第四章 遙感數(shù)字圖像的計算機分類

1、1第四章第四章 遙感數(shù)字圖像計算機解譯遙感數(shù)字圖像計算機解譯一、遙感數(shù)字圖像計算機分類的一般原理一、遙感數(shù)字圖像計算機分類的一般原理二、遙感分類的常用判別函數(shù)二、遙感分類的常用判別函數(shù)三、遙感數(shù)字圖像的分類方法三、遙感數(shù)字圖像的分類方法四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分類后處理五、光譜特征分類中的輔助處理技術(shù)五、光譜特征分類中的輔助處理技術(shù)六、遙感圖像計算機分類新方法六、遙感圖像計算機分類新方法2一、遙感數(shù)字圖像計算機分類的一般原理一、遙感數(shù)字圖像計算機分類的一般原理遙感圖像解譯遙感圖像解譯 遙感圖像數(shù)據(jù)專題圖像專題地圖專業(yè)應(yīng)用解譯方法方法計算機分類目視解譯光譜規(guī)律地學(xué)規(guī)律解譯者

2、的經(jīng)驗解譯標(biāo)志（亮度、色調(diào)、位置、時間、紋理、結(jié)構(gòu)等）景物類型屬性識別、分類提取信息、識別地物3一、遙感數(shù)字圖像計算機分類的一般原理一、遙感數(shù)字圖像計算機分類的一般原理計算機分類計算機分類 是通過模式識別理論，利用計算機將遙感圖象遙感圖象自動分成若干地物類別地物類別的方法。 如土地覆蓋/土地利用分類、森林類型分類、植被 類型分類、巖性分類、 數(shù)據(jù)數(shù)據(jù)信息信息 （遙感數(shù)據(jù)（遙感數(shù)據(jù)-地物信息）地物信息）主要數(shù)據(jù)類型：1、原始光譜數(shù)據(jù)；2、光譜變換后數(shù)據(jù)；3、非遙感數(shù)據(jù)4遙感圖像分類的實質(zhì)遙感圖像分類的實質(zhì) 圖象分類過程的總目標(biāo)總目標(biāo)是，將圖象中所有的像元自動地進(jìn)行土地覆蓋類型或土地覆蓋專題的分類

3、。5影響遙感圖像分類精度的因素影響遙感圖像分類精度的因素u大氣狀況的影響：大氣狀況的影響：吸收、散射。u下墊面的影響：下墊面的影響：下墊面的覆蓋類型和起伏狀態(tài)對分類具有一定的影響。u其他因素的影響：其他因素的影響：云朵覆蓋；不同時相的光照條件不同，同一地物的電磁輻射能量不同；地物邊界的多樣性。 6統(tǒng)計模式識別的概念和基本問題統(tǒng)計模式識別的概念和基本問題u模式模式（pattern）: 在多波段多波段圖象中，每個象元都具有一組對應(yīng)取值，稱為象元模式，即一個像元對應(yīng)多個值。象元模式，即一個像元對應(yīng)多個值。u特征特征（feature）：在多波段波段圖象中，每個波段都可看作一個變量，稱為特征變量特征變量

4、。特征變量構(gòu)成特征空間特征空間。波段波段：光譜波段 其它派生波段（紋理、上下文關(guān)系、波段比等） 輔助數(shù)據(jù)(ancillary data) (非遙感數(shù)據(jù)，如DEM、 土壤類型)u特征提取特征提取（feature extraction）：通過變換找出最能反映地物類別差異的特征變量用于分類的過程7統(tǒng)計模式識別的概念和基本問題統(tǒng)計模式識別的概念和基本問題u模式識別模式識別 是人們沿著仿生學(xué)的道路，用計算機系統(tǒng)作為工具來模擬人類的感知和識別智能，它是人工智能人工智能的一個分支。u遙感圖像的計算機分類遙感圖像的計算機分類 它是對地球表面及其環(huán)境在遙感圖像上的信息進(jìn)行屬性的識別和分類，從而達(dá)到識別圖像信息所

