分类的目的是将研究区域内的每个像元分配给一个已知类(监督分类)或一个聚类(非监督分类)。在这两种情况下，分类的输入是一个包含每个类或聚类的多元统计信息的特征文件。每次分类的结果都是将地图中的研究区域划分为若干类，其中一些已知类与训练样本对应，而另一些自然产生的类则与通过聚类定义的聚类对应。将位置划分为若干个与聚类对应的自然产生的类的过程也被称为层化。
“影像分类”工具条为实现执行分类所需的多步骤工作流提供了一个集成环境。
最大似然法
同一个类中的像元很少是同质的。将训练样本用于监督分类时，情况更是如此。例如，如果处于阴暗环境中的阔叶树与处于全日照环境中的针叶树具有相似的反射特征，则会将这两种类型的树木归结到同一个类。对于从您希望找到熊的栖息地获取的训练样本，其中的任何位置都可能包含熊不会出现的子位置。
在下图中，类 A 表示阔叶树，类 B 表示针叶树。如何对落入类 A 和类 B 重叠处的像元进行分类?应将该像元分类为类 A 还是类 B?
最大似然法分类程序可根据给定的属性值为每个类计算出像元属于该类的概率。像元会被分配给概率最大的那个类，这就是所说的“最大似然法”。
要使最大似然法分类程序准确运行，需假设以下条件：
· 各波段的数据应为正态分布。
· 每个类都应在多元属性空间中拥有正态分布。
· 类的先验概率必须相等 - 即，在缺少属性值权重的情况下，所有类出现的可能性相同。
如果研究区域内的各类的先验概率不等，则可以对类进行加权处理。例如，如果对阿拉斯加的卫星影像进行分类，则森林和其他植被类型会比人类住房获得更高的先验概率。也就是说，包含住房的像元的几率小于包含某些植被类型的像元的几率。当某个像元值落入住房类别和植被类别的重叠部分时，该位置更可能包含植被而非住房，应据此将该位置进行分类。
此概率和权重逻辑的基础是贝叶斯决策规则。各像元和类别的实际概率值是通过各类别的平均值和协方差矩阵(存储在特征文件中)确定的。
要执行分类，请使用最大似然分类工具。此工具需要多波段栅格和单波段栅格中的输入波段以及相应的特征文件。必须确定采用何种方式对类或聚类的进行加权处理。对类或聚类进行加权处理的方式有三种：均等、样本中的像元或文件。如果选择均等，则会使用相同的先验概率对所有类进行加权处理。如果选择样本中的像元，则先验概率将与特征文件中每个类或聚类中的像元数成比例。如果选择文件，则激活先验文件输入控制，并且将从指定文件中读取先验概率。必须确定剔除分数。剔除分数可确定出因最低正确分配概率而导致仍未分类的像元部分。默认值为 0.0;因此，将对每个像元进行分类。可创建可选的置信度。最后，必须指定输出栅格的名称。
类别概率
类别概率工具并非根据输出栅格的最高概率将像元分配到某个类别，而是以每个输入类或聚类一个波段的方式输出概率图层。各波段内各个位置处的值用于存储根据原始输入波段中的属性该像元属于类或聚类的概率。
在以下情况中，此功能可能很有用。假设您正在对一个图像进行分类，其中一类是森林，另一类是湿地。运行完此工具后，您发现在森林类输出栅格上的某个像元接收到属于森林类的概率为 60%，而在湿地输出栅格上接收到属于湿地类的概率为 30%。此时，您可能要将该像元位置分类为湿林，而不是将其分类为森林。
查看多元分类
监督分类
以下是用于执行监督分类的步骤：
非监督分类
以下是用于执行非监督分类的步骤：
1. 识别输入波段。
2. 定义要创建的聚类数。
3. 形成特征文件。
4. 如果需要，对特征文件进行查看和编辑。
5. 运行分类。
版权声明：本文为博主原创文章，未经博主允许不得转载。
原文地址：http://blog.csdn.net/dsac1/article/details/46865201
