概况 监督分类是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。在分类之前需要通过目视解译或者野外实地调查的方式获取一定数量的样本，用样本训练模型，使其符合对各种子类别分类的要求，继而完成对整幅图像的分类 。 非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据地物的光谱特征的分布规律，即自然的特性，进行“盲目”的分类，该分类方法是边学习边分类，也可以完成对整幅图像的分类。数据源为RGB真彩色遥感图像，空间分辨率2米，数据大小为2095*1833 pixels。
利用ENVI读取待分类的图像，并进行数据预处理（预处理这里不进行详细介绍），结果如图2所示：
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。通过目视将该图像分为四类：水体(water)、建筑(building)、农田(farmland)、林地(woodland)。
（1）在图层管理器Layer Manager中，data.tif图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，或者直接点击工具栏中的该按钮
；
（2）在Region of Interest (ROI) Tool面板上，需要输入ROI Name，颜色可以自己调整（图3）；另外，
Name尽量使用英文，否则容易报错；
（3）默认ROIs绘制类型为多边形（也可以使用矩形等），在影像上辨别water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；
（4）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，并且尽量选择纯样本像素，这样有利于模型的训练，且利于提高分类精度，完成后就选好了训练样本；
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里面可以包含多个多边形或者其他形状的记录；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）双击鼠标左键。
（5）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"water"样本选择的方法，分别为其它地物选择样本，选择的样本如图4；
（6）在Region of Interest (ROI) Tool面板上，File>Export>Export to Classic菜单保存为.roi文件，有助于后续的使用。
1. 监督分类
目前ENVI的监督分类可分为基于传统统计分析学的：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：支持向量机、模糊分类等，针对高光谱：波谱角（SAM），光谱信息散度，二进制编码。
在Toolbox/Classification/Supervised Classification都能找到相应的分类方法。下面以支持向量机为例进行介绍：
（1）在toolbox中选择/Classification/Supervised Classification/Support Vector Machine Classification，选择待分类影像，点击OK，按照图5的参数并设置输出路径得到分类结果（图6）。
（2）通过对比监督分类结果和原始影像，较为直观的看出SVM可以将四类地物进行分开，能够达到一个较好的目视效果。
2. 非监督分类
ENVI包括了ISODATA和K-Means两种非监督分类方法。以K-Means为例进行介绍，在Toolbox工具箱中，双击/Classification/Unsupervised Classification/K-Means Classification工具，在Classification Input File对话框中，选择data.tif文件，点击OK，打开K-Means Parameters对话框（图7），设置参数：
（1）Number of Classes（分类数量）：4，这里与监督分类类别相同，也可以设置更多的分类数量，但后期需要对类别进行合并；
（2）Maximum Iterations（最大迭代次数）：3，迭代次数越大，得到的结果越准确，但时间也越长；
（3）其余参数默认即可，选择输出路径，点击OK，执行非监督分类，图8为非监督分类结果；
（4）从目视效果来看，非监督分类结果要低于监督分类结果，但非监督分类较为简单，且分类用时少，面对不同的需求可选取不同的分类方法。
应用监督分类或者非监督分类时，分类结果中不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。下面以Majority/Minority分析为例进行介绍：
（1）工具路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"data_class.dat"（此为分类结果），点击OK；
（2）在Majority/Minority Parameters面板中（图9），点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作；
（3）图10为后处理前后的对比结果，经过分类后处理，会明显的去除掉一些小图斑，利于制图和分析。
图9 Majority/Minority Parameters面板
图10 原始分类结果（左），Majority分析结果（右）
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。下面以混淆矩阵为例，工具位于Classification->Post Classification->Confusion Matrix
（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，即重复第三步，在data.tif图上选择4类验证样本。注意，
如果已经有测试样本，可直接File>open，打开test.roi；
（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（图12）。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13）；
（4）混淆矩阵中包括总体分类精度、Kappa系数、生产者精度、用户精度，可以根据不同的需要进行取舍和分析。
