ENVI分类后处理

类似于采取卷及滤波的方法将较大类别中的虚假像元归到该类中，定理一个变换核尺寸，主要分析用变换核中占主要地位的像元类别代替中心像元类别；次要分析是将变换核中占次要地位的像元的类别代替中心像元的类别。

监督分类后的样本占比 监督分类样本选择的注意事项

工具位置：Toolbox/Classification/Post Classification/

空间连续性不太好的可以使用

聚类处理解决了这个问题。首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类图像进行腐蚀操作

工具位置：Toolbox/Classification/Post Classification/Clump Classes

解决图像中的孤岛问题，通过分析周围的4个或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分析的像元小于输入的阈值，这些像元就会被从该类中删除，删除的像元归为未分类的像元。【用的很少】

工具位置：Toolbox/Classification/Post Classification/Sieve Classes

工具位置：Toolbox/Classification/Post Classification/class statistics

（1）打开分类结果和原始影像——"\13.分类后处理\数据\can_tmr_class.dat"和"can_tmr.img"；

（2）打开分类统计工具，路径为Toolbox/Classification/Post Classification/Class Statistics，在弹出对话框中选择"can_tmr_class.dat"，点击OK；

（3）在Statistics Input File面板中，选择原始影像"can_tmr.img"，点击OK；

（4）在弹出的Class Selection面板中，点击Select All Items，统计所有分类的信息，点击OK；

注：可根据需要只选择分类列表中的一个或多个类别进行统计。

（5）在Compute Statistics Parameters面板可以设置统计信息（如下图所示），按照图中参数进行设置，点击Report Precision…按钮可以设置输入精度，按默认即可。点击OK；

为显示统计结果的窗口，统计结果以图形和列表形式表示。从Select Plot下拉命令中选择图形绘制的对象，如基本统计信息、直方图等。从Stats for标签中选择分类结果中类别，在列表中显示类别对应输入图像文件DN值统计信息，如协方差、相关系数、特征向量等信息。在列表中的第一段显示的为分类结果中各个类别的像元数、占百分比等统计信息。

工具位置：Toolbox/Classification/Post Classification/Overlay Classes

将各种类别叠加在一幅RGB彩色合成图或灰度图像上，从而生产一幅RGB图像，如果要想得到较好的效果，在叠加前背景图像经过拉伸并保存为字节型图像

（1）打开拉伸工具（Toolbox/Raster Management/ Stretch Data ），在弹出的对话框中选择"can_tmr.img"文件，然后点击下方的Spectral Subset（如下图所示），在弹出面板中选择波段1、2、3，（真彩色）点击OK；

图：选择拉伸文件和波段选择。在Data Stretching面板中，按照下图进行参数设置，点击OK即可

工具位置：Toolbox/Classification/Post Classification/Classification to Vector

将一定范围内像元都并入其他一个类别中

（1）在Interactive Class Tool面板中，选择Edit > Mode: Polygon Add to Class；

（2）在Interactive Class Tool面板中，鼠标左键单击"Unclassified"前面的方型色块，让"Unclassified"类别处于激活状态；

（3）选择一个编辑窗口：Image，在Image窗口中绘制多边形，多边形以内的像元全部归于"Unclassified"一类。

将一定范围内某一类像元并入其他一类中

(1)在Interactive Class Tool面板中，选择Edit > Mode: Polygon Delete from Class；

（2）选择Edit > Set delete class Value，选择并入的目标类，

（3）在Interactive Class Tool面板中，鼠标左键单击"Unclassified"前面的方型色块，让"Unclassified"类别处于激活状态。

（4）选择一个编辑窗口：Image，在Image窗口中绘制多边形，多边形以内的类别"Unclassified"全部归于"林地"。

注：浏览修改效果，需要勾选林地，在视图中显示林地这一类。

（5）选择Edit > Undo Changes，可以取消修改，选择File > Save changes to File，可以将修改结果保存。

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 = (2258/2346) 96.2489%

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计算公式如下：

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，总共划分为林地有441个像元，其中正确分类418个，23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23/441=5.22%。

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。如在本例中的林地类，有真实参考像元419个，其中418个正确分类，其余1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1/419=0.24%

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418个正确分类，因此林地的制图精度是418/419= 99.76 %。

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418个正确分类，总共划分为林地的有441，所以林地的用户精度是418/441=94.78%。

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。

一般而言,训练样本占总样本量的比例为( )

一般而言，训练样本占总样本量的比例为百分之85。

训练样本也称训练区，是指分析者在遥感图像上确定出来的各种地物类型的典型分布区。训练样本的选择与评价直接关系分类的精度，是监督分类的关键。

监督分类又称训练分类法，是指用选定的已知类别的样本去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元，其类别属性是预先通过对工作区图像的目视解译、实地勘察等方法确定的。

一般来说，测试样本比例越小，结果就越好。因为训练样本比例大，包含的数据信息就越多。一般测试样本所占比例为1/3-2/3之间为宜，不然参考价值较低。

训练样本的目的是 数学模型的参数，经过训练之后，可以认为你的模型系统确立了下来。建立的模型有多好，和真实事件的差距大不大，既可以认为是测试样本的目的。一般训练样本和测试样本相互独立，使用不同的数据。

有人说测试样本集和验证样本集不一样，测试样本集数据主要用于模型可靠程度的检验，验证样本集的样本数据要在同样条件下，再另外采集一些数据用来对模型的准确性进行验证。

有人采用交叉验证，交叉验证指的的训练样本集、测试样本集、验证样本集、三中数据集都组合在一起，数据的划分采用交叉取样的方法。

erdas 监督分类 选多少样本合适

这个不好说，一般ERDAS提醒你是至少2倍于你最终要分出来的类个数，

但其实如果影像分辨率不高的话，就是7~8倍也难完全分出来，，因为有些地物的光谱特征很接近，很难分出来

监督分类的各种方法的定义合算法或者公式

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

分类方法的定义：

平行六面体法 平行六面体将用一条简单的判定规则对多光谱数据进行分类。判定边界在影像数据空间中是否行成了一个N维德平行六面体。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每种所选类的均值求出的

最大似然法 假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里

最小距离法 使用了每个感兴趣区的均值矢量来计算每个未知象元到每一类均值矢量的欧氏距离，除非用户指定了标准差和距离的阈值，否则所有象元都将分类到感兴趣区中最接近的那一类

马氏距离法 是一个方向灵敏的距离分类器，分类时将使用到统计信息，与最大似然法有些类似，但是她假定了所有类的协方差都相等，所以它是一种较快的分类方法

二值编码分类法 根据波段值落在均值的上或下方，把数据波普和端元波普编码为0或1，异或逻辑函数用来将每种编码后的参考波普同编码后的数据波谱进行比较，生成一副分类影像

波谱角填图分类法 是一个基于物理的波谱分类法，它是用N维角度将象元与参考波谱进行匹配，此方法将波谱看成是空间中的矢量，矢量的维数就等于波段的个数，通过计算波谱间的角度，来判断连个波谱间的相似程度

监督分类中训练样本应如何选取（包括训练样本的数量要求及选择原则）？

准确性、代表性、统计性原则。

步骤：资料收集，野外调查，遥感图像预处理，训练区域的定位和绘制，训练样本的检查和调研。

均匀选取， 最少9个点，也有30点一说。