转载 | 高光谱遥感数据处理系列（六）监督分类

高光谱遥感数据处理系列（六）

非监督分类是一种面对数据本身的分类方法，与之相对应的：监督分类，则是面向先验知识的分类方法。监督分类是指给定已知类型的数据，通过建模的方式将这些数据与对应的类型建立映射关系，并将这种关系应用到未知类型的数据上的过程。如果每种类型用一个数字来表示，分类任务可以看做回归分析的一种特例。

主界面分区

ROI工具

监督分类需要有已知类型的数据集作为先验知识进行训练，称为训练集。一般可以通过目视解译，或者实地样方调查的方式获取训练集。构建训练集的方法如下：

在主菜单②工具栏中点击打开Region of Interest（ROI) Tool，进行兴趣区选取：

ROI工具

最基本的ROI选取过程如上图所示，首先选择①工具添加新的ROI范围，在②中调整ROI的名称和颜色，在③中选择绘制ROI的图形形状，④在图上绘制ROI，完成后右键Accept shape type。如果想要绘制带有空洞的图形，可以点击复选框⑤所示的Multi Part复选框，然后在影像上绘制两个叠加的图形，完成后右键 Accept。

使用File可以进行ROI图层的读取与保存

如果选取好了ROI可以使用Options可以利用对ROI本身进行融合（Merge（Union/Intersection）ROI）,计算离散度（Compute ROI Separability），或者使用对ROI范围内的图像进行统计（Compute Statistics from ROIs）。另外也可以使用ROI对图像进行裁剪。

除了使用不同形状进行框选，还可以使用像元，自动区域生长，阈值选取等方式产生ROI。

在ENVI的帮助文件中详细介绍了这些工具的使用方法。在主界面①菜单栏 Help 中打开-> 在左侧Contents选项卡中的:book:ROIs, Vectors, Annotations，请读者自行查阅。

监督分类

在训练集选择完毕后就可以进行监督分类，ENVI中提供了多种监督分类的工具，包括：

• 平行六面体（Parallelepiped）

• 最 小距离（Minimum Distance）

• 马氏距离（Mahalanobis Distance）

• 最 大似然（Maximum Likelihood）

• 神经网络（Neural Net）

• 支持向量机（Support Vector Machine）

• 波谱角（Spectral Angle Mapper）

这里我们介绍两种监督分类方法，最 大似然法和波谱角方法。

01最 大似然法

在ENVI的帮助文件中详细介绍了各种分类方法的原理。在主界面①菜单栏 Help 中打开-> 在左侧Contents选项卡中Classification->Supervised Methods中，最 大似然法定义为:

最 大似然分类假设每个波段中每个类别的统计数据呈正态分布，并计算给定像素属于特定类别的概率。每个像素被分配到具有最 高概率（即最 大似然）的类别。

根据该定义，最 大似然法将每个类别投影到特定的分布上，分类问题被转化为分布相似性问题。

在主界面⑤中搜索Maximum Likelihood打开最 大似然分类工具。首先要选择进行训练的数据，需要强调的是，我们选择在上篇文中生成的主成分分析的结果进行分类，而不是影像本身，具体原因在上篇文章中有详细描述。

分类结果如下所示：

02波谱角方法

光谱角映射器 (SAM) 是一种基于物理的光谱分类，它使用 n 维角度将像素与参考光谱进行匹配。该算法通过计算光谱之间的角度并将它们视为维数等于波段数的空间中的向量来确定两个光谱之间的光谱相似性。SAM 使用的端元光谱可以来自 ASCII 文件或光谱库，或者您可以直接从图像中提取它们（作为 ROI 平均光谱）。SAM 比较端元谱向量与 n 维空间中每个像素向量之间的角度。较小的角度代表与参考光谱更接近。

在主界面⑤中搜索Spectral Angle Mapper打开光谱角工具，在端元集合（Endmember Collection：SAM）中导入选取的ROI，将上一步选取的ROI所在范围的光谱均值作为特定类别的标准光谱。SAM的本质是将分类问题转化为对比未知类别数据与标准光谱的余弦距离的问题。需要强调的是，我们选择主成分分析的结果进行分类，而不是影像本身，具体原因在上篇文章中有详细描述。

分类结果如下所示：

小结

本文中我们介绍了两种监督分类的方法，相对于非监督分类，监督分类通过融入先验知识，提供了有明确类别的结果，这大大减少了进行后续处理的成本。但是对于遥感应用来说，获取地面真值的成本较高，通过目视解译的方式会不可避免地引入人为误差，给结果带来不确定性。正如上一篇文章提到，数据和特征决定了分类的上限，而分类的方法只能逼近这个上限。如何构建质量高、数量多的训练集，权衡成本是监督分类需要考虑的问题。