5、相應(yīng)的實際地物，提取所需地物信息。8統(tǒng)計模式識別的概念和基本問題統(tǒng)計模式識別的概念和基本問題u遙感圖像目視判讀與計算機分類的比較遙感圖像目視判讀與計算機分類的比較 相同點：目的一致； 不同點：目視判讀直接利用人類的自然識別智能； 計算機分類利用計算機模擬人類的識別能力。u遙感圖像的模式特征及其分類方法遙感圖像的模式特征及其分類方法 光譜特征 紋理特征 基于光譜特征的統(tǒng)計識別方法 基于紋理特征的統(tǒng)計識別方法 （主要） （次要、補充） 9統(tǒng)計模式識別的概念和基本問題統(tǒng)計模式識別的概念和基本問題u統(tǒng)計模式識別的基本含義統(tǒng)計模式識別的基本含義 （1）把識別對象的特征的每一個觀測量視為從屬于一定分布規(guī)律

6、的隨機變量隨機變量； （2）在多維觀測的情況下，把識別對象特征的各維觀測值的總體視為一個隨機矢量隨機矢量，每一個隨機矢量隨機矢量在一個多維特征空間中都有一個特征點特征點與之相對應(yīng)； （3）所有特征點的全體在特征空間中將形成一系列的分布群體，每個分布群體中的特征點被認(rèn)為具有相似特征每個分布群體中的特征點被認(rèn)為具有相似特征，并可以劃為同一類別； （4） 找到各個分布群體的邊界線邊界線（面）或確定任意特征點落入每個分布群體中的條件概率，并以此依據(jù)來確定特征點（或相應(yīng)的識別對象）的分類。 10光譜特征向量與特征點集群光譜特征向量與特征點集群 u基于統(tǒng)計模式識別的分類方法基于統(tǒng)計模式識別的分類方法 監(jiān)督

7、分類與非監(jiān)督分類分類處理與增強處理的異同共同點：共同點：增強和提取遙感圖像中目標(biāo)物的信息不同點：不同點：增強處理增強視覺效果提高圖像的可解譯性（定性定性）圖像分類地物類別的區(qū)分（定量信息定量信息）11光譜特征向量與特征點集群光譜特征向量與特征點集群 TnxxxX,21n圖像波段總數(shù)ix地物圖像點在第i波段圖像中的亮度值u光譜特征向量光譜特征向量 光譜特征變量光譜特征變量：由于受外界各種因素的影響，使得同類地物的成像亮度值總是帶有隨機誤差，導(dǎo)致圖像亮度值（即光譜特征）的觀測值為一個隨機變量（x）。 光譜特征向量光譜特征向量：同名地物點在不同波段圖像中亮度的觀測量構(gòu)成一個多維的隨機向量（X），稱為

8、光譜特征向量。即12光譜特征向量與特征點集群光譜特征向量與特征點集群 u光譜特征空間光譜特征空間 為度量地物的光譜特征，建立的以各波段圖像的亮度分布為子空間的多維空間。13光譜特征向量與特征點集群光譜特征向量與特征點集群 u特征點集群特征點集群 每個地物點依其在各個波段所具有的光譜值可以在一個多維空間中找到一個相應(yīng)的特征點，但由于隨機性所致，同類地物的各取樣點在光譜特征空間中的特征點將不可能表現(xiàn)為一個點，而是表現(xiàn)為一個相對聚集的點集群點集群，不同類地物點集群在特征空間中一般相互分離，這些點集群稱為特征點集群特征點集群。特征點集群在空間中的分布情況特征點集群在空間中的分布情況 最理想情況最理想情

