非監督分類的概念：
非監督分類，又稱“聚類分析或者點群分析”。在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。它不必對圖像地物獲取先驗知識，僅依靠圖像上不同地物光譜信息進行特征提取，在統計特征的差別來達到分類的目的，最后對已分出的各個類別的實際屬性進行確認。
在ENVI中ISODATA和K-Means兩種非監督分類的方法：
ISODATA是一種重復自組織數據分析技術，計算數據空間中均勻分布的類均值，然后用最小距離技術將剩余像元進行迭代聚合，每次迭代都重新計算均值，且根據所得的新均值，對像元再進行分類。
K-Means使用聚類分析方法，隨機地查找聚類簇的聚類相似度相近，即中心位置，是利用各聚類中對象的均值獲得一個“中心對象”來進行計算的，然后迭代地重新配置她們，完成分類過程。
監督分類總體的步驟為：執行非監督分類、類別定義、合並子類和評價結果。
一、執行非監督分類：
1、ISODATA
在主菜單上選擇：Classification>>Unsupervised>>IsoData,在Classification Input File 對話框中選擇TM影像數據。單擊OK，打開ISODATA Parameters對話框，如圖。
主要的參數說明：
1）類別數量范圍：（Number of Classes:Max Min ）一般輸入的最小數不能小於最終分類數量，最大數量為最終分類數量的2到3倍。Min：6，Max：20。
2）最大迭代數（Maximum Iteration）:15.迭代地次越大，得到的結果越精確，運算的時間也就越長。
3）變換閾值（Change Threshold）:5。每當一類的變化像元數小於閾值時，結束迭代過程。這個值越小得到的結果越精確，運算量也越大。
4）Minimum #Pixel in Class:鍵入形成一類所需的最少像元數。如果其中的一類小於最少像元數，該類將會拆分成兩類。
5）最大分類標准差（Maxium Class Stdev）:1。以像素為單位，如果某一類的標准差比該閾值大，該類將分成兩類。
6）類別均值之間的最小距離（Minimum Class Distance）:5。以像素值為單位，如果類均值小之間的距離小於輸入的最小值，則類別將合並。
7）合並類的最大值（Maxium # Merge Paris）:2
8）距離類別的最大標准差（Maximum Stdev From Mean）,可選項。
9）允許的最大距離誤差（Maximum Distance Error）,可選項。
10）選擇文件輸出位置，單擊OK。執行非監督分類。
結果如圖：
2、K-Means
在主菜單上，選擇Classification>>Unsupervised>>K-Means,在Classification Input File中選擇TM影像，單擊OK。打開K-means Parameters對話框中，設置以下的參數：
1）分類數量（Number of Classes）：一般為最終輸出分類數量的2-3倍。
2）最大迭代次數（Maximum Iterations）：迭代次數越大，精度越高。
3）距離類別的值的最大誤差（Maximum Stdev From Mean）。此數可選。
4）允許的最大距離誤差：（Maximum Distance Error）;可選
5）選擇路徑，OK執行。