IDL实现相对辐射定标

监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。换句话说，监督分类就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类；

可分性度量

主要涉及J—M距离和变换分散度，都是一种特征空间距离度量方法，是指影像特征矢量与各个类中心的距离，变换分散度是TDivercd=[1-exp(-Divercd/8)],J—M距离J=2*(1-e-B)；

最大似然分类法

在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。

混淆矩阵

从随机点位上获取地面参考验证信息，并与遥感分类图进行逐像元比较，然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。类别精度：被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，其中制图精度对应漏分误差是指指示需要进行类别补充和训练样本的采集，用户精度对应错分误差是指指示训练样本集存在混合现象，需要进行更加精细的训练样本采集以保证各个类别样本光谱特征上的纯洁性；

Kappa系数：

分类后处理——主要/次要分析

输入一个变换核，用变换核中占主要 / 次要地位的像元的类别代替中心像元的类别。

分类后处理——类别集群

运用形态学算子将临近的类似分类区域合并集群。首先，将被选的类别用一个膨胀操作集群在一起，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。

分类后处理——类别筛选

观察周围的4个或8个像元，判断一个像元是否与周围的像元同组。如果一类中被分组的像元数少于输入的值，这些像元将被从该类中删除。删除像元后，剩下黑像元（未分类的像元）。

非监督分类

指人们事先对分类过程不施加任何的先验知识，仅依据影像上地物的光谱特征分布规律，顺其自然地进行分类。基本思路来源于多变量聚类分析（clustering analysis），其理论依据是根据地物光谱理论，遥感影像上的同类地物在相同的表面结构特征、植被覆盖、光照条件下，具有相同或相近的光谱特征，应归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，应归属于不同的光谱空间区域。

二、数据下载

关于数据下载我在《免费的GIS数据下载网站》一文提到下载地址，本文我采用的数据从地理空间数据云下载。

第一步访问网站

注册账号，2021年4月21日前后我用没注册成功过，建议大家用平台自带注册功能注册账号。

第二步登录账户

第三步点击高级检索，下载数据

选择数据集

通过行政区选择空间位置

选择时间范围

点击检索搜索数据，点击可下载的按钮下载即可

三、软件下载及安装

此处省略.....，我用的软件是ENVI5.3SP1

四、辐射定标

第一步打开数据

方式一：直接通过file->open,选择xxx_MTL.txt的文件

方式二：通过file->open as->optical sensors->landsat->geotiff with metadata,选择xxx_MTL.txt的文件

第二步辐射定标

辐射定标是实现遥感信息定量化的基本前提，通常提供给用户的遥感数据都是数字图像，每个像元只有一个像元值（DN, Digital Number的缩写）该值为其覆盖范围内所有地物辐射能量的积分值或平均值。利用像元值只能进行同景图像内部的相对比较，然而全球资源和环境变化研究需要遥感技术能够提供多时域、多区域、多种传感器且相互之间具有可比性的遥感数据。可以通过辐射定标，将图像像元值转换为对应像元的辐射率或者反射率等物理量。

1）在ENVI的Toobox中，选择Radiometric Correction>Radiometric Calibration，选择多光谱数据（MultiSpectral多光谱数据（1~7波段）、Panchromatic 全色波段数据（8波段）、Cirrus卷云波段数据（9波段）、Thermal热红外数据（10，11波段）、Quality质量波段数据（12波段））。

2）设置参数

Calibration Type定标的类型：radiance(辐射率)、reflectance(反射率)、brightness temperatures（亮度温度）

对于Landsat 8数据：

多光谱数据、全色波段数据、Cirrus卷云波段数据可以进行辐射率定标和反射率定标

热红外数据可以进行辐射率定标和亮度温度定标

Output Interleave输出格式；Output Data Type输出数据类型；Scale Factor比例因子，可通过点击Apply FLAASH Settings得到相应的参数。

关于输出的格式：BSQ在图像显示速度上更快，而BIL、BIP在图像处理上又明显优于BSQ格式；另外像FLAASH大气校正是基于像元处理的，BSQ是不满足的，另外像图像融合以及图像的分类等都是基于像元进行处理的