9、況 不同類別集群至少在一個特征子空間（某一波段圖像）中的投影（即亮度范圍）是完全可以相互區(qū)分開的可以用簡單的圖像密度分割實現(xiàn)。14光譜特征向量與特征點集群光譜特征向量與特征點集群 典型情況典型情況 不同類別地物的集群，在任一個子空間都有重疊現(xiàn)象存在，但在總的特征空間中卻是可以完全分開的。即單波段的圖像不能實現(xiàn)圖像的分類，只有利用多波段圖像在多維空間中才能實現(xiàn)精確分類。 15光譜特征向量與特征點集群光譜特征向量與特征點集群 一般情況一般情況 不論是在總的特征空間還是任一子空間，不同類別的集群之間總有重疊現(xiàn)象，這時重疊部分的特征點所相應(yīng)的地物，在分類時會出現(xiàn)不同程度的分類誤差，這是遙感圖像分類中最

10、常見的現(xiàn)象。 16地物與光譜特征空間的關(guān)系地物與光譜特征空間的關(guān)系17計算機分類的基本原理計算機分類的基本原理 基本原理基本原理 不同的地物具有不同的光譜特征，同類地物具有相同或相似的光譜特征將圖像中的每個像元或區(qū)域劃歸為若干類別是的一種，即通過光譜特征分析選擇特征參數(shù)將特征空間劃分為不重疊的子空間將影像像元劃分到各個子空間實現(xiàn)分類 圖象分類：基于數(shù)字圖象中反映的同類地物的光譜相似性和異類地物的光譜差異性。 依據(jù)依據(jù)是遙感圖像像素的相似度。距離相關(guān)系數(shù)18計算機分類的基本原理計算機分類的基本原理 基本思想基本思想 同類地物的光譜特征比同類地物的光譜特征比較接近，在特征空間中的點較接近，在特征空

11、間中的點聚集在該類的中心附近；多聚集在該類的中心附近；多類目標(biāo)聚集多個點族。類目標(biāo)聚集多個點族。 分類算法的核心分類算法的核心 判別函數(shù)判別函數(shù) 判別準(zhǔn)則判別準(zhǔn)則 方法方法 判別函數(shù)判別函數(shù)：找到一個函數(shù)使找到一個函數(shù)使fAB(X)=0判別準(zhǔn)則判別準(zhǔn)則：fAB(X)0，X為為A類；類； fAB(X) 0，X為為B類類類別界面19計算機分類處理的一般過程計算機分類處理的一般過程圖像變換及特征選擇分類器的設(shè)計初始變量參數(shù)的確定每個像素的分類判決分類編碼圖像、結(jié)果檢驗分類結(jié)果輸出原始圖像數(shù)據(jù)的預(yù)處理準(zhǔn)備階段分類判決輸出幾何校正、輻射校正量化、采樣、增強等特征選擇（Feature Selection）

12、特征提?。‵eature Extraction）精度評價可靠性評價20二、遙感分類的常用判別函數(shù)二、遙感分類的常用判別函數(shù)距離判別函數(shù)距離判別函數(shù) u歐氏距離歐氏距離:NxxdNkjkikij12)(N, 波段數(shù)；dij第個i像元與第j個像元在N維空間中的距離；xik為第個k波段上第i個像元的灰度值。u絕對距離絕對距離:N1kjkikij|xx|dq/1N1kqjkikij|xx|du明可夫斯基距離（明可夫斯基距離（Minkowski）: 歐氏距離和絕對距離可統(tǒng)一表示為:u明可夫斯基距離存在的主要問題明可夫斯基距離存在的主要問題明氏距離與特征參數(shù)的量綱有關(guān)（解決辦法：標(biāo)準(zhǔn)化處理）明氏距離與特征

