《遥感影像解译-分类后处理及精度评价.分类新方法资料》由会员分享，可在线阅读，更多相关《遥感影像解译-分类后处理及精度评价.分类新方法资料（35页珍藏版）》请在金锄头文库上搜索。
1、往期课程要点复习往期课程要点复习 人工目视解译和解译标志 遥感影像自动分类的原理 常用监督分类和非监督分类方法 人工目视解译和计算机自动分类的比较 K means 方法方法 1 初始化 初始化聚类中心聚类中心 1 从样本集中选出C个比较合适的样本作为初始聚类中心 将全部样本 随机地分成C类 2 初始聚类 初始聚类 1 按就近原则将样本归入各聚类中心所代表的类中 2 重新计算样本均值 更新聚类中心 然后取下一样本 重复操作 直至所有样本归入相应类中 3 判断聚类是否合理 判断聚类是否合理 采用误差平方和准则函数判断聚类是否合理 不合理则修改分类 循 环进行判断 修改直至达到算法终止条件 第五部分
2、第五部分 遥感影像解译遥感影像解译 1 遥感影像人工目视解译和计算机自动分类 在线学习视频和研讨 2 分类后处理及精度评价 分类新方法 一 分类后处理 二 精度评价 三 分类新方法 分类后处理及精度评价 分类新方法分类后处理及精度评价 分类新方法 内容提要内容提要 Outline 5 计算机分类得到的是初步结果 一般难于达到 最终目的 因此 对获取的分类结果需要再进行 一些处理 才能达到最终理想的分类结果 这些 过程通常称为分类后处理 分类后处理的内容多为平滑滤波处理 一 分类后处理一 分类后处理 1 分类后处理分类后处理 众数分析众数分析 众数分析 Majority Analysis a 用
3、于去除单个类中的虚假象元 b 利用模板运算实现 模板中心象元被赋值为模板窗口 中占多数的象元的值 3 3窗口分析结果 2 分类后处理分类后处理 类聚块类聚块 类聚块 Clump Classes a 使空间上邻近的同一类的区域连成块 b 用于消除类别图中空间上的不一致 如小斑块 空洞 等 c 通常采用形态学方法进行 3 3窗口分析结果 3 分类后处理分类后处理 类过滤类过滤 类过滤 Sieve Classes a 用于消除类别图中孤立象元 b 通过查找象元8邻域或4邻域中是否存在同一类别的象 元来进行 如有则保留 没有则去除 3 3窗口分析结果 4 分类后处理分类后处理 平滑处理平滑处理 针对问
4、题 分类结果斑点噪声严重 解决方法 a MRF随机场建模 b Majority Voting 方法 1 IKONOS 多光谱影像 原始多光谱遥感影像与地面真实值原始多光谱遥感影像与地面真实值 1 IKONOS 多光谱影像 2 地表真实值 原始多光谱遥感影像与地面真实值原始多光谱遥感影像与地面真实值 a SVM vs 高斯混合模型高斯混合模型 MRF 3 SVM 水体提取结果 3 SVM 水体提取结果 4 高斯混合模型 MRF方法 a SVM vs 高斯混合模型高斯混合模型 MRF 3 SVM 水体提取结果 5 SVM Majority Voting 方法 b SVM vs SVM Majori
5、ty Voting 15 遥感信息提取中的不确定性是当前遥感研究的一个热点 人们总是希望从遥感数据中提取的信息完全客观准确地反映 实际情况 但由于自然环境的复杂性 以及自然环境与遥感 波谱相互作用的复杂性 从传感器记录的光谱信号中提取的 关于地表的信息中 总是存在不确定性 因此 在使用从遥 感数据得到的专题图或某一地表参数的分布信息时 需要了 解这些信息的不确定性 二 精度评价二 精度评价 分类精度分析分类精度分析 遥感图像分类精度分析通常把分类图与标准数据 Ground Truth 图件或地面实测调查 进行比较 然后用正确分类 的百分比来表示分类精度 实际工作中 多采用抽样方式以部分像素或部
6、分类别代替 整幅图像进行精度分析 抽样方法 a 监督分类的样本区 b 实验场抽样 c 随机抽样 分类精度评价指标分类精度评价指标 分类精度评价包括定性评价和定量评价 定性评价即具有一定专业知识的专家通过目视判断来定性 的对分类结果进行主观评价 定量评价往往需要采用客观的评价指标进行 常用的评价 指标有总体分类精度 Overall Accuracy Kappa系数 每 一类的生产者精度 Producer s Accuracy 和用户精度 User s Accuracy 错分误差 Errors of Commission 漏分误差 Errors of omission 它们都可以通过混淆矩阵 Co
