ENVI平台下6种遥感图像分类算法性能实测与选型指南

1. 遥感图像分类入门：为什么选ENVI？

刚接触遥感图像处理的朋友，常常会被各种专业软件和算法搞得晕头转向。我刚开始用ENVI时也踩过不少坑，今天就把这些年积累的实战经验分享给大家。ENVI作为遥感领域的"老牌选手"，最大的优势就是内置了完整的图像处理流程，特别是对中低分辨率多光谱数据的支持非常友好。

什么是中低分辨率多光谱数据？简单说就是像Landsat系列这样的卫星影像，空间分辨率在15-30米之间，包含4-7个光谱波段。这类数据在城市规划、农业监测、环境评估等领域应用最广。ENVI自带的Can_tmr.img就是典型的Landsat TM数据，用它的5、4、3波段合成的假彩色图像，能清晰区分植被、水体等地物类型。

选择分类算法时，新手常犯两个错误：要么盲目追求最高精度，结果等了几小时还没出结果；要么图省事用最简单算法，最后分类图糊成一片。其实好的分类方案需要平衡三个要素：精度、效率和稳定性。下面要实测的6种算法，就是ENVI里最常用的监督分类工具。

2. 六种算法原理速览

2.1 传统统计学派：四大经典算法

平行六面体法是最简单的分类器，相当于在光谱特征空间里画立方体。比如把植被的NDVI值范围设定为0.3-0.8，落在这个区间就判定为植被。优点是计算飞快（实测5秒搞定），缺点是容易漏分和错分，我在处理农田与草地混合区域时就吃过亏。

最小距离法稍微聪明点，会计算像元到各类别中心的欧氏距离。它有个致命缺陷——经常出现"未分类"区域。有次做水体提取，结果图上出现大量空白像素，就是因为阈值设得太严格。

马氏距离法是前者的升级版，考虑了特征之间的相关性。比如近红外和红光波段通常高度相关，用马氏距离能更准确度量相似性。但它的计算复杂度略高，对训练样本要求也更严格。

最大似然法是遥感界的"万金油"，基于贝叶斯理论计算像元属于某类的概率。我特别喜欢它的自适应能力——不需要手动设置阈值，系统会自动优化决策边界。实测下来，3秒完成分类的同时，精度能保持在90%以上。

2.2 机器学习代表：两大现代算法

神经网络法（这里特指BP神经网络）通过模拟人脑神经元工作，可以拟合复杂的非线性关系。有次做城市用地分类，建筑物阴影干扰严重，传统方法全军覆没，只有神经网络保持了85%以上的精度。但它的缺点也很明显——训练慢（20秒）、需要调参（隐层节点数、学习率等），新手容易翻车。

支持向量机（SVM）是我个人最推荐的进阶算法，它通过核函数把数据映射到高维空间，用超平面实现分类。在处理林地与灌木丛混合区域时，它的表现堪称惊艳——97.5%的精度碾压其他方法。不过要注意核函数选择，高斯核适合复杂场景，线性核处理简单分类更高效。

3. 实测数据准备与样本选择

3.1 数据预处理关键步骤

用ENVI自带的Can_tmr.img做实验时，建议先做辐射定标和大气校正。别看这两个步骤枯燥，它们直接影响分类效果。有次偷懒跳过校正，结果水体全被误判为阴影，Kappa系数直接掉到0.5以下。

波段组合也有讲究：5-4-3组合适合区分植被类型，7-4-2组合对建筑物更敏感。我习惯先用波段运算器计算NDVI、NDWI等指数，把这些衍生波段也加入分类特征集，精度通常能提升5%-8%。

3.2 训练样本的黄金法则

选样本时要遵循"三要原则"：要均匀（每类至少50个样本点）、要纯净（选择典型区域）、要平衡（各类别样本数相近）。曾有一次草地样本取在农田边缘，导致两类完全分不开，Jeffries-Matusita距离只有1.2（合格线是1.9）。

ENVI的ROI工具可以实时查看样本可分性。建议把J-M距离和转换分离度都勾选上，当看到某个组合的值低于1.8时，就该考虑调整样本位置了。有个小技巧：先用快速分类生成临时结果，在错分严重区域补充样本，迭代2-3次后精度会有明显提升。

4. 六大算法性能对决

4.1 精度与效率量化对比

用同一组训练样本测试，得到的关键指标如下表：

从数据可以看出三个现象：1）现代机器学习算法（后两种）精度优势明显；2）最大似然法在传统算法中一骑绝尘；3）计算时间差异巨大，神经网络耗时是最大似然法的6倍多。

4.2 典型地物分类效果

观察各类算法在六种地物上的表现：

• 水体提取：所有算法表现都不错（水体光谱特征明显），但最小距离法会出现"黑洞"现象
• 林地vs草地：SVM和神经网络能捕捉细微光谱差异，平行六面体法几乎无法区分
• 裸地与沙地：最大似然法凭借概率模型优势，误判率比马氏距离法低40%
• 耕地边界：神经网络会产生"椒盐噪声"，需要后处理平滑

特别要注意的是，平行六面体法会产生大量"叠置"像元（即同时属于多个类别）。有次做城市绿地统计，结果比实际值高出30%，就是因为建筑阴影被同时划入水体和植被类。

5. 选型指南与实战建议

5.1 不同场景的黄金选择

应急监测场景（如洪涝灾害）：首选最大似然法。去年参与某地洪灾评估，从数据导入到出图只用了8分钟，精度满足应急需求。记住要勾选"输出概率图像"选项，方便后续调整置信度阈值。

精细分类需求（如树种识别）：推荐SVM配合高斯核。调参时重点优化惩罚系数C和gamma值，我常用的起手式是C=100，gamma=0.1，然后根据混淆矩阵逐步调整。

硬件条件有限时：最小距离法+后处理是个务实选择。虽然初始精度只有80%，但配合ENVI的Majority/Minority分析工具过滤噪声，可以提升到85%左右。

5.2 参数调优经验谈

最大似然法有个隐藏技巧——调整概率阈值。默认是0%，但实际应用中设为5%-10%能显著减少错分。有次做矿区监测，把阈值调到8%，将裸地与建筑混淆率从15%降到7%。

神经网络的隐层设计很关键：对于6个类别的中分辨率数据，建议采用"波段数×2"的节点数（比如7个波段就用14个节点）。激活函数选tanh比sigmoid收敛更快，学习率设在0.01-0.1之间比较安全。

SVM的核函数选择有个口诀："线性核处理少类粗分，高斯核应对多类细辨"。遇到内存不足报错时，试试把缓存大小调到500MB以上。另外，ENVI的SVM实现不支持多线程，大数据量时要有耐心。