1. 遥感影像监督分类入门指南第一次接触遥感影像分类的朋友可能会被各种专业术语吓到其实监督分类就像教小朋友认图识字的过程。想象你手里有张卫星拍摄的农田照片需要区分出玉米地、小麦田和蔬菜大棚。监督分类就是先圈出几个典型样本比如用黄色标出10块玉米地然后让计算机学习这些样本特征最后自动识别整张图片里所有玉米地的过程。ENVI作为遥感领域的瑞士军刀提供了从数据预处理到精度评估的全套工具。我刚开始用ENVI做分类时最大的误区就是直接跳到分类步骤结果发现效果惨不忍睹。后来才明白ROI样本质量和特征波段选择才是决定分类成败的关键。比如做农作物分类时近红外波段波段4比可见光波段更能反映植被特征这个细节很多教程都不会特意强调。2. 数据准备与预处理实战2.1 数据加载与显示技巧拿到TM影像数据后我习惯先用File Open加载.dat文件但新手常会遇到图像显示异常的问题。这里有个实用技巧在Available Bands List窗口右键点击文件名选择Load True Color快速加载真彩色合成波段3/2/1。不过对于植被分类我强烈推荐改用5-4-3假彩色合成这样健康植被会显示为鲜红色非常容易辨认。# ENVI IDL快速加载波段的代码示例 envi_open_file, landsat.dat, r_fidfid envi_file_query, fid, dimsdims, nbnb true_color [[3,2,1]] ; 真彩色波段组合 envi_doit, ENVI_LAYER_STACKING_DOIT, fidfid, postrue_color2.2 构建高质量ROI样本点击ROI Tool按钮会弹出操作面板这里藏着几个容易踩坑的细节每个类别至少需要15-20个样本区但不要超过50个会降低运算速度样本要均匀分布在整幅影像避免集中在一个区域复杂地物如城市建筑需要更多样本来覆盖其多样性我习惯用多边形工具手动勾画样本按住Shift键可以添加顶点CtrlZ撤销错误操作。曾经有次项目因为样本包含混合像元导致最终分类出现大量椒盐噪声后来发现用ROI Tool Options Grow ROI Regions功能可以自动扩展纯净像元区域。3. 分类器选择与参数调优3.1 可分离性分析实战在正式分类前一定要做Compute ROI Separability分析。这个步骤就像考试前的模拟测试可以提前发现哪些地物容易混淆。实测发现分离度1.9分类效果较好1.5-1.9需要优化样本1.5考虑合并类别有次分析发现林地与灌木的分离度只有1.2后来通过增加近红外波段权重成功将分离度提升到1.8。具体操作是在Band Math中输入(float(b4)-float(b3))/(float(b4)float(b3)) ; 计算NDVI3.2 支持向量机(SVM)参数详解Support Vector Machine Classification是目前效果最好的分类器之一但参数设置很有讲究Kernel Type线性核适合简单场景高斯核处理复杂地物Penalty Parameter通常设为100噪声多时降低到50Pyramid Levels大数据量时设为3-5级加速处理最大似然法虽然简单但对样本分布敏感。有次项目用默认参数分类结果水体全被误判为阴影后来在Decision Threshold中调整了概率阈值才解决。4. 后处理与精度评估4.1 分类结果优化技巧直接分类结果往往存在零星噪点这时候就需要Classification Post Classification里的两大神器Clump合并细小斑块像元连接数设为8Sieve过滤孤立像元面积阈值设为5-10像元我曾用聚类处理将分类总体精度提升了12%关键参数是形态学运算选择Majority迭代次数设为3次窗口大小用5×54.2 精度验证方法论混淆矩阵是精度评估的金标准但很多人不会正确采样。我的经验是验证样本要独立于训练样本每类至少50个验证点采用分层随机采样策略Kappa系数0.8说明分类优秀但要注意有些场景如湿地分类能达到0.6就已不错。最近项目用ENVI Modeler搭建了自动化精度评估流程节省了70%的验证时间。5. 常见问题解决方案遇到分类效果不理想时可以按这个检查清单排查样本是否代表性地物特征波段组合是否最优尝试PCA变换是否做了辐射校正/大气校正分类器参数是否需要调整有次客户抱怨小麦分类结果支离破碎后来发现是ROI样本包含了不同生长期的小麦。改用多时相数据训练后问题迎刃而解。