7、nfusion Matrix 获得 a 混淆矩阵混淆矩阵 混淆矩阵是通过比较分类结果和地面真实情况得到的数值 矩阵 列表示地面真实类 Ground Truth Class 列值表示地面 真实类被分配到各个影像类的像元数 百分比 Percent 通过比较分类结果和地面真实情况来估计分类精度 根据 混淆矩阵可以计算各种精度评价参数 b 总体精度总体精度 Overall Accuracy 总体精度 Overall Accuracy 正确分类像元数除以图像像元总数 即 100 100 正确分类像元数 总体精度 总像元数 对角线上像元数之和 总像元数 c Kappa 系数系数 Kappa coeffic
8、ient k kk k k k kkk xxN xxxN 2 像元总 数 对角线像 元总数 第k行所 有列值 之和 第k列所 有行值 之和 d 生产者精度生产者精度 Producer s Accuracy 生产者精度 Producer s Accuracy 地面真实类中 某类像元被正确分类为该类的概率 利用混淆矩阵的列来计算 如植被的生产者精度 EoAprod 1 02 84 52987 25446 e 用户精度用户精度 User s Accuracy 用户精度 User s Accuracy 影像类中 某类像元被正确分类为该类的概率 利用 混淆矩阵的行来计算 如水的用户精度 EcA user
9、 116 36 56104 9180 f 错分误差错分误差 Errors of Commission 错分误差 Errors of Commission 说明其它类像元被错分到该类的概率 利用混淆矩阵 的行来计算 如水的错分误差 83 64 56104 46924 11470918045777 1147045777 Ec g 漏分误差漏分误差 Errors of omission 漏分误差 Errors of omission 说明某类像元被错分到其它类的概率 利用混淆矩阵 的列来计算 如植被的漏分误差 51 98 52987 27541 2544683114726311 8311472631
10、1 Eo 26 随着模式识别与机器学习技术的不断发展 将先进的机器 学习技术应用到遥感影像分类中 并充分考虑影像本身的光 谱信息 空间信息 时间序列信息以及各类地理辅助信息可 以大大提高遥感影像分类的精度 分类新方法 半监督分类 面向对象分类 分类器集成 三 分类新方法三 分类新方法 1 半监督分类半监督分类 机器学习 Machine Learning 模式 监督学习 仅仅利用已标注类别的样本进行训练以确定 分类器 非监督学习 只利用未标注类别的数据进行聚类分析 半监督学习 利用已标注类别的样本 未标注样本来确 定分类器 高分辨率遥感数据拥有更加丰富 的地物信息 光谱 几何 结构 纹理等 过去
11、的方法是依靠人工勾绘边界 看图过去的方法是依靠人工勾绘边界 看图 识字 高分辨率遥感图像地物信息丰富 识字 高分辨率遥感图像地物信息丰富 数据量大 但仅依靠人工的方法对高分数据量大 但仅依靠人工的方法对高分 辨率遥感影像进行解析已经难以满足应辨率遥感影像进行解析已经难以满足应 用需求 用需求 因此 需要自动化的处理方法因此 需要自动化的处理方法 耕地 居民区 地物精细识别地物精细识别 精确提取地块精确提取地块 边界边界 准确确认地块属性准确确认地块属性 2 面向对象分类面向对象分类 2 面向对象分类面向对象分类 高分辨率遥感影像自 动分类方法 基于像元分 析 面向对象分 析 自 然 的 趋 势
12、 像元间彼此独立 斑点噪声严重 分析基元为图像块或 像素簇 顾及上下文 关系 空间平滑性较好 原始影像 AVIRIS image Indian Pine 基于像元分类结果面向对象分类结果 面向对象分类的流程面向对象分类的流程 多波段遥感 影像数据 影像对象层 对象合并 聚类 监督分类非监督分类 分类结果 训练分类器 分类 选择对象 训练样本 多尺度分割多尺度分割 对象特征提取对象特征提取 1 通过影像分割生成 对象分析基元 2 对象特征综合了光谱和 空间等信息 分类与分割分类与分割 分割 获取影像对象的过程 像素向上合并的过程 分类 把具有相近关系的影像对象归为一类的过程 影像分割影像分割 根据影像的部分特征将一幅图像分成若干 有意义 的互 不交叠的区域 使得这些特征在某一区域内表现一致或相 似 而在不同区域间表现出明显的不同 影像分割是对遥感影像进行进一步面向对象分析 理解和 识别的基础 是高分辨率遥感影像应用领域的关键技术之 一 不 同 尺 度 下 的 分 割 结 果 3 分类器集成分类器集成 利用多个分类器集成来共同解决一个分类问题 问题 分类器 传统分类器 问题 分类器分类器 分类器集成 分类器 集成学习的分类器泛化能力通常较单一分类器有显著的提升 要点总结要点总结 分类后处理 精度评价 分类新方法
