训练区调整方案

在监督分类中，选好训练区并进行不断调整与优化具有重要意义。选取的样区不同，分类结果就会有差异，而且差异很大。

每一类别应选取一块以上分布在图像不同部位的训练区，但切勿选到过渡区或其他类别中。每个样区的样本数（即像素数）视该类别分布面积大小而定。每类的总体样本数不能太少，至少应超过变量数，否则会降低分类的精度。初选后应进行仔细的检验和反复的调整。下面给出一些具体的办法：

（1）对初选的训练样区进行统计分析，从统计数据或光谱曲线图中观察各样区的光谱特征是否符合该种类的一般光谱变化规律，剔除那些离散性过大的样本。

（2）检查各类样本的聚类中心分布状况。如果各类别的聚类中心较分散，而同类样本都聚集在该类中心周围，则表明这些样本都比较纯，代表性高。如果情况相反，则说明选择的训练区存在问题，对样本要重新选择，或者剔除。(www.xing528.com)

（3）训练样区经过初步调整优化后进行样区分类检验，并分析分类检验报告，对某些分类精度不高的样本应该做进一步的调整优化，直至检验报告中错分率降低为止，此时表明优化训练样区的工作基本完成，可以对研究区的整幅图像进行监督分类了。

由于训练样区的选择基础是像素的颜色特征信息，因此这种监督分类面对同物异谱或者异物同谱现象无法区分，因此分类精度有一定的局限性。

事实上，遥感图像的其他分类方法也存在这样的错分和漏分现象，分类精度能达到60%已经很不错了。但是无论监督分类还是非监督分类，利用计算机能够快速处理海量图像是它们最大的优点。在实际应用中，我们往往是先通过计算机进行一定的粗分类，然后再对分类后的影像做一些后期纠正即可。