ENVI监督分类实战：从原理到精度评估的完整工作流
1. 遥感影像监督分类入门指南第一次接触遥感影像分类的朋友可能会被各种专业术语吓到其实监督分类就像教小朋友认图识字的过程。想象你手里有张卫星拍摄的农田照片需要区分出玉米地、小麦田和蔬菜大棚。监督分类就是先圈出几个典型样本比如用黄色标出10块玉米地然后让计算机学习这些样本特征最后自动识别整张图片里所有玉米地的过程。ENVI作为遥感领域的瑞士军刀提供了从数据预处理到精度评估的全套工具。我刚开始用ENVI做分类时最大的误区就是直接跳到分类步骤结果发现效果惨不忍睹。后来才明白ROI样本质量和特征波段选择才是决定分类成败的关键。比如做农作物分类时近红外波段波段4比可见光波段更能反映植被特征这个细节很多教程都不会特意强调。2. 数据准备与预处理实战2.1 数据加载与显示技巧拿到TM影像数据后我习惯先用File Open加载.dat文件但新手常会遇到图像显示异常的问题。这里有个实用技巧在Available Bands List窗口右键点击文件名选择Load True Color快速加载真彩色合成波段3/2/1。不过对于植被分类我强烈推荐改用5-4-3假彩色合成这样健康植被会显示为鲜红色非常容易辨认。# ENVI IDL快速加载波段的代码示例 envi_open_file, landsat.dat, r_fidfid envi_file_query, fid, dimsdims, nbnb true_color [[3,2,1]] ; 真彩色波段组合 envi_doit, ENVI_LAYER_STACKING_DOIT, fidfid, postrue_color2.2 构建高质量ROI样本点击ROI Tool按钮会弹出操作面板这里藏着几个容易踩坑的细节每个类别至少需要15-20个样本区但不要超过50个会降低运算速度样本要均匀分布在整幅影像避免集中在一个区域复杂地物如城市建筑需要更多样本来覆盖其多样性我习惯用多边形工具手动勾画样本按住Shift键可以添加顶点CtrlZ撤销错误操作。曾经有次项目因为样本包含混合像元导致最终分类出现大量椒盐噪声后来发现用ROI Tool Options Grow ROI Regions功能可以自动扩展纯净像元区域。3. 分类器选择与参数调优3.1 可分离性分析实战在正式分类前一定要做Compute ROI Separability分析。这个步骤就像考试前的模拟测试可以提前发现哪些地物容易混淆。实测发现分离度1.9分类效果较好1.5-1.9需要优化样本1.5考虑合并类别有次分析发现林地与灌木的分离度只有1.2后来通过增加近红外波段权重成功将分离度提升到1.8。具体操作是在Band Math中输入(float(b4)-float(b3))/(float(b4)float(b3)) ; 计算NDVI3.2 支持向量机(SVM)参数详解Support Vector Machine Classification是目前效果最好的分类器之一但参数设置很有讲究Kernel Type线性核适合简单场景高斯核处理复杂地物Penalty Parameter通常设为100噪声多时降低到50Pyramid Levels大数据量时设为3-5级加速处理最大似然法虽然简单但对样本分布敏感。有次项目用默认参数分类结果水体全被误判为阴影后来在Decision Threshold中调整了概率阈值才解决。4. 后处理与精度评估4.1 分类结果优化技巧直接分类结果往往存在零星噪点这时候就需要Classification Post Classification里的两大神器Clump合并细小斑块像元连接数设为8Sieve过滤孤立像元面积阈值设为5-10像元我曾用聚类处理将分类总体精度提升了12%关键参数是形态学运算选择Majority迭代次数设为3次窗口大小用5×54.2 精度验证方法论混淆矩阵是精度评估的金标准但很多人不会正确采样。我的经验是验证样本要独立于训练样本每类至少50个验证点采用分层随机采样策略Kappa系数0.8说明分类优秀但要注意有些场景如湿地分类能达到0.6就已不错。最近项目用ENVI Modeler搭建了自动化精度评估流程节省了70%的验证时间。5. 常见问题解决方案遇到分类效果不理想时可以按这个检查清单排查样本是否代表性地物特征波段组合是否最优尝试PCA变换是否做了辐射校正/大气校正分类器参数是否需要调整有次客户抱怨小麦分类结果支离破碎后来发现是ROI样本包含了不同生长期的小麦。改用多时相数据训练后问题迎刃而解。
