发布时间 : 星期三 文章ENVI中监督分类方法及参数说明更新完毕开始阅读e2040edc7f1922791688e820
ENVI中监督分类方法及参数说明标签： 分类： ENVI/IDL学习 转载
(2011-10-10 09:56:27)
原文地址：ENVI中监督分类方法及参数说明作者：ENVIIDL
根据分类的复杂度、精度需求等选择一种分类器。在主菜单->Classification-> Supervised->分类器类型（如表6.1），此外还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。 表6.1 六种监督分类器说明 分类器 平行六面体（Parallelpiped） 说明 根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。 利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。 最小距离（Minimum Distance） 马氏距离（Mahalanobis Distance） 计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。 最大似然 （Likelihood Classification） 神经网络 （Neural Net Classification） 支持向量机 （Support Vector Classification） 假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。 指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。 支持向量机分类（SVM）是一种建立在统计学习理论Machine （Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。 选择不同的分类器器需要设置的参数不一样。 1. 平行六面体
（1） 在主菜单中，选择Classification->Supervised->Parallelpiped，在文件输入对话框中选择TM分类影像，单击OK按钮打开Parallelpiped参数设置面板（图6.4）。
（2） SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。 （3） Set Max stdev from Mean：设置标准差阈值，有三种类型： l None：不设置标准差阈值；
l Single Value：为所有类别设置一个标准差阈值；
l Multiple Values：分别为每一个类别设置一个标准差阈值。 选择Single Value，值为3。
（4） 单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（5） 选择分类结果的输出路径及文件名。
（6） 设置Out Rule Images为Yes，选择规则图像输出路径及文件名。 （7） 单击OK按钮执行分类。
图6.4 平行六面体分类器参数设置面板 2. 最小距离
（1） 在主菜单中，选择Classification->Supervised-> Minimum Distance，在文件输入对话框中选择TM分类影像，单击OK按钮打开Minimum Distance参数设置面板（图6.5）。 （2） SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。 （3） Set Max stdev from Mean：设置标准差阈值，有三种类型： l None：不设置标准差阈值；
l Single Value：为所有类别设置一个标准差阈值；
l Multiple Values：分别为每一个类别设置一个标准差阈值。 选择Single Value，值为4。
（4） Set Max Distance Error：设置最大距离误差，以DN值方式输入一个值，距离大于该值的像元不被分入该类（如果不满足所有类别的最大距离误差，它们就不会被归为未分类类(unclassified)）。也有三种类型，这里选择None。
（5） 单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（6） 选择分类结果的输出路径及文件名。
（7） 设置Out Rule Images为Yes，选择规则图像输出路径及文件名。 （8） 单击OK按钮执行分类。
图6.5 最小距离分类器参数设置面板 3. 马氏距离
（1） 在主菜单中，选择Classification->Supervised-> Mahalanobis Distance，在文件输入对话框中选择TM分类影像。单击OK按钮打开Mahalanobis Distance参数设置面板（图6.6）。
（2） SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。 （3） Set Max Distance Error：设置最大距离误差，以DN值方式输入一个值，距离大于该值的像元不被分入该类（如果不满足所有类别的最大距离误差，它们就不会被归为未分类类(unclassified)）。也有三种类型，这里选择None。
（4） 单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（5） 选择分类结果的输出路径及文件名。
（6） 设置Out Rule Images为Yes，选择规则图像输出路径及文件名。 （7） 单击OK按钮执行分类。
图6.6 马氏距离分类器参数设置面板 4. 最大似然
（1） 在主菜单中，选择Classification->Supervised-> Likelihood Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Likelihood Classification参数设置面板（图6.7）。
（2） SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。 （3） Set Probability Threshold：设置似然度的阈值。如果选择Single Value，则在“Probability Threshold”文本框中，输入一个0到1之间的值，似然度小于该阈值不被分入该类。这里选择None。
（4） Data Scale Factor：输入一个数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000之间，则设定的比例系数就为10000。对于没有定标的整型数据，也就是原始DN值，将比例系数设为2n-1，n为数据的比特数，例如：对于8-bit数据，设定的比例系数为255，对于10-bit数据，设定的比例系数为1023，对于11-bit数据，设定的比例系数为2047。
（5） 单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（6） 选择分类结果的输出路径及文件名。
（7） 设置Out Rule Images为Yes，选择规则图像输出路径及文件名。 （8） 单击OK按钮执行分类。