ENVI分类方法
### ENVI分类方法详解 #### 一、概念与原理 **遥感数字图像分类**是一种通过模式识别理论,利用计算机技术将遥感图像自动分割成若干地物类别的方法。这种分类方法通常应用于地理信息系统(GIS)领域,帮助研究者理解和分析地球表面的各种特征。 #### 二、基本分类方法 ##### 1. 非监督分类(Unsupervised Classification) **1.1 定义与原理** 非监督分类也被称为聚类分析或点群分析,它是一种在图像中搜索并定义自然相似光谱集群组的方法。这种方法完全依赖于像元的光谱特征进行统计分类,适用于对分类区域了解有限的情况。非监督分类的人为干预较少,具有较高的自动化程度。 **1.2 ENVI中的非监督分类方法** - **K均值算法**:这是一种典型的基于距离的聚类算法,它使用距离作为相似性的评价指标。算法的基本步骤包括:从N个像元中随机选择K个像元作为质心;对剩余像元测量其到每个质心的距离,并将其归类到最近的质心所在的类别;重新计算已获得的各个类别的质心;重复执行上述步骤直到新的质心与原质心相同或小于指定阈值为止。 - **ISODATA算法**:ISODATA算法是一种迭代自组织数据分析技术,其核心是使用某种算法生成初始类别作为“种子”,然后根据某个判别规则进行自动迭代聚类。在两次迭代之间,会根据统计参数对上次迭代的聚类结果进行统计分析,并据此对现有类别进行取消、分裂或合并处理,直到达到最大迭代次数或满足分类参数。 ##### 2. 监督分类(Supervised Classification) **2.1 原理** 监督分类是根据类别的先验知识确定判别函数及其相应的判别准则。这一过程中,首先需要利用一定数量的已知类别的样本(即训练样本)确定判别函数中的待定参数,这个过程称为学习或训练。随后,将未知类别的样本观测值代入判别函数,依据判别准则对该样本所属类别做出判断。 **2.2 过程** 1. **选择训练区**:确保训练区具备代表性、完整性和多样性。 2. **提取统计信息**:进行多元统计分析,评估训练样本的有效性,进行样本纯化。 3. **选择合适的监督分类算法**。 4. **计算机自动分类**。 5. **分类精度评价**。 **2.3 ENVI中的监督分类方法** - **平行六面体法(Parallelepiped)**:根据训练样本的亮度值范围形成多维数据空间。其他像元的光谱值若落在训练样本亮度值对应的区域内,则被划分为对应的类别。这种方法简单直观,但类别较多时,各类定义的区域容易重叠,可能导致一些像元不属于任何一类。 - **最小距离法(Minimum Distance)**:根据训练样本中各类别在各波段的均值,按像元距离训练样本平均值的远近决定其类别。该方法在遥感分类中应用较少,因为未考虑不同类别内部方差的不同。 - **马氏距离法(Mahalanobis Distance)**:考虑了数据分布的协方差矩阵,能更好地衡量数据之间的差异。 - **最大似然法(Maximum Likelihood)**:基于概率模型,通过计算像元属于每个类别的概率来进行分类。这是最常用的一种方法之一,因为它能够提供更准确的结果。 - **波谱角法(Spectral Angle)**:比较像元与参考光谱之间的角度,角度越小,相似度越高。 - **二值编码法(Binary Encoding)**:将像元的多波段值转换为二进制码进行分类。 - **神经网络法(Neural Net)**:利用人工神经网络进行训练和分类,能够处理复杂的数据关系。 #### 三、优缺点总结 **非监督分类优缺点** **优点**: 1. 不需要对分类区有深入了解,仅需一定的知识来解释分类出现的集群组。 2. 减少了人为误差,所需的初始参数较少。 3. 能够识别独特的、覆盖量小的类别,不会因分析者的失误而丢失。 **缺点**: 1. 结果需要大量的分析和后处理才能得到可靠的分类结果。 2. 存在同物异谱及异物同谱现象,使得集群组与类别的匹配较为困难。 3. 不同图像间的光谱集群组无法保持其连续性,难以进行对比。 **监督分类优缺点** **优点**: 1. 可以充分利用分类地区的先验知识,预先确定分类的类别。 2. 可以控制训练样本的选择,并通过反复检验提高分类精度,避免严重错误。 3. 避免了非监督分类中对光谱集群组的重新归类问题。 **缺点**: 1. 人为主观因素较强。 2. 训练样本的选取和评估需要较多的人力和时间。 3. 只能识别训练样本中所定义的类别,可能会影响最终的分类结果。 ENVI提供的多种分类方法各有特点,在实际应用中应根据具体情况选择合适的方法。非监督分类适合于对研究区域了解较少的情况,而监督分类则更适合于具有丰富先验知识的场景。无论是哪种方法,都需要仔细评估其适用性和局限性,以确保获得最佳的分类结果。