需要 Spatial Analyst 许可。
最大似然法分类工具所用的算法基于两条原则：
- 在多维空间中每个类样本中的像元呈正态分布
- 贝叶斯决策理论
将各个像元指定给特征文件中所表示的一个类时，此工具会同时考虑类特征的平均值和协方差。 假设类样本呈正态分布，则可使用均值向量和协方差矩阵作为类的特征。 如果给定了每个像元值的这两个特征，则可计算每个类的统计概率，以确定像元作为该类的成员资格。 针对先验概率权重指定默认的等于选项时，每个像元将被分配给它最有可能具有成员资格的类。
如果某些类出现的可能性大于（或小于）平均值，则应将文件先验选项与输入先验概率文件结合使用。 具有特定概率的类的权重在先验文件中指定。 这种情况下，先验文件将有助于对处于两个类的统计重叠内的像元进行分配。 这些像元将会更精确地分配给相应的类，从而获得更理想的分类。 这种加权分类方法称为贝叶斯分类器。
通过选择先验选项样本，在输入特征文件中进行采样的所有类所分配到的先验概率与按各个特征捕获的像元数量成正比。 因此，像元数少于样本平均值的类所获得的权重将小于平均值，而像元数大于样本平均值的类所获得的权重将大于平均值。 因此，各个类别分配给它们的像元或多或少。
执行最大似然法分类时，还可同时生成一个可选的输出置信栅格。 此栅格显示分类置信度。 置信度的数量为 14，这与有效剔除分数值的个数直接相关。 置信栅格中编码为 1 的第一个置信度包含到输入特征文件中所存储的任何均值向量距离最短的像元，因此，这些像元的分类具有最高确定性。 只有在剔除分数为 0.99 或更小时，才会对第二个置信度所包含的像元（在置信栅格中像元值为 2 ）进行分类。 在置信栅格中，最低置信度的值为 14，显示最有可能不会进行分类的像元。 如果剔除分数为 0.005 或更大，将不对此置信度的像元进行分类。 如果未在特定置信度对像元进行分类，则输出置信栅格中将不显示此置信度。
示例
以下示例显示了如何使用最大似然法分类工具将多波段栅格监督分类为五个土地利用类。
分类的输入多波段栅格是俄亥俄州辛辛那提市北部地区的原始四波段 Landsat TM 卫星影像。
通过影像在要素类中定义了五个土地利用类以生成训练样本：Commercial/Industrial、Residential、Cropland、Forest 和 Pasture。 可以使用创建特征文件工具来计算类的统计数据以生成特征文件。
可使用最大似然法分类工具，通过输入多波段栅格和特征文件将栅格像元分类到五个类中。
- 最大似然法分类工具对话框中使用的设置：
输入栅格波段 - northerncincy.tif
输入特征文件 - signature.gsg
输出多波段栅格 - landuse
剔除分数 - 0.0
先验概率权重 - EQUAL
输入先验概率文件 - <blank>
输出置信栅格 - confidence_ras
分类栅格显示如下：
还创建了一个输出置信栅格。 以下是针对置信栅格生成的属性表。 它显示了按置信度等级分类的像元数。 值 1 表示正确分类的几率至少为 0.995。 有 69 个像元是按该置信度进行分类的。 值 5 表示正确分类的几率至少为 0.9，但低于 0.995。 有 744,128 个像元正确分类的几率低于 0.005，其对应的值为 14。
RECORD VALUE COUNT 0 1 69 1 2 462 2 3 1834 3 4 1123 4 5 2044 5 6 9140 6 7 28443 7 8 46781 8 9 63234 9 10 46393 10 11 42157 11 12 54506 12 13 37937 13 14 744128