遥感图像分类是图像信息提取的一种方法，是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一，其中提取土地利用分类信息也是常见的应用领域。本推文简要介绍了图像分类的原理和方式，并着重介绍了最大似然分类法监督分类在ENVI中的操作流程。
1. 遥感图像分类的框架
遥感图像分类主要分为目视解译和计算机解译两种，随着计算机信息技术的发展，计算机解译现在正在被广泛应用。计算机解译的原理是：以计算机系统为支撑环境，以遥感图像像元值为判断基准，通过构建特征向量空间，根据判别分析或聚类分析原理，实现对遥感图像的分类，最终实现遥感信息提取。
计算机分类主要分为监督分类和非监督分类两类，他们之间的区别主要在于有没有先验的训练样本作为基础，他们都可以做到对遥感图像进行较高精度的分类，本推文着重介绍的是监督分类法。
2. 监督分类流程
ENVI中提供了影像分类的工作流程，按照流程的要求一步一步来即可，非常简单：
下面选择使用训练样本，选使用代表下一步进行监督分类，不使用则为非监督分类的流程
3. 构建ROI
首先输入图像和掩膜后首先要对大致的类别有一个初步的印象，如耕地、园地、林地。其次就是定义感兴趣区-ROI（Region of Interest），以此作为我们的训练样本。进行训练样本构建时可以参考高分辨率的遥感影像或结合google earth等软件进行划分。
构建训练样本有以下几个注意事项：
1.样本区要占总图的10%(就是有颜色的区域占10%)
2.ROI选取要尽可能小、多、精细
3.注意同物异谱的现象，不确定的地物可以先分开选，最后在分类后处理的时候再合并。
最后ROI训练样本可以参考下图：
选取好训练样本后一定要计算样本的可分离性（ROI Separablity）
参数的值为0~2.0，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本，小于1，考虑将两类样本合成一类样本
构建好ROI后在图像分类流程内导入即可，分类算法选最大似然法即可
3.分类后处理
监督分类后的图像不能直接拿来用，需要对其做一些后处理，如分类合并、小斑块去除、栅格转矢量、精度分析操作，这些功能在工具箱-分类后处理工具栏后都可以实现，其中主要讲解精度分析操作。
进行精度检验需要首先构建地面真实ROI，然后与已有分类进行混淆矩阵分析（Confusion Matrix）。构建精度检验的ROI样本需要注意以下几个原则：
1.精度检验的ROI样本需要使用高分辨率地表真实遥感影像进行样本重绘
2.检验样本应与训练样本相互独立
需要用到的工具如图：
分类结果如图，结果为像元和百分比的混淆矩阵，一般来说要根据总体的分类精度（Overall Accuracy）和kappa系数（Kappa Coefficient）来判断分类精度的高低。
最终得到精度足够的土地利用分类图，后续在GIS中可以做进一步分析，
本文来源：景观生态与规划研究室