环境遥感-遥感图像专题分类

性和尺度问题
1. 分类精度评价—Kappa系数
2. 后处理
实测结果
分 类 结 果
第五章 遥感分类中的不确定性和
尺度问题
2. 后处理
第五章 遥感分类中的不确定性和 尺度问题
2. 后处理
无论是监督分类还是非监督分类，其结果都会产 生一些面积很小的图斑。从应用角度出发，有必 要对这些小图斑进行剔除。
处理方法： ➢ 类别合并(Combine) ➢ 聚块(Clump) ➢ 筛除(Sieve) ➢ 主／次要分析（Majority/Minority analysis)
行和 A B C N
图像 类别
x y z 列和
x A1 B1 C1 D
检验数据
y
z
A2
A3
B2
B3
C2
C3
E
F
行和 A B C N
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价—混淆矩阵
2. 后处理实测结果
分 类 结 果
总体精度？ 用户精度？ 生产者wk.baidu.com度？
第五章 遥感分类中的不确定
pc pkk / p k 1
第五章 遥感分类中的不确定性 和尺度问题
生产者精度：
(pj pjj)/pj
又称制图精度，表示实际的任意一个随机样本与分类图上
同一地点的分类结果相一致的条件概率。
第五章 遥感分类中的不确定性 和尺度问题
漏分误差： p i i / p i (p21+p31++pn1)/pj
第三节 监督分类
2. 最小距离分类法
3. 例子：
B2
p
2
dik
xij Xjk
j1
C1
A Pixel value with unknown class
C2
C3
Fig. 3
B1
第三节 监督分类
2. 最小距离分类法 ➢ 例子：
第三节 监督分类
2. 最小距离分类法 3. 判别规则：像元与各个类别之间的距离
TM4
TM1
第三节 监督分类
3. 平行六面体法
4. 例子：
x - M <T*S
第三节 监督分类
3. 平行六面体法 4. 判断方法：
设 有 某 类 别 j ， 类 别 中 心 （ 均 值 ） 为 Mij （ i 为 波 段 1 ， 2 ， 3……），标准差为Si
|xi -Mij| <T*Sij
i表示波段，j表示类别数目，x为像元灰度值，M 为j类别的均值。
(N 2
x ix i)
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
K(N (N 2x ii
x ix i) x ix i)
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
K(N (N 2x ii
x ix i) x ix i)
第二节 非监督分类
2. Isodata 法
⑦ 计算每个类别中标准差，如果某个类别标准差大于指定参 数S，则将该类别拆分为两类，产生两个类别中心。
⑧ 计算类别中心两两之间的距离，将距离小于指定参数D的 两个类别合并，直到满足指定的允许合并的类别的对数L;
⑨ 如果迭代次数大于I，计算结束，否则转到第3步，即将每 一个像元归类到距离最近的类别中。
第四章 遥感图像专题分类
内容
第一节 人工解译 第二节 非监督分类 第三节 监督分类
第二节 非监督分类
❖ K-means 法 ❖ Isodata 法
第二节 非监督分类
1. K-means 法
a. 选择C个聚类中心，设Ai, i = 1, 2, ..., c.; b. 将任一个像元归类到距离最近的类别中;
图像的某一类地物被错分到其他类别的百分比。
第五章 遥感分类中的不确定性 和尺度问题
n
pc pkk / p k 1
生产者精度
pii / pi
用户精度
K(ppipipi)/(p2pipi)
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
(N
K
x ii
x ix i)
第二节 非监督分类
2. Isodata 法
② 选择c个点作为聚类中心，设Ai, i = 1, 2, ..., c.; ③ 将每一个像元归类到距离最近的类别中; ④ 基于得到的类别，如果某一个类别样本个数数量少于指定的
个数N，则去掉此类，返回c； ⑤ 重新计算各类中心； ⑥ 如果迭代次数大于I，转向第8步，检查类间最小距离；
第三节 监督分类
3. 平行六面体法
TM4
TM1
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价
2. 后处理
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价
① 混淆矩阵
② 总体精度，生产者精度，用户精度
③ Kappa系数
第五章 遥感分类中的不确定性 和尺度问题
总体精度：
n
K-means vs ISODATA
第三节 监督分类
1. 最大似然法 2. 最小距离分类法 3. 平行六面体法
第三节 监督分类
1. 最大似然法（MLC）
2. 判别规则：每个像素对于各类别的归属概率 3. 方法：
x 属于类别 Ki的概率为 P(Ki/x), i = 1, 2, ..., n Max（ P(K1/x)， P(K2/x)，… P(Ki/x) ）
是实际的某一类地物被错误的分到其他类别的百分比。
第五章 遥感分类中的不确定性 和尺度问题
用户精度：
(pipii)/pi
表示从分类结果中任取一个随机样本，其所具有的类型与
地面实际类型相同的条件概率。
第五章 遥感分类中的不确定性 和尺度问题
错分误差： p jj / p j (p12+p13++p1n)/pj
K(pcT)/(1T)
Kappa系数在0.4以上分类结果比较可信
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
K(pcT)/(1T)
假设：
( xix i)/N 2
Pc为总体精度
检验 数据
x y z 列和
x A1 B1 C1 D
图像类别
y
z
A2
A3
B2
B3
C2
C3
E
F
c. 基于得到的类别，产生新的C个聚类中心,设Bi, i = 1, 2, ..., k. ;
d. 如果|A-iB|i，（ >0, ）则结束循环，否则返回步
骤b，继续循环。
第二节 非监督分类
2. Isodata 法
① 指定参数包括类别数目K（近似）,允许迭代的次数I，一个 类中样本的最少个数N，关于类分散程度的参数S（标准差）, 关于类间距离的参数D，每次允许合并的类别的对数L；