ENVI遥感影像监督分类技巧与评价

"这篇资源介绍了如何在ENVI（Environment for Visualizing Images）软件中进行遥感影像的监督分类，包括选择兴趣区、确定分类数量、评估ROI质量以及修改ROI等关键步骤。" 在遥感影像分析中，监督分类是一种常用的技术，它依赖于已知的地物类别（即训练样本）来训练分类器，从而识别和分类影像中的各种地物。在ENVI软件中，执行监督分类的步骤如下： 1. **选择兴趣区（ROI, Region of Interest）**：首先，用户需要使用ROITool选取不同地物类型的区域作为训练样本。这些兴趣区应覆盖不同地物类别，例如居民地、林地、梯田、水体、平耕地和草地。 2. **确定分类数量**：根据实际需求，设定要分类的地物类别数量。在例子中，设置了6个类别。 3. **选择兴趣区细节**：对每个地物类别选择多个兴趣点，确保样本分布均匀。通过鼠标操作可以添加、删除或修改ROI。 4. **ROI质量评价**：评价ROI的质量是确保分类效果的关键。有定性和定量两种评价方法： - **定性评价**：通过导出ROI到n-DVisualizer，观察不同地物颜色的聚集情况。理想情况下，不同地物的聚类应该彼此远离，表明ROI选择良好。 - **定量评价**：使用`ComputeROISeparability`计算可分离度，数值越大，地物之间的区分度越高。通常，可分离度大于1.8被视为合格。例如，如果林地和平耕地的可分离度低，可能需要重新选择或调整样本。 5. **修改ROI**：如果评价结果显示ROI质量不高，可以通过两种方式修改： - 对于定性评价，可以在n-DVisualizer中改变颗粒颜色，以改善不同地物的聚类状态。 - 对于定量评价，可以删除分离度低的地物样本，以提高整体的可分离度。 值得注意的是，即使高可分离度并不保证好的分类结果，而低可分离度往往意味着分类效果不佳。此外，样本数量的合适与否也可能影响可分离度的计算。 ENVI遥感影像监督分类的整个过程涉及到数据预处理、训练样本的选择与优化，以及分类模型的构建。通过细致的ROI管理和质量控制，可以提升分类的准确性和可靠性，从而更好地服务于土地覆盖、环境监测等应用领域。