亲之前你在envi中结合纹理特征分类是实现了吗？怎么实现的啊？

在envi中利用纹理特征进行图像分类,可以采用以下流程实现:

1. 加载图像并进行分割。使用envi中的segmentation工具进行图像分割,获得不同对象的mask。

2. 计算每个分割区域的纹理特征。envi提供多种纹理算法,可以计算均值、方差、相关性等特征。常用的有:

- Haralick纹理:计算角二阶矩、对比度、相关性、熵等13种特征。

- Gabor纹理:使用Gabor滤波器计算图像在不同尺度和方向的特征。

- 波lets纹理:使用小波变换计算图像在不同频率子带的能量特征。

可以选择1-2种算法计算每个区域的多维纹理特征向量。

3. 构建训练集和测试集。选择部分样品区域及其类别构建训练集,其余样品构建测试集,用于验证分类准确率。

4. 选择分类器并训练。可以选择支持向量机(SVM)、随机森林(RF)、K近邻(KNN)等分类器,使用训练集训练得到分类模型。

5. 利用模型对测试集进行分类。将测试集各区域的纹理特征输入分类模型,得到每个区域的类别输出。

6. 计算分类准确率。将分类输出与测试集真实类别作比对,计算分类准确率,评价模型分类性能。

7. 优化模型。可以尝试不同的纹理特征组合、调整超参数等优化模型,提高分类准确率。

所以,envi中利用纹理特征进行图像分类可以通过图像分割、计算区域纹理特征、构建训练集和测试集、训练分类模型、对测试集分类并评估准确率等步骤实现。选择恰当的纹理特征和分类器,并对模型进行优化调整,可以达到很高的分类准确率。