《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 分类后处理图像分类目视判读计算机分类 （解译）基于像素基于分割单元（ 面向对象）监督分类 非监督分类 决策树分类 . (模糊集、神经网 络、分层聚类、 空间逐步优化)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
2、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，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
3、输出遥感数字图像计算机分类基本过程selecting training areas, also known as regions of 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, Binary1、监督分类（1）、最小距离分类法Step 2 for each unclassified pixel, calculate the distance to average for eac
4、h training area最大似然比分类法(Maximum Likelihood)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，实地调查计算机分类得到的是初
5、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。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 。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
6、于卷积计算，定义一个变换核，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。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l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。l实际工作中，多采用抽样方式以部分像素或部分类别 代替整幅图像进行精度
7、分析。l分类精度分为“非位置精度”和“位置精度”。l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。l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。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）代表分类 结果的第1类到第n类。矩阵中的元素是像
8、素值或百分比。图像类别xyz行和xAEFGyBzC列和D评价指标 l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)/Gl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/Gl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)/Dl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l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样本数
9、lKappa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。k分类质量 0.3“ type = Decision location = 1,1 expression = “ndvi gt 0.3“end 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 spec
10、ial function that acts on the data. variable name bx _参考参考helphelp文档文档常用变量slope - slope calculated from a DEM file aspect - aspect calculated from a DEM file 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 EN
11、VI 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 tasseled cap result to use in the expression, for example, for TM data, tascap2 will use the greenness band pcn - principal components - the subscrip
12、t, 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 lpcn - local principal components - uses only the surviving pixels in the calculations lmnfn- local minimum noise fraction - uses only the surviv
13、ing 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 m
14、inimum - minimum of only the surviving pixels lmaxn - local maximum - maximum of only the surviving pixels examples of expressions(b1 gt 20) and (b2 le 45) ndvi gt 0.3 b1 gt (mean2 + 2*stdev2) (slope gt 15) and (aspect lt 90) or (aspect gt 270) 建立决策树 执行分类 编辑决策树（添加、使用波段索引 、删除） 保存决策树（*.txt）基本操作实验数据一En
15、vidata/decision Boulder_tm Boulder_dem数据描述L5 TMDEM准则描述类1: ndvi值大于0.3,坡度大于或等于20度类2: ndvi值大于0.3,坡度小于20度,阴坡类3: ndvi值大于0.3,坡度小于20度,阳坡类4: ndvi值小于或等于0.3,波段4的值大于等于20 类5: ndvi值小于或等于0.3,波段4的值小于20(不等于0)类6 :波段4的值等于0类7: ndvi值小于或等于0.3,波段4的值大于等于20 中波段1的值 小于波段1的均值b1 lt mean1实验数据二 北京地区数据(TM)分类原理图像分类目视判读计算机分类基于像素基于分割单元（ 面向对象）监督分类 非监督分类 决策树分类 . (模糊集、神经网 络、分层聚类、 空间逐步优化)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几何校正，裁剪，监督、非监督、决策、其他训练样区的选择分类数目，迭代次数，阈值范围提高分类精度，转换为矢量面向对象的分类方法介绍主要流程图像分割合并分块精炼分块计算属性定义要素规则分类 监督分类导出要素查看报告和统计完成
