《专题四：分类后处理》由会员分享，可在线阅读，更多相关《专题四：分类后处理（52页珍藏版）》请在金锄头文库上搜索。
1、图像分类及分类后处理,遥感数字图像处理概论图像的数据格式及统计描述BSQBIPBIL三种数据格式统计特征参数ENVI基础遥感图像分类监督分类分类后处理,review,图像分类,分类方法,计算机分类是对遥感图像上的地物进行属性的识别和分类，是模拟识别技术在遥感技术领域中的具体运用,非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。监督分类法：选择具有代表性的典型训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，
2、分别归入到已知的类别中。,1、监督分类与非监督分类方法定义,2、监督分类与非监督分类方法比较 根本区别在于是否利用训练区来获取先验的类别知识。 监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。 非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。,图象预处理,选择分类方法,特征选择和提取,选择合适的分类参数进行分类,分类后处理,成果输出,遥感数字图像计算机分类基本过程,selecting training areas, also known as regions o
3、f interest (ROI).Parallelepiped,(平行六边行法)Minimum Distance,(最小距离)Mahalanobis Distance,Maximum Likelihood, (最大似然法)Spectral Angle Mapper, Binary,Supervised Classification,1、监督分类,（1）、最小距离分类法,Step 2 for eachunclassified pixel,calculate the distance toaverage for each trainingarea,最大似然比分类法(Maximum Likeliho
4、od),通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。,监督分类 前提：已知遥感图像上样本区内地物的类别，该样本区又称为训练区。 过程：（1）确定判别准则，计算判别函数训练（2）将未知类别的样本值代入判别函数，判定类别。 利用已知类别样本的特征值求解判别函数的过程称为学习或训练。,训练区（ROI &AOI）：抽样调查ROI类型点线面ROI选择具有代表性和光谱特征比较均一的地段，实地调查,分类后处理（ post classification）,分类后处理,计算机分类得到的是初步结果，一般难于达
5、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。,ENVI 有许多 post 分类选项，包括一个规则图像分类器，计算分类统计，和混淆矩阵，clumping、筛选和合成分类，在一幅图像上将类叠置，输出类到矢量层。分类后处理的内容并无严格限定，视专业需要而定。,碎斑处理,滤波处理制图学中的“综合”（概括）去掉分类图中过于孤立的类的像素，或者归并到周围相邻的较连续分布的那些类。最小连片像素数，服从“多数”原则,细小图斑块，需要剔除或重新分类Majority/minority分析聚类处理过滤处理,Majority: 类似于卷积计算，定义一个
6、变换核，将变化核中占主要地位（像元素最多）的像元类别代替中心像元的类别。Minority: 将变化核中占次要地位的像元类别代替中心像元的类别。,Majority/minority分析,聚类处理（Clumping）运用形态学算子将临近的类似区域聚类并合并，分类区域中斑点或洞的存在，缺少空间连续性。扩大操作，制定变换核进行侵蚀操作,过滤处理（Sieve）分类中的孤岛问题斑点分组，判断是否同组，删除的归为未分类,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（true image,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分
7、类别代替整幅图像进行精度分析。,分类精度分为“非位置精度”和“位置精度”。非位置精度以一个简单的数值表示，由于未考虑位置因素，类别之间错分结果彼此平衡，在一定程度上抵消分类误差，分类精度偏高，早期分类的精度评价多是非位置精度评价。位置精度分析将分类的类别与其所在的空间位置进行统一检查，目前普遍采用混淆矩阵的方法，即以kappa系数评价整个分类图的精度，逐渐发展成主要的精度评价方法。,分类精度分析,分类精度分析混淆矩阵,混淆矩阵（Confusion Matrix ）矩阵建立: 由n行n列组成的矩阵，n代表类别数。混淆矩阵列方向（左右）表示实际类别（true）的第1类到第n类，行方向（上下）代表分
8、类结果的第1类到第n类。矩阵中的元素是像素值或百分比。,评价指标运行误差（Commission） :又称错分误差，是图像上某一类地物被错分到其它地物的百分比。 (E+F)/G用户精度（ User Accuracy ）:用户精度是指假定分类器将像元归到A类，则相应的地表真实类别是 A 的可能性。 A/G结果误差:又称漏分误差，是指实际的某一类被错误分到其他类的百分比。 (B+C)/D生产者精度（制图精度）: 表示实际任意一个随机样本与分类图上同一点的分类结果相一致的条件概率。 A/D=100%-结果误差,分类精度分析混淆矩阵,总体精度： 正确分类样本数/总检验样本数 对角线的各元素总和是正确分类
9、样本数Kappa系数： Kappa系数是一个测定两副图之间精度（吻合度）的指标。 分类总体精度与Kappa 的区别在于总体精度只用到了位于对角线上的像素数量， Kappa则考虑了对角线上被正确分类的像素，又考虑了不在对角线上的各种漏分和错分错误。,分类质量与kappa统计值,在统计学中， Kappa系数列为非参数统计方法，用来衡量两个人对同一物体进行评价时，其评定结论的一致性，1表示有很好的一致性，0表示一致性不比偶然性更好。,总指标和混淆矩阵,单项指标,单纯依靠单一分类方法很难达到实用精度。图像的制约 ：信息传递的局限性和复杂相关性方法的制约：多依靠光谱信息，其它信息未得到充分应用。初始条件
