ENVI遥感图像分类：非监督与监督方法解析

"ENVI分类方法是遥感图像处理中常用的一种技术，旨在通过计算机自动将图像分成不同的地物类别。本文将介绍两种主要的分类方法：非监督分类和监督分类，以及各自在ENVI软件中的实现算法。" 在遥感图像处理中，ENVI（Environment for Visualizing Images）是一种强大的工具，它提供了多种分类方法来帮助用户分析和理解遥感数据。ENVI分类方法主要包括非监督分类和监督分类，每种方法都有其适用场景和优缺点。 **非监督分类**，也称为聚类分析，是基于图像中像元的光谱特征进行的统计分类。在ENVI中，有两种常用的非监督分类算法： 1. **K均值算法** 是一种基于距离的聚类方法，其核心是通过计算像元与质心（中心点）的距离，将像元分配到最近的类。算法通过迭代过程不断调整质心，直到达到预设的终止条件，如质心不再变化或达到最大迭代次数。 2. **ISODATA算法** 是一个迭代自组织数据分析技术，它会根据统计参数动态调整类别，包括取消、分裂和合并类别。这个过程会持续迭代，直到满足预定的停止条件。 **监督分类** 则依赖于人类提供的训练样本，这些样本代表了已知的地物类别。通过训练，可以建立判别函数，对未知类别进行分类。ENVI支持以下几种监督分类算法： 1. **平行六面体法** 是根据训练样本构建一个多维空间的边界框，每个类别对应一个平行六面体，新样本被分类到最接近的六面体内部。 2. **最小距离法** 是根据像元到各个训练类样本集的平均值的距离来决定分类，将新样本分配到最近的训练类别。 3. **马氏距离法** 考虑了样本的协方差，更全面地衡量像元之间的差异，特别是在多变量数据中，能更好地处理变量间的相关性。 在进行监督分类时，首先需要选择有代表性的训练区，提取统计信息，然后选择合适的分类算法进行自动分类。最后，通过比较分类结果与已知地理信息的匹配程度来评估分类精度。 总结来说，ENVI提供的非监督和监督分类方法为遥感图像分析提供了多样化的选择。用户可以根据实际需求和数据特性，结合ENVI的各类算法，实现高效的图像分类，从而获取更准确的地物信息。