遥感小白也能搞定！用ENVI 5.6对高分影像做监督分类（附样本选择避坑指南）

遥感新手实战指南：ENVI 5.6监督分类全流程解析与样本选择优化

第一次打开ENVI软件时，面对满屏的专业术语和复杂功能按钮，大多数遥感初学者都会感到无从下手。监督分类作为遥感图像处理的核心技术之一，其准确性直接影响最终成果质量，而样本选择又是监督分类中最关键也最容易出错的环节。本文将从一个零基础用户的视角出发，手把手教你如何用ENVI 5.6完成从数据准备到分类后处理的完整流程，特别针对样本选择这一"痛点"提供详细避坑指南。

1. 环境准备与数据加载

在开始监督分类前，需要确保你的ENVI 5.6软件已正确安装并激活。建议使用64位操作系统以获得更好的性能表现，特别是处理高分影像时。硬件配置方面，8GB以上内存和独立显卡会显著提升处理速度。

数据获取渠道：

• 91卫图：提供多种分辨率的卫星影像，适合教学和小型项目
• 地理空间数据云：中科院对地观测中心提供的免费数据平台
• USGS EarthExplorer：可获取Landsat系列等国际卫星数据

加载影像数据时，ENVI支持多种格式，但最常用的是GeoTIFF格式。以下是正确加载数据的步骤：

1. 启动ENVI 5.6，点击菜单栏File > Open 2. 浏览到保存影像的目录，选择.tif文件 3. 在Layer Manager中确认影像已正确加载

注意：如果影像带有坐标系统但ENVI无法自动识别，可能需要手动指定投影信息。这可以通过右键点击图层选择Edit Metadata完成。

2. 样本选择：监督分类成败的关键

样本质量直接影响分类结果的准确性。好的训练样本应该具备以下特征：

• 代表性：能充分反映该类别的光谱特征
• 均匀性：在空间上分布均匀，避免集中某区域
• 纯净性：尽量选择"纯净"像元，避免混合像元

2.1 创建ROI的实操步骤

在ENVI中创建训练样本是通过Region of Interest(ROI)工具完成的。以下是详细操作流程：

1. 在Layer Manager中右键点击影像图层
2. 选择"New Region Of Interest"打开ROI工具面板
3. 在ROI Tool面板中设置以下参数：
   • Name：使用英文命名（如water、forest等）
   • Color：选择与地物特征相符的醒目颜色
   • Type：保持默认的Polygon类型

# 示例ROI命名规范 roi_names = ['water', 'urban', 'forest', 'farmland'] colors = ['blue', 'red', 'green', 'yellow']

重要提示：ROI名称必须使用英文，中文命名可能导致后续分类步骤报错。这是ENVI软件的一个常见兼容性问题。

2.2 样本选择的常见错误与解决方案

初学者在样本选择时常犯以下错误：

样本优化的实用技巧：

• 先进行非监督分类获取初步参考
• 使用ENVI的Pixel Inspector工具检查像元值
• 对难以区分的类别（如不同作物类型）增加样本数量
• 保存ROI文件(.roi)以便后续修改和复用

3. SVM分类器参数设置与执行

支持向量机(SVM)是ENVI中效果较好的监督分类方法之一，特别适合高分影像处理。以下是关键参数设置指南：

核心参数解析：

• Kernel Type：径向基函数(RBF)通常效果最佳
• Gamma：控制决策边界形状，默认0.1适合多数情况
• Penalty Parameter：建议设置在100-200之间平衡过拟合
• Pyramid Levels：处理大影像时设置为3-5级加速计算

执行分类的具体路径：

Toolbox > Classification > Supervised Classification > Support Vector Machine Classification

分类完成后，可以通过以下命令查看结果：

# 在ENVI命令行中输入 help, /classification

4. 分类后处理与精度提升

原始分类结果往往存在"椒盐噪声"和小图斑问题，需要通过后处理优化。

4.1 主要次要分析(Majority/Minority Analysis)

这是消除小图斑最有效的方法：

1. 打开Toolbox中的/Classification/Post Classification/Majority/Minority Analysis
2. 设置以下参数：
   • Kernel Size：3×3或5×5
   • Iterations：1-2次
   • Method：Majority

4.2 结果导出与GIS集成

将ENVI分类结果导入ArcGIS的步骤：

1. 在ENVI中右键分类结果图层，选择Export > Export to Image File
2. 保存为GeoTIFF格式
3. 在ArcGIS中使用栅格转面工具(Raster to Polygon)
4. 应用消除工具(Eliminate)处理细小多边形

分类精度验证方法：

• 创建验证ROI（独立于训练样本）
• 使用Confusion Matrix工具计算总体精度
• Kappa系数>0.7表示分类结果可靠

5. 实战案例：城市土地利用分类

以某新区规划项目为例，使用GF-2影像(0.8m分辨率)进行分类：

1. 样本策略：设置6类（建筑、道路、绿地、水体、裸地、农田）
2. 参数优化：SVM的Gamma=0.15，Penalty=150
3. 后处理：5×5 Majority滤波
4. 成果精度：总体精度86.2%，Kappa=0.82

处理过程中发现，建筑与道路在光谱上容易混淆，通过增加纹理特征和NDVI辅助，将分类精度提升了12%。

6. 高级技巧与问题排查

当分类结果不理想时，可以尝试以下进阶方法：

特征优化：

• 添加纹理特征（ENVI的Texture Tool）
• 计算植被指数（NDVI、NDWI等）
• 使用主成分分析(PCA)降维

常见问题解决方案：

对于特别复杂的场景，可以考虑结合eCognition等面向对象分类软件，或者尝试深度学习分类方法。不过对于大多数初学者和课程作业需求，掌握好传统监督分类方法已经足够。