关于遥感影像ENVI分类小结

1、关于分类精度检验

        （1）在对一副遥感影像进行分类时，往往需要心里有数，大致分为几类，如5类。

        （2）根据欲分类在影像上大致位置进行判断，针对每个类别选择50个采样点（根据个人情况而定）。

        （3）携带GPS等定位终端到野外调查，记录每个类别的位置和类型。

        （ 4）根据采集的实测点，首先进行分类，如每个类别的50个采样点分为两部分，一个部分是用于分类，一部分用于精度检验。然后再envi软件中对这两部分分别勾画roi区域。

         （5）对分类结果进行后处理，如消除小的斑块等。个人感觉在arcgis中使用eliminate工具挺好使用。

         （6）为分类后处理后的图像添加验证ROI（分类图的ROI tool ，file--restore ROI）。再使用EVNI中的classification---post classification--confusion matrix--use ground truth ROIS。使用真实点验证。即可获得=混淆矩阵的验证结果，可以查看整体分类精度和kappa值。（  如果不想通过手动勾画的roi进行验证，也可以把采集的点在arcgis中为每个采样点做buffer，然后再用dissolve工具融合，即可导入到envi中进行验证。）

2、关于分类方法

        （1）分类方法除了大家常用的最大距离、支持向量机、人工神经网络等。个人通过尝试发现使用“面向对象和基于专家系统的决策树分类”比较好用。特别是基于专家的分类树，如果研究区地形起伏较大，那么DEM可以充分发挥作用。在构建分类时，可以根据设置DEM为变量，如“高程大于2800 且NDVI 大于0.3为针叶林”，可以输入规则 “ B1 GT 2800 and NDVI GT 0.3”其中B1变量选择DEM数据，NVDI变量选择遥感影像。

      （2）基于专家分类系统的好处。可以根据高程、坡向、坡度等信息对分类进行控制，可以避免较为低级原始的错误。如在山脊上有道路的错误，如果加上高程限定就不会出现此类错误。

      （3）个人针对森林分类总结。个人在对一区域分类时，发现2000-3000内有阔叶林、针阔混交林、针叶林，由于三个光谱特征较难区分，选择训练样区也困难。后来本人采取根据DEM信息获取2000-3000m内的ROI(tools--region of interest band threshold to ROI)，然后通过roi对遥感影像进行裁切（basic tools--subset data via rois）。裁切出来该海拔区域的影响后，使用非监督分类分为10类，然后把该海拔范围的分类结果重新进行类别合并为3三类，这样最大限度的减少了人为分类误差，有利于提高分类精度。

     (4) 对于如果研究区内有云的区域，但你又知道云下覆盖的类型，那么可以通过手动在ENVI中修改。在原始图主窗口中--overlay-classification选择分类结果图，即可把分类后的图叠加到了原始图上，针对不同类别可以选择边界，然后手动勾画把云下类别划归给你想要的类别。

3、分类结果导出

      导出栅格：通过分类结果窗口的file--save image as--image file保存（注意选择8bit图像）

      导出矢量：classification---post classification--classification to vector，选择分类后的图像即可导出为.evf格式，然后再打开的available vector list中选择export  layer to shapefile即可进行导出为arcgis识别的通过格式。