使用 Spatial Analyst 进行影像分类
在 ArcGIS Spatial Analyst 中，多元分析工具集提供了用于监督分类和非监督分类的工具。影像分类工具条提供了一个用户友好的环境，可创建监督分类中使用的训练样本和特征文件。最大似然法分类工具是主要的分类方法。识别类别及其统计数据的特征文件是此工具的必需输入。对于监督分类，通过影像分类 工具条使用训练样本来创建特征文件。对于非监督分类，则通过运行聚类工具来创建特征文件。Spatial Analyst 也提供用于分类后处理的工具，如过滤和边界清理。以下图表说明了影像分类工作流的详细步骤。
 |
影像分类工作流 |
1. 数据探索和预处理
数据浏览
分类分析基于以下假设：波段数据和训练样本数据符合正态分布。要检查波段中数据的分布，可使用 Spatial Analyst 工具条上的交互式直方图工具 
。要检查各个训练样本的分布，可使用训练样本管理器 上的直方图工具 
。
波段数据的拉伸
分类过程对各波段中的值范围很敏感。要使各波段的属性数大致相同，各波段的值范围应类似。如果相对于其他波段，某一波段的值范围过小（或过大），则可以使用 Spatial Analyst 工具箱中的数学工具将其拉伸。例如，可以使用乘算术工具将波段乘以一个常数以拉伸其值范围。
主成分分析
主成分分析会变换多波段影像以移除波段间的相关性。输出影像中的信息主要集中在头几个波段中。通过增强头几个波段，影像在 ArcMap 中显示时可在影像中看到更多的详细信息。这可能有助于收集训练样本。通过“多元分析”工具集上的主成分分析工具，可执行主成分分析。
创建多波段影像
影像分类 工具条适用于多波段影像图层。要将单个波段加载到一个新的多波段影像，可使用波段合成工具。
创建用于分类的波段子集
要在分类中使用影像数据集中的所有波段，可将该影像数据集添加到 ArcMap 并在影像分类 工具条中选择影像图层。
要在分类中仅使用现有数据集中的某些波段，可使用创建栅格图层工具为其创建新的栅格图层。新的栅格图层将仅包含波段的指定子集，并可用于影像分类 工具条中。
2. 收集训练样本
在监督分类中，训练样本用于识别类并计算其特征。可使用影像分类 工具条上的训练样本绘图工具交互式创建训练样本。创建训练样本与在 ArcMap 中绘制图形类似，只不过训练样本形状是通过训练样本管理器 而不是在 ArcMap 图形图层中管理的。
要创建训练样本，可在影像分类 工具条上选择一个训练样本绘制工具（例如，多边形工具），然后在输入影像图层上进行绘制。每个训练样本中的像素数都不应过小或过大。如果训练样本过小，则可能无法提供足够信息以充分地创建类特征。如果训练样本过大，则可能包括不属于该类的像素。如果影像中的波段数为 n，则各训练样本的最佳像素数应在 10n 和 100n 之间。
 |
收集训练样本 |
3. 评估训练样本
在显示界面中绘制训练样本时，自动在训练样本管理器中创建新类。管理器提供三种工具来评估训练样本 - 直方图工具 、散点图工具 
和统计数据工具
。可以使用这些工具来探查不同区域的光谱特性。也可以使用这些工具来评估训练样本，以查看类之间是否有足够间隔。
 |
评估训练样本 |
4. 编辑类
根据训练样本的评估结果，可能需要将彼此重叠的类合并为一个类。可以使用管理器窗口中的合并工具 
完成此操作。此外，可以对类进行重命名或重新编号、更改显示颜色、分隔类、删除类、保存和加载训练样本等。下图显示如何合并两个类：
 |
编辑类 |
创建特征文件。
6. 聚类（非监督分类）
在监督分类中，从已知并已定义的类（例如，土地利用类型）创建特征文件，这些类通过在多边形中封闭的像素来识别。在非监督分类中，通过像素的统计属性来创建簇（而非类）。对多元空间中与统计属性类似的像素进行分组以形成簇。与监督分类中的类不同，簇没有类别含义（例如，土地利用类型）。
对于使用影像分类 工具条的非监督分类，可通过运行 Iso 聚类非监督分类工具来创建特征文件。也可以使用多元分析工具集中的 Iso 聚类工具。
Iso 聚类工具只创建随后可在分类中使用的特征文件（以上工作流图表中的步骤 9）。创建了一个新工具 Iso 聚类非监督分类（从影像分类 工具条或多元分析工具集访问该工具均可）后，您便可以只通过一个工具来创建特征文件和输出分类影像（步骤 6 和 9）。
7. 检查特征文件
可使用树状图工具检查特征文件中连续合并类之间的属性距离。输出为 ASCII 文件，树图显示类间隔。通过树状图，可以确定两个或多个类或簇是否可区分；如果不能区分，可能会决定在下一步中合并它们。
通过 Spatial Analyst 的“多元分析”工具集访问树状图工具。
8. 编辑特征文件
不应直接在文本编辑器中编辑特征文件。而应使用“多元分析”工具集中的编辑特征工具。可通过此工具合并、重新编号和删除类特征。
9. 应用分类
要对影像进行分类，应使用最大似然法分类工具。此工具基于最大似然概率理论。它基于类特征（存储在特征文件中）的平均值和方差向某个不同的类分配像素。也可通过影像分类 工具条访问该工具。
也可以通过交互式监督分类工具对影像进行分类。此工具可加快最大似然法分类过程。使用此工具可以快速预览分类结果，而无需运行最大似然法分类工具。
10. 分类后处理
通过最大似然法分类工具创建的分类影像可能会对某些像元（随机噪声）进行错误分类并形成小的无效区域。为改进分类，最好对这些错误分类的像元进行重新分类，将其归入可直接包围它们的类或簇。清理分类影像的最常用技术包括过滤、平滑处理类边界及移除小孤立区域。应用数据清理工具后的地图外形更美观。
过滤分类后的输出
此过程将从分类影像移除单一的孤立像素。可通过以下工具完成此过程：主滤波工具，或以众数作为统计类型的焦点统计工具。这两种工具的不同之处在于：主滤波工具在处理期间假定 3 x 3 的方形领域，而焦点统计工具支持更多的邻域类型（例如，环或圆）。
平滑类边界
边界清理工具可聚合类并对类的不规整边缘进行平滑处理。此工具的工作方式是：先扩展类，然后再收缩类。它将增加分类影像的空间一致性。相邻区域可能连接在一起。
通过移除小孤立区域来概化输出
过滤和平滑过程后，分类影像应比以前干净得多。但是，分类影像上可能仍会有一些小的孤立区域。概化过程通过从影像上移除此类小区域，进一步清理影像。这是一个多步过程，涉及多个 Spatial Analyst 工具。