13、參數(shù)的量綱有關(guān)（解決辦法：標(biāo)準(zhǔn)化處理）明氏距離沒有考慮特征參數(shù)間的相關(guān)性明氏距離沒有考慮特征參數(shù)間的相關(guān)性21u馬氏距離（馬氏距離（MahalanobisMahalanobis）22二、遙感分類的常用判別函數(shù)二、遙感分類的常用判別函數(shù)最大似然法判別函數(shù)最大似然法判別函數(shù) （Bayes準(zhǔn)則） u基本思想基本思想 假定各類的分布函數(shù)為正態(tài)，按正態(tài)分布規(guī)律用最大似然判別規(guī)則進(jìn)行判決，得取分類結(jié)果。uBayes準(zhǔn)則及判別函數(shù)X屬于wi的概率，又稱后驗概率23三、遙感數(shù)字圖像的分類方法三、遙感數(shù)字圖像的分類方法分類執(zhí)行方式：監(jiān)督分類、非監(jiān)督分類分類模型或分類器：統(tǒng)計分類、模糊分類、鄰域分類、神經(jīng)網(wǎng)絡(luò)分類

14、等。24監(jiān)督分類（監(jiān)督分類（supervised classification） 通過選擇代表各類別的已知樣本（訓(xùn)練區(qū)）的象元光譜特征，事先取得個類別的參數(shù)，確定判別函數(shù)，從而進(jìn)行分類。 在監(jiān)督分類中，先定義信息類，然后檢驗它們的光譜可分性。25監(jiān)督分類（監(jiān)督分類（supervised classification）u訓(xùn)練區(qū)的作用訓(xùn)練區(qū)的作用已知覆蓋類型的代表樣區(qū)用于描述主要特征類型的光譜屬性其精度直接影響分類結(jié)果u訓(xùn)練區(qū)的選擇訓(xùn)練區(qū)的選擇訓(xùn)練區(qū)必須具有典型性和代表性圖件時間和空間上的一致性26訓(xùn)練區(qū)的選擇訓(xùn)練區(qū)的選擇27水體高層建筑水泥地面裸地林地選擇訓(xùn)練樣區(qū)選擇訓(xùn)練樣區(qū)-直接在圖像上選取直

15、接在圖像上選取28TM Band 38284969901435567788TM Band 4水泥地面水體選擇訓(xùn)練樣區(qū)選擇訓(xùn)練樣區(qū)在特征空間上選取在特征空間上選取29訓(xùn)練樣本中的各個像素在特征空間中的分布情況訓(xùn)練樣本中的各個像素在特征空間中的分布情況Band 1 DNsBand 1 DNsCluster 1Cluster 2Cluster 3Band 1 DNsBand 1 DNs30u判別分析分類方法判別分析分類方法線性判別分析分類線性判別分析分類逐步判別分析分類逐步判別分析分類平行多面體分類（平行多面體分類（很少用很少用）最小距離分類（最小距離分類（距離判別函數(shù)距離判別函數(shù)）最大似然比分類（

16、最大似然比分類（最常用最常用）31最小距離分類法最小距離分類法 最小距離分類法是以特征空間中的距離作為像元分類最小距離分類法是以特征空間中的距離作為像元分類的依據(jù)。原理簡單，計算速度快，分類精度不高。的依據(jù)。原理簡單，計算速度快，分類精度不高。02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest1232平行多面體分類平行多面體分類

17、02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest12 要求分割面總是與各特征軸正交，如果各類別在特征要求分割面總是與各特征軸正交，如果各類別在特征空間中呈傾斜分布，就會產(chǎn)生分類誤差?？上炔捎酶鬏S的空間中呈傾斜分布，就會產(chǎn)生分類誤差?？上炔捎酶鬏S的正交變換后，再進(jìn)行多級分割。正交變換后，再進(jìn)行多級分割。33最大似然比分類法最大似

18、然比分類法 它是通過求出每個像素對于各個類別的歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest1202550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest34使用最大似然比分類法的注意事項使用最大似然比分類法的注意事項u各類別的訓(xùn)練數(shù)據(jù)至少要為特征維數(shù)的2-3倍以上，這樣才能統(tǒng)計出具有較高精度的均值、方差與協(xié)方差；u如果2個以上的

