5.精度评定

本次实验土地利用分类为例，分类仅考虑大面积连续分布的地物，不考虑更加详细的亚类，选择Landsat8OLI图像为数据源，谷歌地球遥感影像数据为参考影像。监督分类主要包括特征提取和选择、确定分类类别和建立解译标志、训练样本选取和评价、图像分类四个部分。

提示：以下是本篇文章正文内容，下面案例可供参考

利用ENVI软件开展基于最大似然法的遥感图像土地覆盖分类。

包括大气校正等过程在这里不做过多演示。 

分别采集耕地、林地、草地、水体和建筑用地训练样本。

在Region of Interest(ROI)Tool 对话框中，选择Options>Ctompute ROI Separability … ，在弹出 Choose ROIs对话框中选择6个ROI数据层 ，点击OK即可。

结果表明耕地与草地的分类精度1.8。

①在“Toolbox”中选择“Classification”→“Supervised Classification”→“Maximum Likelihood Classification”选项

②随后，进入“Maximum Likelihood Parameters”窗口。首先，在左上角“Select Classes from Regions”一栏中选择需要进行分类的地物类型。接下来，“Set Probability Threshold”一栏表示分类阈值，这里选择none。随后，“Data Scale Factor”用以将带有缩放系数的遥感影像像元数值恢复至原先的数值。随后，在右侧配置分类结果图像与分类结果规则图像的保存路径。

③随后，单击“OK”执行对应操作；获取的分类结果图像如下图所示。

①主要分析

为了消除分类结果中的碎斑，这里对其进行主要分析。在工具箱中,选择Classification >Post Classification>Majority/Minority Analysis,在弹出的Classification Input File 对话框中选择taiyuan.dat文件，点击OK

②局部修改

通过对比，发现水体被错分到建筑用地，对错分部分进行手工修改。

①生成随机样本

在工具箱中,选择Classification > Post Classification >Generate Random Sample from Ground Truth Image。抽样方式选择Equalized Random ,样本个数选择50个。

②确定检验样本的真实类别，混淆矩阵的分类精度评价

（1）选择Classisication-->Post Classification-->Confusion Matrix Using Ground Truth ROIs

（2）输入精度评价文件

（3）选择待评价的ROI类别

（4）生成评价结果

可以看出最大似然分类结果总体精度为97.9424%，Kappa系数为0.9742。由分类后处理的结果来看，经过小斑块处理后的遥感影像分类结果整体更为平滑，但在一定程度上也丢了部分细节信息。

最后还可以在ArcGIS出图：

注 ：分类结果与实际结果有所偏差，本篇只作为一个练习大概展示所有流程。