图52
4.6.4 训练样区的评价 4.6.4.1 分离性的定量分析
在ROI Tool 窗口中，选择Options -> Compute ROI Separability,计算样本的可分离性。如图53，表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好；小于1.8大于1.4属于合格样本；小于1.4需要重新选择样本；小于1，考虑将两类样本合成一类样本。
图53
31
图54
从分离性的数据中，我们可以得到，transportation 、industial 和commercial 这三类的分离性Pair Separation都小于1，两两分离性分别为0.66428386、0.81190866和
1.27089663，可知这三类的分离效果较差，即使经过多次的训练样区的选择，效果也是一样，因此在实验中，将这三类合并为urban一类。
而L_residential和H_residential的分离性只有1.03427042 ，H_residential 和 M_residential的分离性只有1.15958190，M_residential和L_residential的分离性只有1.26650863 其原因主要是在住宅范围内干扰因素，且周围的环境类似。
4.6.4.2 分离度的定性分析
在ROI Tool窗口中，选择File -> Export ROIs to n-D Visualizer，从多维视图进行训练样区分离性的定性分析，如图55，56。
图55
图56
32
从图54，在n-D Controls窗口中，选择1，2，3分别为波段5，4，3，点击Start，在n-D Visualizer窗口中的像元点会自动从从多个方位来给我们展示分离情况。同样我们可以在此窗口中对其分离性进行修改，对像元进行重新归类，在n-D Controls窗口中，在Class 中选择将归类的颜色，在 n-D Visualizer窗口中选择分离效果较低的像元点，或者混合的像元点，右击确定，如图57。
图57
在ROI Tool窗口中，选择Option -> Merge Regions，将transportation 、industial 和commercial 这三类训练样区进行合并，如图58。
图58
4.6.5 执行监督分类
选择classification -> Supervised -> Maximum Likelihood，ENVI给我提供了四种多光谱监督分类的方法，分别为平行六面体、最小距离、马氏距离以及最大似然，在此次实
验中，我们选择Maximum Likelihood（最大似然法）进行监督分类，如图59。
图59
33
在Classification Input File窗口中建立Mask，选择Mask Options -> Build Mask，如图60。
图60
在Mask Definition中，选择Options -> Import EVFs，添加Census_pro_.evf文件，如图61。
图61
在Maximum Likelihood Parameters窗口中，设置好参数和保存路径，如图62。
图62
34
4.6.6 分类后处理
在ENVI 4.7窗口中打开视图，选择Overlay -> Classification，打开分类结果，并对颜色进行编辑，如图63，64。
图63
图64
选择Classification -> Post Classification ->Majority/Minority Analysis，在ENVI中为我们提供了Majority/Minority Analysis、Clump Classes、Sieve Classes三类，主要是用来进行小斑点的去除，此次实验中选择Majority/Minority Analysis进行分类后处理，如图65，如图66为经过处理后与未处理的对比，从中我们可以看出有些小斑被周围分类给覆盖了。
图65
35