监督分类和非监督分类
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
实习8、监督分类与非监督分类
1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。
同时确定土地的覆盖类型、编码以及色调。
居民点Town 砾石gravel desert道路Road 水稻田paddy land水浇地irrigated land 水库reservoir裸地barren land 工业区industrial area滩地shoaly land 林地forest草地grassland 河流stream2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。
加载512*512影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。
3. 计算各个样本之间的可分离性。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。
4. 监督分类：利用最大似然法完成分类。
①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。
在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。
具体操作：在监督分类影像中的Image上选择Overlay |Classification，点击“Supervised”，选择Option |Edit class colors/name 等来修改地物的名称和颜色5. 分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。
(完整word版)ENVI监督分类与非监督分类
对照原影像将30种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类,在输出的文件中选择相同的类别，点击Add Combination,所有的类别合并完后点击确定即可。
结果与分析1、各个样本之间的可分离性.说明哪些地物类型之间较易区分，哪些类型之间难以区分。
Jeffries-Matusita（J—M距离）：水稻田水浇地河流居民地草地林地工业区裸地水稻田1。
99982。
00002.00002。
00001.95252.00002。
0000水浇1。
99982.00002。
00001.94941。
98902。
00002.0000Band0。
85 0。
90 0。
88 0.93 1.00 0.97 5Band0.90 0.93 0。
92 0。
92 0。
97 1。
00 63、最大似然法进行监督分类结果：原影像最大似然法进行监督分类结果监督分类的最大似然法分类结果中,主要的地物都可以被区分出来,地物分工业区94.7494.7418/1918/19裸地100.00100。
0042/4242/425、Clump Classes和Sieve classes结果：Clump Classes3＊3处理结果：Clump Classes5*5处理结果：在聚类统计的结果上很容易看出原本监督分类的生成结果中严重的椒盐现象消失了,地物类型都相对完整,但有些细节已经被消除看不清楚，3*3窗口与5＊5窗口生成的结果区别就在于3＊3窗口的细节较5*5窗口的更加清楚具体, 5＊5窗口将周边的面积较小的地物完全合并在一起.Sieve classes结果（Number of Neighbors设为8）：Sieve classes结果（Number of Neighbors设为4）：对影像的过滤分析生成的结果显得椒盐现象更加严重，结果影像上出现了很多小黑点，Number of Neighbors的值设置的越小,小黑点越密集，但是经过过滤分析的影像”孤岛”现象都已经消失。
envi遥感图像监督分类与非监督分类
envi遥感图像监督分类监督分类，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。
遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理.这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。
启动ENVI5。
1，打开待分类数据：can_tmr。
img。
以R：TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步:样本选择（1）在图层管理器Layer Manager中,can_tmr.img图层上右键，选择"New Region Of Interest",打开Region of Interest （ROI) Tool面板，下面学习利用选择样本。
1）在Region of Interest （ROI) Tool面板上,设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键,选择Complete and Accept Polygon,完成一个多边形样本的选择；3）同样方法,在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本.注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。
监督分类和非监督分类
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
envi遥感图像监督分类与非监督分类
envi遥感图像监督分类监督分类，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。
遥感影像的监督分类一般包括以下6个步骤，如下图所示：详细操作步骤第一步：类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。
以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。
通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。
第二步：样本选择（1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。
1）在Region of Interest (ROI) Tool面板上，设置以下参数：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本。
监督分类与非监督分类遥感实习
B、在Overlay下选择Classification，选择之前的非监督分类影像，对照原影像将10种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类，在输出的文件中选择相同的类别，点击Add Combination，所有的类别合并完后点击确定即可。
3.注意：此次实习内容的操作环境为ENVI Classic经典版，上机课上将演示新版本操作。同时此次实习内容为大作业中视频教程中省略的部分。
基本原理
1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类。监督分类的具体步骤：
3、最大似然分类法是基于概率论中每个像元存在属于所有类别的概率，假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布，根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率，比较各个类别的概率值，并将像元划归到概率最大的那个类别当中去。
4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
监督分类和非监督分类
各自优缺点：监督分类的特点：主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类特点：主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
一、什么是监督分类与非监督分类？非监督分类：没有训练样本，通过计算哪些相似，划分出不同类别。
先定义光谱可分性，再定义信息类。
是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。
