一、栅格图像分类技术背景与ENVI应用价值

栅格图像分类是遥感与地理信息系统的核心任务，通过将连续光谱数据划分为离散类别，实现土地覆盖类型识别、环境监测等应用。传统分类方法如最小距离法、最大似然法，以及基于机器学习的支持向量机（SVM），因其不同的数学原理和适用场景，在ENVI平台中形成了互补的技术体系。

ENVI作为遥感图像处理领域的标杆软件，提供了从数据预处理到分类后处理的完整工具链。其交互式界面与脚本扩展能力（如IDL语言），使得研究者既能通过可视化操作快速验证算法，也能通过编程实现定制化分类流程。本文聚焦于三种主流分类方法在ENVI中的实现细节，结合理论解析与操作步骤，为不同需求用户提供技术参考。

二、最小距离法：基于光谱距离的快速分类

1. 方法原理与数学基础

最小距离法（Minimum Distance）通过计算待分类像素光谱值与各类别均值向量的欧氏距离，将其归入距离最小的类别。其数学表达式为：
[ d(x, Ci) = \sqrt{\sum{j=1}^n (xj - \mu{ij})^2} ]
其中，(x)为待分类像素光谱向量，(Ci)为第(i)类均值向量，(\mu{ij})为第(i)类第(j)波段的光谱均值。

该方法假设各类别光谱分布呈球形，且方差相等。其优势在于计算效率高，适用于光谱差异显著、类别数量较少的场景，但对混合像元和非线性分布数据分类效果较差。

2. ENVI实现步骤与参数配置

1. 数据准备：加载多光谱/高光谱数据，确保已完成辐射校正和大气校正。
2. 训练样本选择：通过ROI（Region of Interest）工具绘制各类别样本区，需保证样本纯度且覆盖光谱变异范围。
3. 分类执行：
   • 菜单路径：Classification > Supervised Classification > Minimum Distance
   • 关键参数：
     • Threshold：设置距离阈值，超过阈值的像素归为未分类。
     • Transform：可选择主成分分析（PCA）降维以减少波段间相关性。
4. 结果评估：通过混淆矩阵（Confusion Matrix）计算总体精度（OA）和Kappa系数，验证分类效果。

3. 适用场景与优化建议

最小距离法适用于城市地物分类（如建筑、植被、水体）等光谱差异明显的场景。优化方向包括：

• 结合纹理特征（如GLCM）增强类别区分度；
• 对高光谱数据先进行波段选择或降维；
• 通过后处理（如聚类滤波）消除孤立像元。

三、最大似然法：基于统计概率的经典分类

1. 方法原理与假设条件

最大似然法（Maximum Likelihood, ML）假设各类别光谱服从正态分布，通过计算待分类像素属于各类的后验概率，选择概率最大的类别作为分类结果。其判别函数为：
[ g_i(x) = \ln p(C_i) - \frac{1}{2} \ln |\Sigma_i| - \frac{1}{2}(x - \mu_i)^T \Sigma_i^{-1} (x - \mu_i) ]
其中，(p(C_i))为先验概率，(\Sigma_i)为协方差矩阵，(\mu_i)为均值向量。

该方法对数据分布有严格假设，但分类精度通常优于最小距离法，尤其适用于多类别、光谱重叠的复杂场景。

2. ENVI实现流程与关键参数

1. 数据预处理：需确保数据满足正态分布假设，可通过直方图匹配或对数变换进行数据转换。
2. 训练样本要求：样本数量需足够大（通常每类至少50-100个像素），以准确估计协方差矩阵。
3. 分类操作：
   • 菜单路径：Classification > Supervised Classification > Maximum Likelihood
   • 参数设置：
     • Probability Threshold：设置概率阈值，低于阈值的像素归为未分类。
     • Covariance Type：可选择“Equal”（各类协方差矩阵相同）或“Class”（独立估计）。
4. 精度验证：通过ROC曲线（Receiver Operating Characteristic）分析类别可分性。

3. 局限性及改进方案

最大似然法的局限性包括：

• 对非正态分布数据分类效果下降；
• 协方差矩阵估计受样本数量影响大；
• 计算复杂度高于最小距离法。

改进方案包括：

• 结合核方法（Kernel ML）处理非线性分布；
• 采用分层分类策略，先划分大类再细分；
• 通过并行计算加速大规模数据处理。

四、支持向量机：基于核函数的机器学习分类

1. SVM原理与核函数选择

支持向量机（Support Vector Machine, SVM）通过寻找最优超平面实现类别分离，其目标函数为：
[ \min{w,b} \frac{1}{2} |w|^2 + C \sum{i=1}^n \xi_i ]
[ \text{s.t. } y_i(w^T \phi(x_i) + b) \geq 1 - \xi_i, \xi_i \geq 0 ]
其中，(C)为惩罚参数，(\phi(\cdot))为核函数映射，(\xi_i)为松弛变量。

核函数选择是SVM的关键，ENVI支持线性核、多项式核、径向基函数（RBF）核和Sigmoid核。RBF核因其能处理非线性问题且参数较少，成为遥感分类的常用选择。

2. ENVI中SVM分类的实现

1. 数据准备：需将数据转换为ENVI支持的格式（如ENVI Standard），并确保波段数不超过软件限制。
2. 参数设置：
   • 菜单路径：Classification > Supervised Classification > Support Vector Machine
   • 关键参数：
     • Kernel Type：选择RBF核时需设置Gamma参数（控制超平面曲率）。
     • Penalty Parameter：(C)值越大，对误分类惩罚越强，但可能过拟合。
     • Nu Parameter（用于Nu-SVM）：控制支持向量比例。
3. 训练与分类：ENVI支持交互式训练样本选择，也可通过脚本批量处理。
4. 结果优化：通过交叉验证（Cross Validation）调整参数，避免过拟合。

3. SVM分类的优势与应用案例

SVM的优势包括：

• 能处理高维数据和小样本问题；
• 通过核函数适应非线性分类；
• 对噪声和异常值鲁棒性较强。

应用案例：

• 高光谱图像分类（如Hyperion数据）；
• 复杂地表覆盖类型识别（如城市混合像元）；
• 变化检测中的二分类问题。

五、三种方法的对比与选型建议

方法	计算复杂度	对数据分布假设	适用场景
最小距离法	低	无	光谱差异显著、类别数量少
最大似然法	中	正态分布	多类别、光谱重叠复杂场景
支持向量机	高	无	高维数据、非线性分类问题

选型建议：

• 快速分类且对精度要求不高时，选择最小距离法；
• 数据满足正态分布且类别较多时，优先最大似然法；
• 面对高光谱数据或复杂地表覆盖时，SVM是更优选择。

六、ENVI分类后处理与结果优化

无论采用何种方法，分类结果均需后处理以提高精度：

1. 聚类处理：通过Majority/Minority Analysis消除孤立像元。
2. 滤波处理：应用中值滤波或形态学操作（如开闭运算）平滑分类结果。
3. 精度验证：结合地面实测数据或高分辨率影像生成混淆矩阵。
4. 结果导出：支持导出为GeoTIFF、Shapefile等格式，便于后续分析。

七、总结与展望

栅格图像分类是遥感应用的基础环节，最小距离法、最大似然法和SVM在ENVI中的实现为用户提供了从简单到复杂的完整解决方案。未来，随着深度学习技术的发展，ENVI可能集成卷积神经网络（CNN）等更先进的分类方法，但传统方法因其可解释性和计算效率，仍将在特定场景中发挥重要作用。研究者需根据数据特性、计算资源和精度需求，灵活选择或组合分类方法，以实现最优的分类效果。