ENVI监督分类及精度评价

最近协助同学做了完整的监督分类数据，特此记录下来。对于ENVI监督分类，是每一个遥感从业者掌握的最基础的一个方法，但是完整的监督分类流程和精度评价，估计往往认识不够，所以以下的分享还是有点意义。

监督分类，又称训练分类法，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。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

一、ENVI监督分类技术流程

二、分类后精度验证及评价

真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。 首先在Googleearth、高分辨率影像和实地均匀的选取检验样本，制作成ROI文件或者.shp文件，再进行精度评价。

名词解释：

Kappa系数：

它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。

生产者精度：

是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。

用户精度：

是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。

总精度：

等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如Overall Accuracy 。

混淆矩阵精度评价（ Confusion Matrix）

精度评价表如下：

误差矩阵如下：