遥感影像土地怎么分类？ENVI遥感影像土地利用分类说明

利用ENVI软件进行遥感影像分类解译是很多人都会遇到的基本功，所以特此写一期利用ENVI 5.3软件进行遥感影像分类的主要过程说明文档。

本次以LandSat影像分类为例，以甘肃省张掖市甘州区影像分类为例进行说明。

一、数据来源：

此次土地利用分类主要依据最近几年的遥感影像，对研究区范围内的各个不同的土地利用类型进行监督分类。

在地理空间数据云平台上找出符合要求的影像数据，就可以进行下载。具体为：数据采用2017年6~9月份的Landsat影像数据，其主要的数据参数如下：

二、数据预处理

1.影像添加

首先查看遥感影像头文件，确定影像的各个参数，就可以对于影像的质量有清晰地认识，然后在ENVI5.3软件中加载影像，在加载时选择影像的头文件加载的话，就可以一次性的将影像的多个波段都加载进去。

如图，在添加影像时可以选择影像的拉伸，这样就可以使得影像的显示更加符合真实的地物状况。

2.影像裁剪

由于所要分类的区域内一张遥感影像就可以覆盖整个研究区域，所以就不用影像的镶嵌等处理。

首先加载研究区域的矢量边界（注意影像和边界文件的投影必须一致，否则就会出现区域不一致的情况），在加载进去之后选择裁剪工具，对影像进行按照边界裁剪。

需要注意的是，在进行裁剪的过程中，裁剪的范围选择的是甘州区的矢量边界，并将裁剪之后的背景值设置为0；如图所示为进行裁剪操作之后的影像数据，就可以单独显示需要区域的影像。

三、影像分类

遥感影像的分类常见的有监督分类和非监督分类，这里主要使用监督分类的方法。监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。监督分类一般由如图所示的几个步骤。

1. 1. 特征点的选择

在加载的遥感影像中选择特征比较明显的几种地物类型，主要有：水体、耕地、草地、林地、建设用地和未利用地六种类型。

1. 2. 选择训练样区

（1） 在ENVI软件图层管理器Layer Manager中，选择遥感影像图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板；

（2） 在ROI Name中写入需要添加的训练样本；

（3） 选择训练样本的颜色系统，便于后续的区分；

（4） 在影像中采用目视解译的方法，对于易于判断的地物作为训练样本的特征点进行选择；

（5） 在选择不同的地物时，可以根据自己的需要使用不同的波段组合方式，具体的波段组合及所使用的范围如下表所示：

（6） 选择好合适的性训练样本之后，可以将该样本保存，以便于后续使用；

（7） 最终选择好的训练样区如图所示：

3.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；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。实验所采用的的遥感影像的样本分离性如图：

4.影像分类

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。

在此次影像分类中，主要选择最大似然法对于影像进行分类。该方法为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。

步分类后的结果为：

5.分类后处理

遥感分类结果常常含有一些细碎的小斑块，这些小斑块的存在对结果既不美观，也是后续分析中不需要的，利用软件中的斑块处理，可以将小的、临近的斑块聚合成大的斑块，对分类结果中包含的小斑块处理非常有效。

利用Classification Aggregation工具，将分类后的细小的斑块进行合并，输入分类结果，设置最小窗口，该选项可选，值越大，得到的结果越平滑，小斑块聚合的越厉害，勾选Preview选项可以对所设置的参数进行结果预览。默认的值是9。

6.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）。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，本实验中就把原分类的OLI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，在原始影像上选择6类验证样本。

（3） 最后的验证结果如图所示：

①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 = (2007/2013) 99.7%。

②Kappa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。

四、最后将分类结果出图：

,