10、的随机性难以找到最优分类特征难以融合专家知识，不可重复性,制约分类精度的因素,图像分类中难以消除错分和漏分，分类精度一般只有60%-70%，难以达到精度要求。这已经成为阻碍遥感技术大规模实用化的瓶颈之一。多信息综合（复合分类）几何信息：湖泊/水塘/河流；农田和林地纹理信息：通过图像变换等进行抽取，像素的空间变化特征及其组合情况。地形信息：,提高分类精度的对策（难点or热点）,课堂计算题,(1)总体精度是多少?(3分)(2)森林的生产者精度(制图精度)是多少?(3分), 草地的错分误差是多少?(3分)(3)经过计算,该图的Kappa 系数= 0.2648,评价该图的分类质量(2分)?,提纲:技术
11、路线说明数据基本信息统计参数重点步骤（一）监督分类 1.利用最大似然法进行北京市区的土地利用分类 分为水域、绿地、建设用地、其它用地等四种 （1）样区选择不低于总像素的10% （2）各类别的样本分离度大于0.82.同理,利用最小距离法进行北京市区的土地利用分类,综合实训一:北京市区土地利用分类,（二）分类后处理利用分类后处理进行进一步的图像处理1）去除“椒盐”现象2）分类精度评价 不低于 80%3）分类统计4）转换成矢量图要求提交:分类结果专题影像图/分类结果矢量图分类结果统计表分类精度评价表,review,叙述监督分类的流程。,Decision TreeClassification(决策树分
12、类),ENVI Tutorials P121,决策树的运用前提,分类者熟悉决策的后果（地学原理）多个图象/多级分类基于像元,决策树分类的原理ENVI中决策树分类的基本操作,决策树的定义,A decision tree is a type of multistage classifier that can be applied to a single image or a stack of images. It is made up of a series of binary decisions that are used to determine the correct category fo
13、r each pixel. have a binary result of 0 or 1. The 0 result is sent to the No branch and the 1 result is sent to the Yes branch of the decision tree.,决策树的基本模式,each decision divides the data into one of two possible classes.,树逐级分类,ENVI Decision Tree Text File,begin node name = ndvi0.3 type = Decision
14、location = 1,1 expression = ndvi gt 0.3end node,变量(Variables )及常用表达,The variables in ENVIs decision tree classifier refer to a band of data or to a special function that acts on the data. variable name bx,_参考help文档,常用变量,slope - slope calculated from a DEM file aspect - aspect calculated from a DEM f
15、ile ndvi - NDVI calculated from file, if the sensor type is set in the header, the bands used to calculate the NDVI are automatically found, if ENVI does not know which bands to use, it will prompt you to enter the band numbers tascapn - tasseled cap transform - the subscript, n, points to which tas
16、seled cap result to use in the expression, for example, for TM data, tascap2 will use the greenness band pcn - principal components - the subscript, n, points to which PC band to use in the expression mnfn - minimum noise fraction - the subscript, n, points to which MNF band to use in the expression
17、 lpcn - local principal components - uses only the surviving pixels in the calculations lmnfn- local minimum noise fraction - uses only the surviving pixels in the calculations meann - mean for band n stdevn - standard deviation for band n minn - minimum of band n maxn - maximum of band n lmeann - local mean - mean of only the surviving pixels lstdevn - local standard deviation - standard deviation of only the surviving pixels lminn - local minimum - minimum of only the surviving pixels lmaxn - local maximum - maximum of only the surviving pixels,