监督分类：根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对各待分类影像进行的图像分类。
先定义信息类，再定义光谱可分性。
二、它们包括什么？非监督分类包括：1.波谱图形识别分类2.聚类分析监督分类包括：1.最小距离法2.线形判别分析3.最大似然比分类4.最近邻域分类法5.特征曲线窗口法三、二者的优缺点：非监督分类优点：1.人为干预较少，自动化程度较高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
影像的分类可分为监督与非监督分类。
监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。
有以下内容组成：∙ ∙ ●非监督分类∙ ∙ ●监督分类∙ ∙ ●分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。
本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
确定在非监督分类中的类别数为15。
2、分类器选择目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。
ENVI包括了ISODATA和K-Mean方法。
ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。
3、影像分类打开ENVI，选择主菜单->Classification->Unsupervised->IsoData或者K-Means。
这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。
这里选择软件自带的Can_tmr.img，按默认设置，之后跳出参数设置，如图2。
这里主要设置类别数目（Number of Classes）为5-15、迭代次数（Maximum Iteration）为10。
其他选项按照默认设置，输出文件。
图2 ISODATA非监督分类参数设置图3 ISODATA分类结果4、类别定义/类别合并1)类别定义在display中显示原始影像，在display->overlay->classification，选择ISODATA分类结果，如图4所示，在Interactive Class Tool面板中，可以选择各个分类结果的显示。
图4影像与分类结果的叠加Interactive Class Tool面板中，选择Option->Edit classcolors/names。
通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。
图5 类别定义如图6所示为最终的结果。
图6类别定义结果在类别定义时候，可以利用Mode：Polygon Add to Class、Edit->Mode：Polygon Delete from Class或者Set delete class value把很明显的错误分类结果并入或者删除。
2)类别合并选择主菜单->Classification->Post Classification ->Combine Classes。
把同一类的类别合并成一类，如图7所示。
在点击ok后，需要选择输出文件和Remove Empty Class选择YES，可以得到结果。
图7类别的合并5、分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
1)更改类别颜色可以在Interactive Class Tool面板中，选择Option->Edit class colors/names更改，也可以在Display->Color Mapping->Class Color Mapping。
如下图8所示，直接可以在对应的类别中修改颜色。
也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单->Classification->Post Classification->Assign Class Colors。
图8 类别颜色的更改图9 类别颜色更改后的效果图10 自动颜色更改的效果图2)分类统计分析主菜单->Classification->Post Classification->Class Statistics。
如图11所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。
图11 分类结果统计3)小斑点处理（类后处理）运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过滤（Sieve）和。
这些工具都可以在主菜单->Classification->Post Classification中找到。
Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。
如下图12为Majority分析的结果。
图12类后处理结果图4)栅矢转换打开主菜单->Classification->Post Classification->Classification to Vector，可以将分类后得到的结果转化为矢量格式，或者主菜单->Vector->Raster to Vector，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件。
图13 栅矢转换面板6、结果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，比较形象。
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。
真实的感兴趣区参考源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。
直接利用ROI工具，在TM图上均匀的选择6类真实参考源，如图13所示。
选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，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），就可以得到精度报表。
图14 真实感兴趣区参考源选取图15验证操作面板图16 分类精度评价混淆矩阵这里说明一下混淆矩阵中的几项评价指标，如下：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。
错分误差指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。
本例中，林地有419个真实参考像元，其中正确分类265，12个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为12/419=2.9%。
漏分误差指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。
如在本例中的耕地类，有真实参考像元465个，其中462个正确分类，其余3个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为3/465=0.6%制图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。
如本例中林地有419个真实参考像元，其中265个正确分类，因此林地的制图精度是265/419=63.25%。
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。
如本例中林地有265个正确分类，总共划分为林地的有277，所以林地的用户精度是265/277=95.67%。
监督分类监督分类监督分类：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。
遥感影像的监督分类一般包括以下6个步骤，如图17所示：图17 监督分类步骤1、类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
2、样本选择为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。
本例中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。