19、波段相關(guān)性很強，那么方差協(xié)方差矩陣的逆矩陣就不存在，或非常不穩(wěn)定。在訓(xùn)練數(shù)據(jù)幾乎都取相同值的均質(zhì)性數(shù)據(jù)組的情況下也是如此。此時，最好采用主成分分析法，把維數(shù)減到僅剩相互獨立的波段。u當(dāng)總體分布不符合正態(tài)分布時，不適于采用以正態(tài)分布的假設(shè)為基礎(chǔ)的最大似然比分類法。其分類精度也將下降。35分類結(jié)果分類結(jié)果36u非監(jiān)督分類法不必使用訓(xùn)練樣區(qū)數(shù)據(jù)作為分類的基礎(chǔ)。通非監(jiān)督分類法不必使用訓(xùn)練樣區(qū)數(shù)據(jù)作為分類的基礎(chǔ)。通過檢驗大量的未知像元并根據(jù)多光譜空間中的自然集群將過檢驗大量的未知像元并根據(jù)多光譜空間中的自然集群將它們分為若干類。它們分為若干類。u基本前提基本前提：同種地物類型的值在測量空間上應(yīng)該相互接近

20、，：同種地物類型的值在測量空間上應(yīng)該相互接近，而不同的地物類型應(yīng)該具有比較明顯的可分性。而不同的地物類型應(yīng)該具有比較明顯的可分性。u區(qū)別區(qū)別：監(jiān)督分類法確定有用信息類別，然后再檢驗它們的：監(jiān)督分類法確定有用信息類別，然后再檢驗它們的光譜可分性；而非監(jiān)督分類法先確定光譜的可分性，然后光譜可分性；而非監(jiān)督分類法先確定光譜的可分性，然后再確定它們的有用信息。再確定它們的有用信息。非監(jiān)督分類非監(jiān)督分類(unsupervised classification)(unsupervised classification)37u分類算法的思路分類算法的思路 先選擇若干個模式點作為聚類的中心，每一個中先選擇若干

21、個模式點作為聚類的中心，每一個中心代表一個類別，按照某種相似性度量方法將各模式心代表一個類別，按照某種相似性度量方法將各模式歸于各聚類中心所代表的類別，形成初始分類。然后歸于各聚類中心所代表的類別，形成初始分類。然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運算，直到合理為止。改分類，如此反復(fù)迭代運算，直到合理為止。38 根據(jù)事先指定的某一準(zhǔn)則，而進(jìn)行計算機自動判別歸類，無須人為干預(yù)，分類后需確定地面類別。 在非監(jiān)督分類中，先確定光譜可分的類先確定光譜可分的類別，然后定義它們的別，然后定義它們的信息類。信息類。39非監(jiān)督分類

22、非監(jiān)督分類(unsupervised classification)(unsupervised classification)u非監(jiān)督分類的核心：初始類別參數(shù)的選定（基準(zhǔn)類別集群中心（數(shù)學(xué)期望），集群分布的協(xié)方差矩）；迭代調(diào)整。u非監(jiān)督分類的主要過程40非監(jiān)督分類基本過程非監(jiān)督分類基本過程確定初始類別參數(shù)計算像元至集群中心距離確定像元類別計算新的類別均值向量均值中心變化？計算結(jié)束否是41非監(jiān)督分類非監(jiān)督分類(unsupervised classification)(unsupervised classification)u初始類別參數(shù)的選定方法像素光譜特征的比較法圖像抽樣任一像元f1作為第一類

23、別給定閾值T第i像元fi與第一類比較|f1-fi|TYNfi屬于f1類Fi產(chǎn)生新的f2類42非監(jiān)督分類非監(jiān)督分類(unsupervised classification)(unsupervised classification)u初始類別參數(shù)的選定方法總體直方圖均勻定心法在總體直方圖的基礎(chǔ)上選在總體直方圖的基礎(chǔ)上選定類別中心定類別中心4344u初始類別參數(shù)的選定方法最大最小距離選心法（效果最好效果最好）選心原則選心原則：各初始類別之間盡可能保持遠(yuǎn)距離：各初始類別之間盡可能保持遠(yuǎn)距離45先抽樣，設(shè)有先抽樣，設(shè)有n個樣本，計算步驟：個樣本，計算步驟：46非監(jiān)督分類非監(jiān)督分類(unsupervise