处理多光谱数据

处理的操作如下，点击ok时下面会有一个进度条，坐等结束，此过程中失败了两次，第三次成功了，也不知道什么原因引起的：尽量不要出现中文路径

创建新窗口通过统一低于比较影像变化

五、计算区域平均高程

此方法是后面才学到的，下面的大气校正未采用此方法获取高程

第一步打开全球DEM

选择File->Open World Data->Elevation，打开ENVI自带的全球900mDEM数据，如下图所示，提示坐标系不一致，需要重新投影

第二步计算研究区高程

打开工具箱中的Statistics->Compute Statistics，在输入文件对话框中选择GMTED2010.jp2数据，再单击Stats Subset，单击File，选择需要统计高程信息对应的影像区域，然后OK

六、大气校正

遥感所利用的各种辐射能均要与地球大气层发生相互作用:或散射、或吸收，从而使能量衰减，并使光谱分布发生变化。大气的衰减作用对不同的波长的光是有选择性的，因而大气对不同波段的图像的影响是不同的。另外，太阳-目标-遥感器之间的几何关系不同，则所穿越的大气路径长度不同，使图像中不同地区地物的像元灰度值所受大气影响程度不同，且同一地物的像元灰度值在不同获取时间所受大气影响程度也不同。

即使遥感系统工作正常，获取的数据仍然带有辐射误差。两种最重要的环境衰减是1)由大气散射和吸收引起的大气衰减；2）地形衰减。然而，在所有的遥感应用中都进行大气校正可能没有必要。是否进行大气校正，取决于问题本身、可以得到的遥感数据的类型的历史与当前实测大气信息的数据和遥感数据中提取生物物理信息所要求的精度。

有时候可以完全忽略遥感数据的大气影响。例如，对某些分类和变化检测而言，大气校正并不是必须的。理论分析和经验结果都只是有取自某个时间或空间的训练数据需要进行时空拓展时，影像分类和各种变化检测才需要进行大气校正。例如，用最大似然法对单时相遥感数据进行分类，通常就不需要大气校正。只要影像中的用于分类的训练数据具有相对一致的尺度，大气校正与否就对分类精度几乎没有影响。

有时必须对遥感数据进行大气校正。例如，从水体或植被中提取生物物理变量(如：水体中的叶绿素a、悬浮泥沙、温度；植被中生物量、叶面积指数、叶绿素、树冠郁闭百分比)时，就必须对遥感数据进行大气校正。如果数据未经校正，就可能会丢失这些重要成分的反射率(或出射率)的微小差别信息。此外，如果需要将某景影像中提取的生物物理量(如：生物量)与另一景不同时相影像中提取的同一生物量相比较，就必须对遥感数据进行大气校正。

Flaash大气校正：使用MODTRAN 4+辐射传输模型的代码，基于像素级的校正，校正由于漫反射引起的连带效应，包含卷云和不透明云层的分类图，可调整由于漫反射引起的连带效应，包含卷云和不透明云层的分类图，可调整由于人为抑止而导致的波谱平滑。Flaash可对Landsat，SPOT,AVHRR,ASTER,MODIS,MERIS,AATSR,IRS等多光谱、高光谱数据、航空影像及自定义格式的高光谱影像进行快速大气校正分析。能有效消除大气和光照等因素对地物反射的影响，获得地物较为准确的反射率和辐射率、地表温度等真实物理模型参数。

下面介绍多光谱数据FLAASH大气校正

第一步打开工具，加载数据

选择Toolbox/Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction，打开FLAASH大气校正工具。

文件输入与输出信息项目

点击Input Radiance Image按钮，选择上一步准备好的辐射亮度值数据lzfsdb.dat。

在Radiance Scale Factors对话框中选择Use single scale factor for all bands（Single scale factor：1）

第二步设置各种参数

点击Output Reflectance File按钮设置输出路径和文件名；Output Directory for FLAASH Files：设置其他文件输出目录；

传感器基本参数设置

中心点经纬度 Scene Center Location：图像有地理坐标则自动获取,无则需要手动获取。

选择传感器类型 Sensor Type： Landsat-8 OLI，其对应的传感器高度以及影像数据的分辨率自动读取；

获取该影像区域的平均地面高程 Ground Elevation，前面计算区域平均高程有提到过，我这里实验做得稍微早点，是通过查询兰州的高程获得的，或许对结果有影响，大概1500m，即1.5km

影像成像时间（格林威治时间）：在 layer manager 中的数据图层中右键选择 ViewMetadata，浏览 time 字段获取成像时间（也可以从文件“*_MTL.txt”中找到，具体名称：DATE_ACQUIRED 和 SCENE_CENTER_TIME），这个一般时间会自动获取

