栅格图像分类：三种经典算法在ENVI中的实现路径

一、栅格图像分类技术概述

栅格图像分类是遥感影像处理的核心技术之一，通过提取像素的光谱特征、空间特征及纹理特征，将图像划分为具有特定语义的类别区域。分类算法的选择直接影响分类精度，常见算法包括监督分类与非监督分类两大类。本文聚焦监督分类中的三种经典算法：最小距离法、最大似然法、支持向量机（SVM），结合ENVI软件详细说明其实现路径。

二、最小距离法在ENVI中的实现

1. 算法原理

最小距离法基于“距离”度量实现分类，其核心思想是计算待分类像素与各已知类别中心的光谱距离，将像素归入距离最近的类别。距离度量通常采用欧氏距离：
[ D(x, ci) = \sqrt{\sum{j=1}^{n}(xj - c{ij})^2} ]
其中，( x )为待分类像素的光谱向量，( c_i )为第( i )类中心的光谱向量，( n )为波段数。

2. ENVI操作流程

（1）数据准备：加载多光谱或高光谱栅格图像，确保波段信息完整。
（2）训练样本选择：通过ENVI的“Region of Interest”（ROI）工具绘制不同类别的训练区域，例如植被、水体、建筑等。
（3）分类执行：

• 菜单路径：Classification > Supervised Classification > Minimum Distance
• 参数设置：选择训练样本文件，设置距离阈值（可选），输出分类结果。
  （4）精度评估：使用混淆矩阵（Confusion Matrix）对比分类结果与真实地物，计算总体精度（OA）、Kappa系数等指标。

3. 优缺点与适用场景

• 优点：计算简单、速度快，适合波段数较少、类别光谱差异明显的图像。
• 缺点：对噪声敏感，假设各类别服从正态分布（实际可能不满足）。
• 适用场景：快速分类、初步探索性分析。

三、最大似然法在ENVI中的实现

1. 算法原理

最大似然法基于贝叶斯决策理论，假设各类别服从多元正态分布，通过计算待分类像素属于各类的后验概率，将其归入概率最大的类别。后验概率公式为：
[ P(ci|x) = \frac{P(x|c_i)P(c_i)}{\sum{k=1}^{m}P(x|c_k)P(c_k)} ]
其中，( P(x|c_i) )为类( c_i )的概率密度函数，( P(c_i) )为先验概率。

2. ENVI操作流程

（1）数据准备：与最小距离法相同，需确保图像波段信息完整。
（2）训练样本选择：通过ROI工具绘制训练区域，样本数量需足够以估计各类别的均值向量和协方差矩阵。
（3）分类执行：

• 菜单路径：Classification > Supervised Classification > Maximum Likelihood
• 参数设置：选择训练样本文件，设置先验概率（通常设为等概率），输出分类结果。
  （4）精度评估：同最小距离法，使用混淆矩阵评估分类精度。

3. 优缺点与适用场景

• 优点：分类精度较高，适合光谱特征复杂、类别分布符合正态假设的图像。
• 缺点：计算复杂度高，对样本数量和质量要求较高。
• 适用场景：高精度分类任务，如土地利用分类、植被类型识别。

四、支持向量机在ENVI中的实现

1. 算法原理

支持向量机（SVM）通过寻找最优超平面实现分类，其核心思想是最大化类别间的间隔。对于非线性可分问题，SVM引入核函数（如高斯核、多项式核）将数据映射到高维空间，实现线性可分。

2. ENVI操作流程

（1）数据准备：加载栅格图像，必要时进行波段选择或降维处理。
（2）训练样本选择：通过ROI工具绘制训练区域，样本数量需平衡以避免类别偏差。
（3）分类执行：

• 菜单路径：Classification > Supervised Classification > Support Vector Machine
• 参数设置：
  • 核函数类型：高斯核（RBF）、线性核、多项式核等。
  • 惩罚参数（C）：控制分类器对误分类的容忍度，值越大分类越严格。
  • 核参数（γ）：高斯核的带宽参数，影响模型复杂度。
• 输出分类结果。
  （4）精度评估：使用混淆矩阵评估分类精度，必要时调整参数优化结果。

3. 优缺点与适用场景

• 优点：适合小样本、高维数据，对非线性问题处理能力强。
• 缺点：参数选择对结果影响大，训练时间较长。
• 适用场景：复杂地物分类，如城市地物识别、精细农业分类。

五、分类结果优化与后处理

1. 分类结果优化

• 参数调优：通过交叉验证选择SVM的最优参数（C、γ），或调整最大似然法的先验概率。
• 样本扩充：增加训练样本数量，尤其是边界模糊或易混淆的类别。
• 波段选择：去除冗余波段，降低数据维度，提高分类效率。

2. 后处理技术

• 滤波处理：使用中值滤波或形态学滤波去除分类结果中的噪声（如孤立像素）。
• 矢量化输出：将分类结果转换为矢量格式（如Shapefile），便于后续GIS分析。
• 变化检测：对比不同时相的分类结果，分析地物变化情况。

六、总结与建议

栅格图像分类中，最小距离法适合快速初步分类，最大似然法适合高精度分类，SVM适合复杂非线性问题。在实际应用中，建议：

1. 数据预处理：确保图像质量，进行辐射校正、大气校正等。
2. 样本选择：训练样本需具有代表性和均衡性。
3. 算法选择：根据数据特性和分类需求选择合适的算法。
4. 精度评估：通过混淆矩阵等指标量化分类效果，必要时进行后处理优化。

通过ENVI软件实现上述算法，可高效完成栅格图像分类任务，为遥感应用（如环境监测、城市规划）提供可靠的数据支持。