利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。
?
马氏距离（Mahalanobis Distance）
计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。
?
最大似然（Maximum Likelihood）
假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
?
神经网络（Neural Net）
指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。
?
支持向量机（Support Vector Machine）
支持向量机分类（Support Vector Machine或SVM）是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。
?
波谱角（Spectral Angle Mapper）
它是在N维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。
影像分类
基于传统统计分析的分类方法参数设置比较简单，在
Toolbox/Classification/Supervised Classification能找到相应的分类方法。这里选择支持向量机分类方法。在toolbox中选择/Classification/Supervised
Classification/Support Vector Machine Classification，选择待分类影像，点击OK，按照默认设置参数输出分类结果。
遥感图像处理软件下载就上遥感集市
图2.5 支持向量机分类器参数设置
图2.6 支持向量机分类结果
第五步：分类后处理
遥感图像处理软件下载就上遥感集市
包括更改类别颜色、分类后统计、小斑块处理、栅矢转换等，这部分专门有一节课讲解。在此不做叙述。
第六步：精度验证
对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较抽象。
真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单->Classification->Post Classification->Confusion Matrix或者ROC Curves来选择。
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。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。
（1）在Data Manager中，分类样本上右键选择Close，将分类样本从软件中移除
（2）直接利用ROI工具，跟分类样本选择的方法一样，即重复第二步，在TM图上选择6类验证样本。
注：可直接，打开can_tm-验证样本.roi。
图2.7选择验证样本
遥感图像处理软件下载就上遥感集市
（3）在Toolbox中，选择/Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs，选择分类结果，软件会根据分类代码自动匹配，如不正确可以手动更改。点击OK后选择报表的表示方法（像素和百分比），点击OK，就可以得到精度报表。
图2.8 验证操作面板
遥感图像处理软件下载就上遥感集市
图2.9分类精度评价混淆矩阵
下面对混淆矩阵中的几项评价指标进行说明：
?
总体分类精度
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，如本次精度分类精度表中的Overall Accuracy = (1849/2346) 78.8150%。
?
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。
遥感图像处理软件下载就上遥感集市
envi遥感图像监督分类与非监督分类