大气模型参数选择 Atmospheric Model： Mid-Latitude Summer（根据成像时间和纬度信息依据下表规则选择）

气溶胶模型 Aerosol Model： Urban；

气溶胶反演方法 Aerosol Retrieval： 2-band（K-T）（初始能见度 Initial Visibility 只有在气溶胶反演方法为 None 时候，以及 K-T 方法在没有找到黑暗像元的情况下）
其他参数按照默认设置即可
多光谱数据参数设置 Multispectral Settings

K-T 反演选择默认模式：Defaults->Over-Land Retrieval standard（600:2100）

高级设置 Advanced Settings
开始apply，此过程比较漫长，需要耐心等待

第三步查看处理结果

处理结果浏览选择 Display>Profiles>Spectral 查看典型地物波谱曲线，如植被、水体等，并与原始文件比较

记录一些常规操作

多个大气矫正结果镶嵌

Seamless Mosaic

参考：【ENVI入门系列】09.图像镶嵌 - ENVI-IDL技术殿堂 - 博客园 (cnblogs.com)

掩膜提取

build mask

apply Mask

按范围提取

subset data from rois

七、Landsat8影像介绍

Landsat TM （ETM+）7个波段可以组合很多RGB方案用于不同地物的解译。

Landsat 8只是在一些空间波谱范围内进行了细微的调整，除了增加了Band 1 Coastal和Band 9 Cirrus外，与Landsat 7相比，Landsat 8将热红外波段拆分为两个，在Landsat 7中，热红外波段的空间分辨率为60m（重采样后为30m）,Landsat 8的对应两个波段的空间分辨率降低为100，但是却细化了光谱信息。这种以空间分辨率为代价增强光谱信息的做法，也体现出了遥感领域的守恒。

Landsat8卫星包含OLI（Operational Land Imager 陆地成像仪）和TIRS（Thermal Infrared Sensor 热红外传感器）两种传感器。OLI包括了ETM+的所有波段，为了避免大气吸收部分特征，OLI对波段进行了重新调整，比较大的调整：

　　1、OLI Band5(0.845–0.885 μm)，排除了0.825μm处水汽吸收特征；

　　2、OLI全色波段Band8波段范围较窄，这种方式可以在全色图像上更好区分植被和无植被特征；

　　3、新增两个波段：海蓝波段 (band 1; 0.433–0.453 μm) 主要应用海岸带观测；短波红外波段，又称卷云波段(band 9; 1.360–1.390 μm) 包含水汽强吸收特征，可用于云检测；

　　4、近红外band5和短波红外band9与MODIS对应的波段更加接近。

表1是国外公布的OLI波段合成的简单说明。表2是前人在长期工作中总结的Landsat TM（ETM+）不同波段合成对地物增强的效果。对比表3，可以将表1和表2的组合方案结合使用。

表1：OLI波段合成

R、G、B	别名	主要用途	备注
4 、3 、2（Red、Green、Blue）	自然色（Natural Color）	自然真彩色	接近地物真实色彩，图像平淡，色调灰暗
7、 6 、4（SWIR2、SWIR1、Red）	假彩色（False Color (urban))	城市	用于城市监测
5、 4 、3（NIR、Red、Green）	红外彩色（Color Infrared (vegetation)）	标准假彩色图像，植被	用于植被相关的监测，植被显示为红色、越健康越亮，地物色彩鲜明，有利于植被（红色）分类，水体识别
6 、5 、2（SWIR1、NIR、Blue）	农业（Agriculture）	农业	用于农作物监测，农作物显示为高亮绿、裸地为品红，植被类型丰富，便于植被分类
7 、6、 5（SWIR2、SWIR1、NIR）	大气渗透（Atmospheric Penetration）	穿透大气层	对大气层穿透能力较强，例如图像中红色方框内云的影响明显减少
5、 6、 2（NIR、SWIR1、Blue）	健康植被（Healthy Vegetation）	健康植被
5 、6、 4（NIR、SWIR1、Red）	陆地/水体（Land/Water）	陆地/水	有效区分陆地和水体，水体边界清晰，利于海岸识别；植被有较好显示，但不便于区分具体植被类别
7、 5 、3（SWIR2、NIR、Green）	大气去除（Natural With Atmospheric Removal）	移除大气影响的自然表面	具有良好的大气透射
7 、5 、4（SWIR2、NIR、Red）	短波红外（Shortwave Infrared）	短波红外
6、 5 、4（SWIR1、NIR、Red）	植被分析（Vegetation Analysis）	植被分析
6、3、2（SWIR1、Green、Blue）			突出裸露地表的一些景观
5、7、1（NIR、SWIR2、Coastal）			有效监测植被和水体

