一、簡介
影像分類的方法總體上可以分為兩大類：監督分類和非監督分類。
Arcgis中這兩大類方法都有提供。
分類流程一般包括兩步：1.影像分類 2.評價分類結果
二、Arcgis影像分類示例
這里，用最大似然法（監督分類）將下圖影像中的地物分為五類：房屋、道路、農田、水體、植被。
用Arcgis進行影像分類，主要用到“影像分類”工具，如下圖所示（在Arcgis軟件界面上方空白處右鍵，即可打開工具欄）。
1.創建訓練樣本
在“影像分類“工具中，利用“訓練樣本管理器工具”和“繪制多邊形工具”創建樣本。
創建好的樣本如下圖所示。
創建樣本時，需要注意：
（1）同一類地物的樣本不宜選擇過多，選擇過多的樣本反而會導致分類精度下降；
（2）盡量選擇特征明顯的區域作為樣本，樣本區域內像元的光譜特征盡量單一；
創建樣本的過程中，可以根據樣本統計信息評估所選樣本的好壞。
樣本創建好后，點擊“保存特征文件按鈕”保存為特征文件。
2.分類
分類結果如下圖所示。
3.重分類
由於存在“同物異譜”現象，不同區域的同一類地物之間的光譜差異依然較大，因此在創建分類樣本的時候，使用了“子類型”。
如上圖中，道路類型下又細分為road1、road2、road3三種子類型。因為高速公路與村級公路的光譜差異較大，所以將高速公路分為一類（road3）,村級公路分為又一類（road1、road2）。
因此，在上述分類結果的基礎上，通過重分類，將“子類型”合並為一類。如：road1、road2、road3合並為road。
根據“訓練樣本管理器”中的類型，為同一類地物賦予相同的“新值”（New values）。
重分類結果如下圖所示。
4.眾數濾波
重分類結果中存在許多孤立像素點（噪點）。可以通過眾數濾波工具來減少孤立像素點。
眾數濾波的功能可以簡單概括為：用一個像元周圍四鄰域或八鄰域中像元值的眾數來替換這個像元的值。
經過眾數濾波處理后的分類結果如下。可以看到，零碎分布的像素點依然存在，但相比處理之前有所減少。
至此，分類完畢。
三、評價分類結果
分類完成后，需要評價分類結果。
Arcgis為我們提供的評價方法是：在影像范圍內創建一定數量的隨機點，設置每一個點在分類后的影像中所屬的類型，以及在原始的影像中真實屬於的類型。然后，統計每一類中正確分類的點的數量和錯誤分類的點的數量，建立混淆矩陣，對分類結果進行評價。
評價分類結果的流程為：創建精度評估點 -> 更新精度評估點 -> 生成混淆矩陣。
1.創建精度評估點
創建精度評估點是指在影像范圍內隨機生成一點數量（Number of Random Points）的點。這些點有兩個特殊的屬性（Classified、GrndTruth）。其中，Classified屬性表示點在分類后的影響中所屬的類型；GrndTruth屬性表示點在原始影像中所屬的類型。
創建評估點時，需要注意：如果輸入（Input Raster or Feature Class）的是分類后的影像，則目標字段（Target Field）應選擇“Classified”；如果輸入的是代表原始影像的文件，則目標字段應選擇“GrndTruth”。
用“創建精度平度點工具”生成評估點時，Arcgis會自動為目標字段賦值。
這里我們選擇分類后的影像和"Classified"字段。評估點創建好后，打開其屬性表，可以看到Classified字段已經有值了。
另外，也可以手動創建點要素數據集，並為這兩個字段賦值。但自己手動創建點，隨機性肯定比較差，一般會使評價結果偏高。
生成的精度評估點如下圖。
2.更新精度評估點
Arcgis中提供了“更新精度評估點”工具。
但這里用不到，因為我們的原始影像中並不存在"類型"。
因此，只能通過“目視解譯”的方法，手動為上一步生成的點文件中的每一個點的“GrndTruth”屬性賦值。怎么賦值呢？這里舉一個例子，如：查看原始影像，發現一個點落在房屋范圍內，而房屋類型在分類結果中的編號為1，所以給這個點的GrndTruth屬性賦值為1。
3.生成混淆矩陣
生成的混淆矩陣如下圖所示。
kappa系數、整體分類精度，每一類的制圖者精度、使用者精度都已經計算出來了。
通過上圖可知，這次分類的整體精度為0.762712，kappa系數為0.702128。