数据预处理差不多好了，就进行遥感解译分类了，我的主要步骤是：分类--分类后处理--精度验证。
主要实现步骤是通过对添加纹理信息的合成波段选择感兴趣区，然后利用支持向量机或随机森林进行分类，再对分类结果进行分类后处理，主要是Majority/Minority分析，然后再进行精度验证。
其中感兴趣区的选择很重要，要求选择的样本均匀且准确，各个样本大小不能相差太大，这里可以通过多个波段的不同组合去选样本，选样本很考验人，我已经搞了半个月，想吐了，还没完。目前一直卡在这里，选了删，删了选，再删，再选。。。期间因为我的ENVI更换版本原因，还出现了“Singular value encountered in calculation for ROI: 林地”。总结有以下几个原因：首先，可能是选择的样本太大或太小导致的；其次，可能是选择的各个样本之间数量差距太过悬殊，我这里说的数量差距太过悬殊是说可能林地为2个样本，而耕地有200个样本，这差的有点离谱了；然后，还有可能的原因就是添加的纹理信息波段过多，这里说的过多是说可能叠加后的波段超过45个了，这就太多了，为什么太多了导致他的ROI有问题呢？这个可能还需要进一步探讨；最后，还有出现这个问题的可能的原因有待进一步补充，哈哈哈。
选好样本后，选择分类方法，建议多尝试几种分类方法，选择一种分类效果最好的。
分类后处理有很多方法，除了Majority/Minority分析，还有聚类处理、过滤处理等。
精度验证：对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是 ROC 曲线，比较常用的为混淆矩阵，ROC 曲线可以用图形的方式表达分类精度，比较抽象。真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。根据学习教程要求，由于没有标准的分类图，所以通过验证样本区实现。真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性
