第一步：选择数据
在 Toolbox 里打开 Feature Extraction/Example Based Feature Extraction Workflow，
选择数据data2015。
第二步：影像分割
通过分割获取影像中的对象，在面板中设置相关参数即可执行分割，得到分割结
果。可以勾选面板中的 preview 选项，这样可以在原影像上观察到采用设置参数
的分割效果，根据预览的结果调节参数，找到最好的参数。
下图为选择后的参数以及所对应的预览效果。
然后点击next，进行图像分类。下图为处理前后的对比图。
分割结束后会进入到监督分类面板，然后手动选取样本对地物进行监督分类。下图为基本分类好所需样本图。
分类号之后，可以先将这个规则保存，然后在下张图data2016处理时，可以直接导入规则，简化操作。
保存并输出结果。下图为分类结果样图。这里除了房屋house(红)、草地farmland(绿)、水体water body(蓝)、道路road(黄)、裸地bared soil(棕)外，还增加了阴影shadow(紫)。
第三步：图像的后处理。
1.首先进行Majority/Minority Analysis分析
Toolbox/Classification/Post Classification/Majority/Minority Analysis。选择生成的分类图，勾选包括未分类的8项，保存输出。
注意：如果这里选择memory缓存的话，容易出现图生成不出来的情况。
2.聚类处理（Clump） /Classification/Post Classification/Clump Classes
和上面流程类似，不过选择经过 Majority/Minority 分析处理后的结果作为输入数据，同样需要设置参数
3.过滤处理（Sieve ） Toolbox/Classification/Post Classification/Sieve Classes
与上面流程类似，打开经过聚类处理后的结果，设置过滤处理的参数，得到最终结果。
最终结果图如下。
第四步：分类精度评定
评价分类精度需要有真值，即把分类的结果和真值比较，通过混淆矩阵评价分类结果。ENVI 提供了 2 种方式计算混淆矩阵：（1）利用真值影像（例子中提供的 exp_gt）；（2）利用 ROI 工具从影像上选取一些样本作为真值。
本次实习中选择利用ROI 的方法精度评定。
首先在原图data2015上绘制ROI感兴趣区，这里使用envi classic经典版绘制。并保存输出感兴趣区。
然后使用 /Classification/Post Classification/Confusion Matrix Using Ground Truth ROIs 工具。将刚才的ROI区域导入。
选择sieve处理后的图像，确认OK。一 一对应建立关联。
生成混淆矩阵，如下图。
以下是对2016年同一区域分类后的对比图