利用envi軟體進行遙感影像分類解譯是很多人都會遇到的基本功. . .

envi怎麼彩色合成

利用ENVI軟體進行遙感影像分類解譯是很多人都會遇到的基本功，所以特此寫一期利用ENVI 5。3軟體進行遙感影像分類的主要過程說明文件。

本次以LandSat影像分類為例，以甘肅省張掖市甘州區影像分類為例進行說明。

一、資料來源：

此次土地利用分類主要依據最近幾年的遙感影像，對研究區範圍內的各個不同的土地利用型別進行監督分類。

在地理空間資料雲平臺上找出符合要求的影像資料，就可以進行下載。具體為：資料採用2017年6~9月份的Landsat影像資料，其主要的資料引數如下：

二、資料預處理

1。影像新增

首先檢視遙感影像標頭檔案，確定影像的各個引數，就可以對於影像的質量有清晰地認識，然後在ENVI5。3軟體中載入影像，在載入時選擇影像的標頭檔案載入的話，就可以一次性的將影像的多個波段都載入進去。

如圖，在新增影像時可以選擇影像的拉伸，這樣就可以使得影像的顯示更加符合真實的地物狀況。

2。影像裁剪

由於所要分類的區域內一張遙感影像就可以覆蓋整個研究區域，所以就不用影像的鑲嵌等處理。

首先載入研究區域的向量邊界（注意影像和邊界檔案的投影必須一致，否則就會出現區域不一致的情況），在載入進去之後選擇裁剪工具，對影像進行按照邊界裁剪。

需要注意的是，在進行裁剪的過程中，裁剪的範圍選擇的是甘州區的向量邊界，並將裁剪之後的背景值設定為0；如圖所示為進行裁剪操作之後的影像資料，就可以單獨顯示需要區域的影像。

三、影像分類

遙感影像的分類常見的有監督分類和非監督分類，這裡主要使用監督分類的方法。監督分類，又稱訓練分類法，用被確認類別的樣本像元去識別其他未知類別像元的過程。它就是在分類之前透過目視判讀和野外調查，對遙感影象上某些樣區中影像地物的類別屬性有了先驗知識，對每一種類別選取一定數量的訓練樣本，計算機計算每種訓練樣區的統計或其他資訊，同時用這些種子類別對判決函式進行訓練，使其符合於對各種子類別分類的要求，隨後用訓練好的判決函式去對其他待分資料進行分類。使每個像元和訓練樣本作比較，按不同的規則將其劃分到和其最相似的樣本類，以此完成對整個影象的分類。監督分類一般由如圖所示的幾個步驟。

1。 特徵點的選擇

在載入的遙感影像中選擇特徵比較明顯的幾種地物型別，主要有：水體、耕地、草地、林地、建設用地和未利用地六種型別。

2。 選擇訓練樣區

（1） 在ENVI軟體圖層管理器Layer Manager中，選擇遙感影像圖層上右鍵，選擇“New Region Of Interest”，開啟Region of Interest （ROI） Tool面板；

（2） 在ROI Name中寫入需要新增的訓練樣本；

（3） 選擇訓練樣本的顏色系統，便於後續的區分；

（4） 在影像中採用目視解譯的方法，對於易於判斷的地物作為訓練樣本的特徵點進行選擇；

（5） 在選擇不同的地物時，可以根據自己的需要使用不同的波段組合方式，具體的波段組合及所使用的範圍如下表所示：

（6） 選擇好合適的性訓練樣本之後，可以將該樣本儲存，以便於後續使用；

（7） 最終選擇好的訓練樣區如圖所示：

3。計算樣本的可分離性

在Region of Interest （ROI） Tool面板上，選擇Option>Compute ROI Separability，在Choose ROIs面板，將幾類樣本都打勾，點選OK；表示各個樣本型別之間的可分離性，用Jeffries-Matusita， Transformed Divergence引數表示，這兩個引數的值在0~2。0之間，大於1。9說明樣本之間可分離性好，屬於合格樣本；小於1。8，需要編輯樣本或者重新選擇樣本；小於1，考慮將兩類樣本合成一類樣本。實驗所採用的的遙感影像的樣本分離性如圖：

4。影像分類

目前ENVI的監督分類可分為基於傳統統計分析學的，包括平行六面體、最小距離、馬氏距離、最大似然，基於神經網路的，基於模式識別，包括支援向量機、模糊分類等，針對高光譜有波譜角（SAM），光譜資訊散度，二進位制編碼。

在此次影像分類中，主要選擇最大似然法對於影像進行分類。該方法為假設每一個波段的每一類統計都呈正態分佈，計算給定像元屬於某一訓練樣本的似然度，像元最終被歸併到似然度最大的一類當中。

步分類後的結果為：

5。分類後處理

遙感分類結果常常含有一些細碎的小斑塊，這些小斑塊的存在對結果既不美觀，也是後續分析中不需要的，利用軟體中的斑塊處理，可以將小的、臨近的斑塊聚合成大的斑塊，對分類結果中包含的小斑塊處理非常有效。

利用Classification Aggregation工具，將分類後的細小的斑塊進行合併，輸入分類結果，設定最小視窗，該選項可選，值越大，得到的結果越平滑，小斑塊聚合的越厲害，勾選Preview選項可以對所設定的引數進行結果預覽。預設的值是9。

6。精度驗證

對分類結果進行評價，確定分類的精度和可靠性。有兩種方式用於精度驗證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達分類精度，比較抽象。

真實參考源可以使用兩種方式：一是標準的分類圖，二是選擇的感興趣區（驗證樣本區）。真實的感興趣區驗證樣本的選擇可以是在高解析度影像上選擇，也可以是野外實地調查獲取，原則是獲取的類別參考源的真實性。由於沒有更高解析度的資料來源，本實驗中就把原分類的OLI影像當作是高解析度影像，在上面進行目視解譯得到真實參考源。

（1） 在Data Manager中，分類樣本上右鍵選擇Close，將分類樣本從軟體中移除；

（2） 直接利用ROI工具，跟分類樣本選擇的方法一樣，在原始影像上選擇6類驗證樣本。

（3） 最後的驗證結果如圖所示：

①總體分類精度

等於被正確分類的像元總和除以總像元數。被正確分類的像元數目沿著混淆矩陣的對角線分佈，總像元數等於所有真實參考源的像元總數，如本次精度分類精度表中的Overall Accuracy = （2007/2013） 99。7%。

②Kappa係數

它是透過把所有真實參考的像元總數（N）乘以混淆矩陣對角線（XKK）的和，再減去某一類中真實參考像元數與該類中被分類像元總數之積之後，再除以像元總數的平方減去某一類中真實參考像元總數與該類中被分類像元總數之積對所有類別求和的結果。

四、最後將分類結果出圖：