在利用遥感图像处理各类问题时，根据设计师使用目的的不同会采用不同分析处理的方式，例如，只想用增强后的图像数据作为设计的底图是最基础的使用，但是通过遥感影像判读识别地物，进行地物信息的识别，提取，分类，进行动态变化监测，以及专题地图制作，遥感图库的建立，设计初期各种格局指数的计算，以及安全格局的建立，都要以图像分类为基础。
目前图像分类包括：
监督分类（Supervised Classification）:
监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：平行六面体（Parallelpiped）,最小距离（Minimum Distance）、马氏距离（Mahalanobis Distance）,最大似然分析(Likelihood Classification)、神经网络（Neural Net Classification）、支持向量机（Support Vector Machie Classification）.
非监督分类（Unsupervised Classification）:
也称“聚类分析”或“点群分类”。在多光谱图像中搜寻，定义其自然相似光谱集群的过程。不必对图像地物获取先验知识，仅依靠图像上不同类地物光谱（或纹理）信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
面向对象特征提取（Feature Extraction）：
面向对象分类技术集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理和光谱信息对图像分割和分类，以高精度的分类结果或者矢量输出。
监督分类（Supervised Classification）:
工作流程：根据分析目的确定分类类别→根据分类类别处理原始图像数据→定义与评价训练样本→执行监督分类→评价分类结果→分类后处理
根据分析目的确定分类类别：
本次实验中对区域的植被、水体和城市之间的关系感兴趣，未来可以选取不同时间遥感影像，分析植被，水体，城市在这个时间过程中发生的变化，并计算各种相关指数，监测，指导未来该区域的发展模式。
所以初定基本分类为：植被+水体+城区（含裸地）+其他
根据分类类别处理原始图像数据：
根据分类类别，使用NDVI归一化植被指数提取出植被信息，并结合PCA分析，和波段组合获得易于图像分类识别的影像，操作过程为上文叙述。这里直接使用处理后的数据影像。
定义与评价训练样本：
ENVI/Display/Overlay/Region of Interest
ENVI/ROI Tool/Options/Compute ROI separability
NVI使用计算ROI可分离性（Compute ROI Separability）工具计算任意类别间的统计距离，这个距离用于确定两个类别间的差异程度。类别间的统计距离基于Jeffries-Matusita距离和转换分离度（Transformed Divergence）衡量训练样本（ROI）d的可分离性。两个参数的值在0～2.0之间，大于1.9说明样本之间可分离性好，属于合格样本，小于1.8，需要重新选择样本，小于1，考虑将两类样本合成一类样本。
该实验，各样本间均符合要求。
