目录
1.样例数据
2.标签数据处理
2.1 矢量化处理（Rater to shapefile）
2.2 矢量化处理-合并相同属性类别
2.3 生成随机点样本
3.基于采集样本分类和评价
3.1 监督分类-以最大似然法为例
3.2 精度评价
1.样例数据
Indians pines
图左 （RGB:27 40 99 ;Standart Deviations 显示） 图右 各类别标签数据 16类
2.标签数据处理
2.1 矢量化处理（Rater to shapefile）
使用arcgis中From Raster工具中的Raster to Polygon工具将标签数据（即注明各类不同地表实际类型的数据）转化为矢量数据。
我的源数据提示没有defined domain，报错如下。没有问题的就可以直接进行转换了。什么是domain，官网解释如下：属性域是描述字段类型合法值的规则，提供了一种增强数据完整性的方法。属性域是可接受的特性值的声明。属性域用于约束表或要素类的任意特定属性中的允许值。如果要素类中的要素或表中的非空间对象已被分组为各个子类型，则可将不同的属性域分配给每个子类型。如果一个属性域与某个特性字段相关联，则只有该属性域内的值才对此字段有效。也就是说，此字段不会接受不属于该属性域的值。使用属性域可针对特定字段限制可供选择的值，从而有助于确保数据完整性。
错误提示，源数据是浮点型的类型，我们转化为整数型的，可以通过Copy数据转化。
Copy Raster
转化之后就可以了。
结果图如下：
2.2 矢量化处理-合并相同属性类别
使用矢量数据Editor工具，对相同类别的图斑进行合并处理。将相同类别但是具有多个图斑的类别合并之后，属性表如下：
属性里面添加像元数字段PixelCount，并输入和各类别标记像元数。
具体如下：
添加数据样本比例字段，浮点型；赋值0.1.即10%样本比例。
继续添加添加字段，SamplePixel，记录在固定比例下所需要生成的各类别样本个数。计算如下：
2.3 生成随机点样本
按照各类别生成随机点样本，每个随机点可以代表一个像元。作为分类采样样本数据。
这样就生成好了，如下图：
这样就可以生成任意比例的数据样本了。然后在ENVI里面就可以使用这些样本进行分类比较了。
3.基于采集样本分类和评价
3.1 监督分类-以最大似然法为例
将样本转化为ROI，Vector to ROI工具。
选中待分类图像。
转化之后：
还是分类：
这里卡壳了。看来这个方法需要大于波段数+1的样本数才行。
使用SVM方法试一下，参数默认。
开始运行了。
后面报错了。
再试试NN.
这个方法计算速度很慢。
结果还是报错：
以上问题是因为我设置为memory出问题的，默认路劲就可以输出了。
SVM 默认路劲，结果如下：
3.2 精度评价
对以上分类结果进行精度评价。就选取以上SVM结果验证一下。
使用工具：Confusion Matrix Using Ground Truth ROI
先将完整实际地类结果转化为ROI
然后打开工具，选择参数计算。
点击OK
Matched Classes自动匹配了，可以直接使用，不然需要自己选进行匹配。
点击OK,查看结果如下（头和尾部分结果显示）：
