

图4-11 设置匹配的类型

在Select Ground Truth ROI中选择地面真实的感兴趣区，在Select

Classification Image中选择与真实的感兴趣相匹配的分类。点击Add

Combination按钮将真实的感兴趣区与分类结构相匹配。如果地面真实感兴趣区中的类别与分类图像中的类别名称相同，它们将自动匹配。

（4）在Confusion Matrix Parameters中设置混淆矩阵参数（图4-12）；

图4-12 设置混淆矩阵参数

（5）点击OK执行显示混淆矩阵中的记录以及相关的统计（图4-13）。

图4-13 分类混淆矩阵报告

Overall Accuracy：总体分类精度等于被正确分类的像元总和除以总像元数。地表

真实图像或者地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。

Kappa Coefficient：Kappa系统是另外一种计算分类精度的方法。它是通过把所

有地表真实分类中的像元总数（N）乘以混淆矩阵对角线(Xkk)的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有求和的结果，在除以像元总数的平方减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。

4.2.4 分类后处理

计算机自动分类得到的初步结果需要再进行一些处理，才能得到最终的分类结果，这些处理过程通常称为分类后处理。常用分类后处理包括更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等。

1、Majority/Minority 分析

应用监督分类或者非监督分类，分类结果中不可避免地会产生一些面积很小的图版。无论从专题地图制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类。常用的方法有Majority/Minority 分析、聚类处理（Clump）和过滤处理（Sieve）。

Majority/Minority 分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个核窗口，用核窗口中占主要地位的像元类别代替中心像元的类别（选择Majority），或者使用次要地位的像元的类别代替中心像元的类别（选择Minority）。

（1）选择主菜单Classification→Post Classification→Majority/Minority Analysis；

（2）在Classification Input File中选择分类后文件；

（3）在Majority/Minority Parameters中设置分类后处理的参数（图4-14）；

图4-14 分类混淆矩阵报告

Select Classes：选择分类类别，单击Select All Items按钮，选择所有类别； Analysis Method：选择处理方式；

Kernel Size：核窗口大小，核窗口越大，分类图像越平滑；

Center Pixel Weight：中心像元权重；

（4）选择输出路径和文件名，单击OK执行分类后处理。

2、分类结果转化为矢量数据

（1）在主菜单上选择Classification Post Classification Classification to Vector，或者选择Vector Classification to Vector。

（2）在Raster to Vector Input Band窗口中选择分类结果，点击OK按钮（图4-15）；

图4-15 选择栅格到矢量转换的输入文件

（3）在Raster To Vector Parameters中设置输出参数（图4-16）；

图4-16 栅格到矢量的转换参数

（4）选择文件输出路径和文件名，点击OK按钮执行转换过程。

本文来源：https://www.bwwdw.com/article/ttdi.html