摘要：基于传统统计分析的分类方法参数设置比较简单在Toolbox/Classification/Supervised Classification能找到相应的分类方法。这里选择支持向量机分类方法。在toolbox中选择/Classification/Supervis

江苏赛维地质测绘有限公司

我们继续接《ENVI遥感图像监督分类！超详细教学（上）！》讲解接下来的部分。

第四步：影像分类

基于传统统计分析的分类方法参数设置比较简单在Toolbox/Classification/Supervised Classification能找到相应的分类方法。这里选择支持向量机分类方法。在toolbox中选择/Classification/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击OK，按照默认设置参数输出分类结果。

第五步：分类后处理

包括更改类别颜色、分类后统计、小斑块处理、栅矢转换等，这部分专门有一节课讲解。在此不做叙述。

第六步：精度验证

对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是 ROC 曲线，比较常用的为混淆矩阵，ROC 曲线可以用图形的方式表达分类精度，比较抽象。

真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单->Classification->Post Classification->Confusion Matrix 或者 ROC Curves 来选择。

真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。

（1） 在 Data Manager 中，分类样本上右键选择 Close，将分类样本从软件中移除。

（2） 直接利用 ROI 工具，跟分类样本选择的方法一样，即重复第二步，在 TM 图上选择6类验证样本。

注：可直接File>open，打开can_tm-验证样本.roi。

（3）在Toolbox中，选择/Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类结果，软件会根据分类代码自动匹配，如不正确可以手动更改。

点击 OK 后选择报表的表示方法（像素和百分比），点击 OK，就可以得到精度报表。

下面对混淆矩阵中的几项评价指标进行说明：

总体分类精度

等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的 Overall Accuracy =(1849/2346) 78.8150%。

Kappa 系数

它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。

错分误差

指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，林地有419个真实参考像元，其中正确分类265，12个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为 12/419=2.9%。

漏分误差

指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的耕地类，有真实参考像元465个，其中462个正确分类，其余3个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为 3/465=0.6%

制图精度

是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。如本例中林地有419个真实参考像元，其中265个正确分类，因此林地的制图精度是265/419=63.25%。

用户精度

是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。如本例中林地有265个正确分类，总共划分为林地的有277，所以林地的用户精度是265/277=95.67%。

注：监督分类中的样本选择和分类器的选择比较关键。在样本选择时，为了更加清楚的查看地物类型，可以适当的对图像做一些增强处理，如主成分分析、最小噪声变换、波段组合等操作，便于样本的选择；分类器的选择需要根据数据源和影像的质量来选择，比如支持向量机对高分辨率、四个波段的影像效果比较好。

来源：小力和你聊科技