（1）基于ISODATA算法的非监督分类实现与效果
ISODATA法的实质是以初始类别为“种子”施行自动迭代聚类的过程。迭代结束标志着分类所依据的基准类别已经确定，它们的分布参数也在不断的“聚类训练”中逐渐确定，并最终用于构建所需要的判决函数。从这个意义上讲，基准类别参数的确定过程，也是对判决函数的不断调整和“训练”过程。
此次实现过程是在基于 IDL 语言下的 ENVI4.0 环境下实现的。主要参数如下：拟分类个数（Number of Classes）：6；最大迭代次数（Maximum Iterations）：8；像元变化阈值（Change Thresh-old）：5%；一类中的最小像元数（Minimum Pixel in Class）：5；类的最大标准差（Maximum Class Stdv）：1；最小距离（Minimum Class Distance）：5；合并成对类别的最大值（Maximum Merge Pairs）：2；我们想要计算所有像元的DN值，故距离类别均值得标准差（Maximum Stdev From Mean）和所允许的最大距离误差（Maximum Distance Error）均为缺省DN值。
图3-24是显示康恩纳德斑岩铜矿床周围的影像为处理数据源的ISODATA非监督分类图。
图3-24 康恩纳德矿点ETM+影像ISODATA非监督分类图
（a）原始影像R（5）G（4）B（3）合成图；（b）ISODATA分类图
（彩图见书后图版）
（2）监督分类效果
监督分类（Supervised Classification）用于在数据集中根据用户定义的训练样本类别（Training Classes）聚集像元。
训练样本类别是像元的集合或单一波普。在分类过程中可以选择他们作为代表区域或分类素材。选择纯净的感兴趣区，如明显的水体、植被区、花岗岩侵入体、第四系堆积物等，再通过n维可视化器和平均光谱值来检验他们的可分性见图3-25，在每一类感兴趣区中，点的分布都应该明显聚集到一起，各类别之间不应该有重叠。根据区内主要出露时代地层的影像特征进行训练样区的选择，从而进行特征提取，为监督分类的实施提供分类模板。
图3-25 康恩纳德矿点ETM+遥感影像第5、4、3波段可分性示意图
（a）5、4波段二维可视化分布图；（b）对应三个波段的波谱平均值
（3）最大似然分类法（MLC）效果
最大似然分类等方法是遥感分类的主要手段之一。其分类器被认为是一种稳定性较高的分类器.最大似然分类也称贝叶斯分类法，即是利用了遥感数据的统计特征，假定各类的分布函数为正态分布，在多变量空间中形成椭圆或椭球分布，从而按正态分布规律用最大似然判别规则进行判决，得到较高准确率的分类结果。
故本次研究中采用最大似然分类法（MLC），在ERDAS IMAGINE 环境下，调用Supervised Classi-fication模块，进行最大似然法分类。对康恩纳德矿点的ETM+遥感影像分类结果如图3-26所示。康恩纳德矿点的ETM+遥感影像分类后类别比重结果见表3-17所示。
图3-26 康恩纳德矿点ETM+遥感影像分类图
（彩图见书后图版）
表3-17 康恩纳德矿点ETM+遥感影像分类后类别比重表
ISODATA 是一种遥感图像非监督分类法。全称‘迭代自组织数据分析技术’（Iterative Self-Organizing Data Analysis Technique ）。 ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心或已知信号集中心The ISODATA 的实质是用某种算法生成初始类别作为“种子”依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。