24、d classification)(unsupervised classification)u非監(jiān)督分類的主要算法ISODATA法（迭代自組織數(shù)據(jù)分析技術(shù)） 基本思想基本思想：在初始類別參數(shù)選定的基礎(chǔ)上，通過逐：在初始類別參數(shù)選定的基礎(chǔ)上，通過逐步趨近求出實際的基準(zhǔn)類別參數(shù)。步趨近求出實際的基準(zhǔn)類別參數(shù)。47算法流程算法流程：48495051 總結(jié)總結(jié)：以初始類別為：以初始類別為“種子種子”進(jìn)行自動迭代聚進(jìn)行自動迭代聚類過程，它可以自動地進(jìn)行類別的類過程，它可以自動地進(jìn)行類別的“合并合并”與與“分分裂裂”，其各個參數(shù)也在不斷地聚類調(diào)整中逐漸確定，其各個參數(shù)也在不斷地聚類調(diào)整中逐漸確定，并最終構(gòu)

25、成所需要的判別函數(shù)。并最終構(gòu)成所需要的判別函數(shù)。 因此，基準(zhǔn)類別參數(shù)的確定過程，也正是利用因此，基準(zhǔn)類別參數(shù)的確定過程，也正是利用光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)的不斷調(diào)整和光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)的不斷調(diào)整和“訓(xùn)練訓(xùn)練”的過程。的過程。52K-mean算法算法 基本思想：基本思想：通過迭代，通過迭代，移動各個基準(zhǔn)類別的中心移動各個基準(zhǔn)類別的中心，得到最好的聚類結(jié)果。得到最好的聚類結(jié)果。 聚類準(zhǔn)則（收斂條件）聚類準(zhǔn)則（收斂條件）：使每一聚類中，多模式點：使每一聚類中，多模式點到該類別的中心的距離的平方和最小。到該類別的中心的距離的平方和最小。5354K-mean算法的計算步驟：55K-

26、mean算法與算法與ISODATA算法的區(qū)別算法的區(qū)別： （1）ISODATA算法它不是每調(diào)整一個樣本的類別就重新計算一次各樣本的均值，而是在把所有的樣本都調(diào)整完之后才重新計算。 K-mean算法是逐個樣本修正法， ISODATA算法是成批樣本修正法； （2） ISODATA算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動地進(jìn)行類別“合并”與“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。564-3-2假彩色合成圖像假彩色合成圖像非監(jiān)督分類非監(jiān)督分類(聚類聚類)結(jié)果結(jié)果: 15個光譜類個光譜類非監(jiān)督分類非監(jiān)督分類57 非監(jiān)督分類非監(jiān)督分類1. 4-3-2假彩色合成圖象假彩色合成圖象(

27、香港九龍香港九龍); 2. 聚類結(jié)果聚類結(jié)果(10類類)583. 聚類結(jié)果合并(5類); 4. 最終結(jié)果 (類別顏色改變)59非監(jiān)督分類與監(jiān)督分類的結(jié)合非監(jiān)督分類與監(jiān)督分類的結(jié)合第一步第一步: :選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分類選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分類第二步第二步: :獲得多個類別的先驗知識獲得多個類別的先驗知識第三步第三步: :特征選擇特征選擇第四步第四步: :使用監(jiān)督法對整個影像進(jìn)行分類使用監(jiān)督法對整個影像進(jìn)行分類第五步第五步: :輸出標(biāo)記圖像輸出標(biāo)記圖像60四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分類后處理類別噪聲類別噪聲 遙感圖像計算機分類處理是針對單個像素，其結(jié)

