1. 遥感影像监督分类入门指南
第一次接触遥感影像分类的朋友可能会被各种专业术语吓到，其实监督分类就像教小朋友认图识字的过程。想象你手里有张卫星拍摄的农田照片，需要区分出玉米地、小麦田和蔬菜大棚。监督分类就是先圈出几个典型样本（比如用黄色标出10块玉米地），然后让计算机学习这些样本特征，最后自动识别整张图片里所有玉米地的过程。
ENVI作为遥感领域的"瑞士军刀"，提供了从数据预处理到精度评估的全套工具。我刚开始用ENVI做分类时，最大的误区就是直接跳到分类步骤，结果发现效果惨不忍睹。后来才明白，ROI样本质量和特征波段选择才是决定分类成败的关键。比如做农作物分类时，近红外波段（波段4）比可见光波段更能反映植被特征，这个细节很多教程都不会特意强调。
2. 数据准备与预处理实战
2.1 数据加载与显示技巧
拿到TM影像数据后，我习惯先用File > Open加载.dat文件，但新手常会遇到图像显示异常的问题。这里有个实用技巧：在Available Bands List窗口右键点击文件名，选择Load True Color快速加载真彩色合成（波段3/2/1）。不过对于植被分类，我强烈推荐改用5-4-3假彩色合成，这样健康植被会显示为鲜红色，非常容易辨认。
# ENVI IDL快速加载波段的代码示例 envi_open_file, 'landsat.dat', r_fid=fid envi_file_query, fid, dims=dims, nb=nb true_color = [[3,2,1]] ; 真彩色波段组合 envi_doit, 'ENVI_LAYER_STACKING_DOIT', fid=fid, pos=true_color2.2 构建高质量ROI样本
点击ROI Tool按钮会弹出操作面板，这里藏着几个容易踩坑的细节：
- 每个类别至少需要15-20个样本区，但不要超过50个（会降低运算速度）
- 样本要均匀分布在整幅影像，避免集中在一个区域
- 复杂地物（如城市建筑）需要更多样本来覆盖其多样性
我习惯用多边形工具手动勾画样本，按住Shift键可以添加顶点，Ctrl+Z撤销错误操作。曾经有次项目因为样本包含混合像元，导致最终分类出现大量"椒盐噪声"，后来发现用ROI Tool > Options > Grow ROI Regions功能可以自动扩展纯净像元区域。
3. 分类器选择与参数调优
3.1 可分离性分析实战
在正式分类前，一定要做Compute ROI Separability分析。这个步骤就像考试前的模拟测试，可以提前发现哪些地物容易混淆。实测发现：
- 分离度>1.9：分类效果较好
- 1.5-1.9：需要优化样本
- <1.5：考虑合并类别
有次分析发现林地与灌木的分离度只有1.2，后来通过增加近红外波段权重，成功将分离度提升到1.8。具体操作是在Band Math中输入：
(float(b4)-float(b3))/(float(b4)+float(b3)) ; 计算NDVI3.2 支持向量机(SVM)参数详解
Support Vector Machine Classification是目前效果最好的分类器之一，但参数设置很有讲究：
- Kernel Type：线性核适合简单场景，高斯核处理复杂地物
- Penalty Parameter：通常设为100，噪声多时降低到50
- Pyramid Levels：大数据量时设为3-5级加速处理
最大似然法虽然简单，但对样本分布敏感。有次项目用默认参数分类，结果水体全被误判为阴影，后来在Decision Threshold中调整了概率阈值才解决。
4. 后处理与精度评估
4.1 分类结果优化技巧
直接分类结果往往存在零星噪点，这时候就需要Classification > Post Classification里的两大神器：
- Clump：合并细小斑块（像元连接数设为8）
- Sieve：过滤孤立像元（面积阈值设为5-10像元）
我曾用聚类处理将分类总体精度提升了12%，关键参数是：
- 形态学运算选择
Majority - 迭代次数设为3次
- 窗口大小用5×5
4.2 精度验证方法论
混淆矩阵是精度评估的金标准，但很多人不会正确采样。我的经验是：
- 验证样本要独立于训练样本
- 每类至少50个验证点
- 采用分层随机采样策略
Kappa系数>0.8说明分类优秀，但要注意有些场景（如湿地分类）能达到0.6就已不错。最近项目用ENVI Modeler搭建了自动化精度评估流程，节省了70%的验证时间。
5. 常见问题解决方案
遇到分类效果不理想时，可以按这个检查清单排查：
- 样本是否代表性地物特征？
- 波段组合是否最优？（尝试PCA变换）
- 是否做了辐射校正/大气校正？
- 分类器参数是否需要调整？
有次客户抱怨小麦分类结果支离破碎，后来发现是ROI样本包含了不同生长期的小麦。改用多时相数据训练后，问题迎刃而解。