表2：Landsat TM波段合成总结说明

R、G、B	类型	特点
3、2、1	真假彩色图像	用于各种地类识别。图像平淡、色调灰暗、彩色不饱和、信息量相对减少。
4、3、2	标准假彩色图像	它的地物图像丰富，鲜明、层次好，用于植被分类、水体识别，植被显示红色。
7、4、3	模拟真彩色图像	用于居民地、水体识别
7、5、4	非标准假彩色图像	画面偏蓝色，用于特殊的地质构造调查。
5、4、1	非标准假彩色图像	植物类型较丰富，用于研究植物分类。
4、5、3	非标准假彩色图像	（1）利用了一个红波段、两个红外波段，因此凡是与水有关的地物在图像中都会比较清楚；（2）强调显示水体，特别是水体边界很清晰，益于区分河渠与道路；（3）由于采用的都是红波段或红外波段，对其它地物的清晰显示不够，但对海岸及其滩涂的调查比较适合；（4）具备标准假彩色图像的某些点，但色彩不会很饱和，图像看上去不够明亮；（5）水浇地与旱地的区分容易。居民地的外围边界虽不十分清晰，但内部的街区结构特征清楚；（6）植物会有较好的显示，但是植物类型的细分会有困难。
3、4、5	非标准接近于真色的假彩色图像	对水系、居民点及其市容街道和公园水体、林地的图像判读是比较有利的。

表3： OLI陆地成像仪和ETM+对照表

OLI陆地成像仪			ETM+
序号	波段(μm)	空间分辨率 (m)	序号	波段(μm)	空间分辨率 (m)
1	0.433–0.453	30
2	0.450–0.515	30	1	0.450–0.515	30
3	0.525–0.600	30	2	0.525–0.605	30
4	0.630–0.680	30	3	0.630–0.690	30
5	0.845–0.885	30	4	0.775–0.900	30
6	1.560–1.660	30	5	1.550–1.750	30
7	2.100–2.300	30	7	2.090–2.350	30
8	0.500–0.680	15	8	0.520–0.900	15
9	1.360–1.390	30

表4：Landsat 8与Landsat 7卫星的波段对比

Landsat 7			Landsat 8
波段名称	波长 (µm)	分辨率(m)	波段名称	波长 (µm)	分辨率(m)
			Band 1 Coastal	0.43 – 0.45	30
Band 1 Blue	0.45 – 0.52	30	Band 2 Blue	0.45 – 0.51	30
Band 2 Green	0.52 – 0.60	30	Band 3 Green	0.53 – 0.59	30
Band 3 Red	0.63 – 0.69	30	Band 4 Red	0.64 – 0.67	30
Band 4 NIR	0.77 – 0.90	30	Band 5 NIR	0.85 – 0.88	30
Band 5 SWIR 1	1.55 – 1.75	30	Band 6 SWIR 1	1.57 – 1.65	30
Band 7 SWIR 2	2.09 – 2.35	30	Band 7 SWIR 2	2.11 – 2.29	30
Band 8 Pan	0.52 – 0.90	15	Band 8 Pan	0.50 – 0.68	15
			Band 9 Cirrus	1.36 – 1.38	30
Band 6 TIR	10.40 – 12.50	30/60	Band 10 TIRS 1	10.6 – 11.19	100
Band 6 TIR	10.40 – 12.50	30/60	Band 11 TIRS 2	11.5 – 12.51	100

八、监督分类

第一步：类别定义/特征判别

根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.3，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择

（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。

1）在Region of Interest (ROI) Tool面板上，设置以下参数：

ROI Name：林地
ROI Color：

图2.1 Region of Interest (ROI) Tool面板上设置样本参数

2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；

3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；

4）这样就为林地选好了训练样本。

注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。

2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。

3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。

（2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本；

（3）如下图为选好好的样本。

图2.2训练样本的选择

（4）计算样本的可分离性。在Region of Interest (ROI) Tool面板上，选择Option>Compute ROI Separability，在Choose ROIs面板，将几类样本都打勾，点击OK；

（5）表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要编辑样本或者重新选择样本；小于1，考虑将两类样本合成一类样本。

图2.3样本可分离性计算报表

注：1、在图层管理器Layer Manager中，可以选择需要修改的训练样本。

2、在Region of Interest (ROI) Tool面板上，选择Options > Merge (Union/Intersection) ROIs，在Merge ROIs面板中，选择需要合并的类别，勾选Delete Input ROIs。