28、果是在分類圖像中會出現(xiàn)一大片同類地物中夾雜著散點分布的異類地物的不一致現(xiàn)象，這些雜物稱為“類別噪聲”。作用作用 提高實際分類精度； 符合專題圖制圖要求。61四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分類后處理檢驗區(qū)的選擇檢驗區(qū)的選擇作用作用：用于評價分類精度的代表樣區(qū)選擇方法選擇方法：類似于訓(xùn)練區(qū)的選擇；遙感實地調(diào)查時，確定部分區(qū)域為訓(xùn)練區(qū)，另一部分區(qū)域為檢驗區(qū)。62四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分類后處理后處理方法后處理方法（Post-Classification Process）（實驗中講實驗中講）1、碎斑處理、碎斑處理去掉分類圖中過于孤立的那些類的像素，或者把它們歸并

29、到去掉分類圖中過于孤立的那些類的像素，或者把它們歸并到包圍相鄰的較連續(xù)分布的那些類。包圍相鄰的較連續(xù)分布的那些類。主要方法主要方法：聚類統(tǒng)計（聚類統(tǒng)計（Clump）過濾分析（過濾分析（Sieve）去除分析（去除分析（Eliminate）63四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分類后處理后處理方法后處理方法（Post-Classification Process）（實驗實驗中講中講）2、類別合并、類別合并基本思想：基本思想：將要合并的兩個或兩個以上類的編碼和顏色將要合并的兩個或兩個以上類的編碼和顏色改為相同的編碼和顏色。改為相同的編碼和顏色。處理對象：處理對象：主要是非監(jiān)督分類結(jié)果主要

30、是非監(jiān)督分類結(jié)果主要方法：主要方法：分類重編碼（分類重編碼（Recode）3、分類結(jié)果統(tǒng)計、分類結(jié)果統(tǒng)計主要內(nèi)容包括：主要內(nèi)容包括：各波段的平均值，標(biāo)準(zhǔn)差，最大最小值，各波段的平均值，標(biāo)準(zhǔn)差，最大最小值，協(xié)方差矩，相關(guān)系數(shù)矩陣，特征值，各類的像素及比例，協(xié)方差矩，相關(guān)系數(shù)矩陣，特征值，各類的像素及比例，精度檢驗等。精度檢驗等。64四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分類后處理精度評價精度評價Evaluate1、分類評價的方法、分類評價的方法 遙感圖像分類精度分析通常把分類圖與標(biāo)準(zhǔn)數(shù)據(jù)遙感圖像分類精度分析通常把分類圖與標(biāo)準(zhǔn)數(shù)據(jù)( (圖件或圖件或地面實測調(diào)查地面實測調(diào)查) )進(jìn)行比較，然

31、后用正確分類的進(jìn)行比較，然后用正確分類的百分比百分比來表示分來表示分類精度。類精度。 實際工作中，多采用實際工作中，多采用抽樣方式抽樣方式以部分像索或部分類別代以部分像索或部分類別代替整幅圖像來進(jìn)行精度分析。替整幅圖像來進(jìn)行精度分析。65精度評價精度評價Evaluate1、分類評價的方法、分類評價的方法分類疊加：將分類圖像與原始圖像同時在一個視窗中打開，通過將分類圖像與原始圖像同時在一個視窗中打開，通過改變分類專題層的透明度及顏色信息，查看分類圖像何原始圖像之改變分類專題層的透明度及顏色信息，查看分類圖像何原始圖像之間的關(guān)系。間的關(guān)系。定義閥值：用戶可以對每個類別設(shè)置一個距離閾值，將可能不屬用

32、戶可以對每個類別設(shè)置一個距離閾值，將可能不屬于它的像元篩選除去，篩選出去的像元在分類圖像中將被賦予另一于它的像元篩選除去，篩選出去的像元在分類圖像中將被賦予另一個分類值，這種方法可以確定哪些像元最可能沒有被正確分類，從個分類值，這種方法可以確定哪些像元最可能沒有被正確分類，從而對監(jiān)督分類的初步結(jié)果進(jìn)行優(yōu)化。而對監(jiān)督分類的初步結(jié)果進(jìn)行優(yōu)化。分類重編碼：對分類圖像進(jìn)行了分析之后，可能需要對原來的分對分類圖像進(jìn)行了分析之后，可能需要對原來的分類進(jìn)行重新組合類進(jìn)行重新組合( (如將林地如將林地1 1與林地與林地2 2合并為林地合并為林地) )，給部分或所有類，給部分或所有類別以新的分類值。別以新的分類

33、值。分類精度評估：將專題分類圖像中的特定像元與已知分類的參考將專題分類圖像中的特定像元與已知分類的參考像元進(jìn)行比較，實際工作中常常是將分類數(shù)據(jù)與地面真值、先前的像元進(jìn)行比較，實際工作中常常是將分類數(shù)據(jù)與地面真值、先前的試驗地圖、航空相片或其它數(shù)據(jù)進(jìn)行對比。試驗地圖、航空相片或其它數(shù)據(jù)進(jìn)行對比。662、精度評價的內(nèi)容、精度評價的內(nèi)容 遙感圖像分類精度分為遙感圖像分類精度分為非位置精度非位置精度和和位置精度位置精度。非位置精度以。非位置精度以一個簡單的數(shù)值，如面積、像素數(shù)目等表示分類精度，由于未考慮一個簡單的數(shù)值，如面積、像素數(shù)目等表示分類精度，由于未考慮位置因素，類別之間的錯分結(jié)果彼此平衡，在一

34、定程度上抵消了分位置因素，類別之間的錯分結(jié)果彼此平衡，在一定程度上抵消了分類誤差，使分類精度偏高。我國早期分類工作中的精度評價多是非類誤差，使分類精度偏高。我國早期分類工作中的精度評價多是非位置精度評價。位置精度評價。 位置精度分析將分類的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。位置精度分析將分類的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。 方法方法：混淆矩陣混淆矩陣，即以，即以KappaKappa系數(shù)評價整個分類圖的精度，以條系數(shù)評價整個分類圖的精度，以條件件KappaKappa系數(shù)評價單一類別的精度。應(yīng)用混淆矩陣的系數(shù)評價單一類別的精度。應(yīng)用混淆矩陣的KappaKappa系數(shù)進(jìn)行系數(shù)進(jìn)行分類精度的檢

35、驗，是分類精度的檢驗，是l960l960年年CohenCohen提出的。以后有許多學(xué)者在提出的。以后有許多學(xué)者在KappaKappa系數(shù)的算法和應(yīng)用方面做了大量工作，并逐漸發(fā)展成遙感分類的主系數(shù)的算法和應(yīng)用方面做了大量工作，并逐漸發(fā)展成遙感分類的主要精度評價方法。要精度評價方法。673、混淆矩陣（誤差矩陣）、混淆矩陣（誤差矩陣） 68（1）混淆矩陣中，檢驗用的實際類別來源）混淆矩陣中，檢驗用的實際類別來源分類前選擇的訓(xùn)練區(qū)和訓(xùn)練樣本時確定的各個類別及其空分類前選擇的訓(xùn)練區(qū)和訓(xùn)練樣本時確定的各個類別及其空間分布圖間分布圖; ;類別已知的局部地段的專業(yè)類型圖類別已知的局部地段的專業(yè)類型圖; ;實地調(diào)查的結(jié)果。實地調(diào)查的結(jié)果。69（2）不同精度估算量的計算）不同精度估算量的計算70以第1類為例計算：運行誤差=（2+7+12）/175=12%用戶精度（類正確率）=100%-12%=88%結(jié)果誤差=（15+2）/（15+2+154）=9.9%生產(chǎn)者精度=154/ （15+2+154）=100%-9.9%=90.1%71四、遙感數(shù)字圖像的分類后處理四、遙感數(shù)字圖像的分