图2.4 Merge ROIs面板

（6）在图层管理器中，选择Region of interest ，点击右键，save as，保存为.xml格式的样本文件。

注：1、早期版本的感兴趣文件格式为.roi，新版本的为.xml，新版本完全兼容.roi文件，在Region of Interest (ROI) Tool面板上，选择File>Open打开.xml或.roi文件。

2、新版本的.xml样本文件（感兴趣区文件）可以通过，File>Export>Export to Classic菜单保存为.roi文件。

分类器选择

根据分类的复杂度、精度需求等确定哪一种分类器。目前 ENVI 的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几种分类器的简单描述。

（1）平行六面体（Parallelepiped）

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。

（2）最小距离（Minimum Distance）

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。

（3）马氏距离（Mahalanobis Distance）

计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。

（4）最大似然（Maximum Likelihood）

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。

（5）神经网络（Neural Net）

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。

（6）支持向量机（Support Vector Machine）

支持向量机分类（Support Vector Machine 或 SVM）是一种建立在统计学习理论（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。

（7）波谱角（Spectral Angle Mapper）

它是在 N 维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。

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。

图2.5 支持向量机分类器参数设置

图2.6 支持向量机分类结果

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。

图2.7选择验证样本

（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。

图2.8 验证操作面板

图2.9分类精度评价混淆矩阵

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。

Kappa计算公式

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。

目视解译

在遥感影像上确定并提取出一下16种地物，分别是水稻田、水浇地、葡萄园、草地、林地、防护林、幼林地、沙漠/砾漠、公路/铁路、水库/坑塘、居民地、盐碱地、工业区、裸岩、河流、设施农用地。同时确定土地的覆盖类型、编码以及色调。

建立训练区

在加载地区影像的Image窗体中右击，选择ROI Tool，为了提高分类精度，选择在Zoom中选择样本区。根据地物的情况选择point、polyline、polygon方式建立训练区。

统计样本可分性的度量

在ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择影像，点击确定，选择所有训练区，统计J—M距离和分散度，并将结果导入到Excel中。

最大似然法

①具体步骤：Classification|Supervised| Maximum Likelihood，在Set Input File对话框中导入影像zhongwei.img。在打开的对话框中选Select All Items，其中Set Probability Threshold设为 Single Value， Probability Threshold设为0.6，Output Rule Image设为No，选择保存路径。最后根据分类的情况修改监督分类后的地物的颜色等信息。

②根据习惯，将分类的水稻田，水浇田设为灰色；水体为蓝色；林地，园林，草地等一般设为绿色，沙漠，砾漠，裸岩颜色为暗色调；城镇，居民地，工业区颜色为深红的。具体操作：在Supervised影像中的Image上选择Overlay|Classification，点击“Supervised”。在图例窗口中，选择Option|Edit class colors/name等来修改地物的名称和颜色。

进行分类精度评价

选择Classification中的分类后处理post classification，选择混淆矩阵Confusion Matrix的Using Ground Truth ROIs，选择之前保存的最大似然法的影像，将所有的编好号的地物一一对应加载进来，点击确定，即可生成混淆矩阵；

分类后处理

①主/次要分析。选择Classification中的分类后处理post classification，分别选择主要分析Majority/Minority Analysis、类别集群Clump Classes、类别筛选Sieve Classes，其中在类别筛选中选择分别用4、8、20邻域，阈值用默认值2。具体操作: Classification|Post Classification|Majority/Minority Analysis，在Select Input File对话框中选择Supervised|Select All Items，Analysis Method设定为 Majority，最后选择保存路径。主要分析和次要分析步骤类似，最后将所得影像进行比较分析。

②类别集群。选择Classification|Post Classification，Clump Classes，在Select Input File对话框中选择Supervised。最后设定数据输出路径。

③类别筛选。选择Classification|Post Classification|Sieve classes，在Select Input File中选择Supervised，Group Min Threshold设为2,且分别将Number of Neighbors设为4,8,20，保存路径。将最邻近4像元和8像元所得影像进行比较

九、非监督分类

1、选择Classification的非监督分类Unsupervised，选择者IsoData，选择中卫影像，设置参数。

2、在Overlay下选择Classification，选择之前的非监督分类影像，对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类，在输出的文件中选择相同的类别，点击Add Combination，所有的类别合并完后点击确定即可。