遥感原理与应用_第5章_3 遥感影像解译-分类后处理及精度评价、分类新方法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
些信息的不确定性。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
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
1 2 3 4 5 6 7
精 度 评 价
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分类别代替
SWJTU
原始多光谱遥感影像
1 2 3 4 5 6 7
分 类 后 处 理
IKONOS 多光谱影像
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
原始多光谱遥感影像与地面真实值
IKONOS 多光谱影像
1 2 3 4 5 6 7
精 度 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地对 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(Confusion Matrix)获得。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
后 处 理 及 精 度 评 价 、 分 类 新 方 法
1 2 3 4 5 6 7
分类后处理 精度评价
分类新方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SVM 水体提 取结果
1 2 3 4 5 6 7
分 类 后 处 理
SVM+Majority Voting 方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
返回本节首页
SWJTU
遥感信息提取中的不确定性是当前遥感研究的一个热点。
SWJTU
分类后处理-少数分析
少数分析 Minority Analysis
1 2 3 4 5 6 7
分 类 后 处 理
模板中心像元将被赋值为模板窗口中占少数的像元的
值
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
分类后处理-类过滤
类过滤 Sieve Classes
1 2 3 4 5 6 7
分 类 后 处 理
用于消除类别图中孤立像元；
通过查找像元8邻域或4邻域中是否存在同一类别的像 元来进行，如有则保留，没有则去除 。
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
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
1 2 3 4 5 6 7
精 度 评 价
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。
SWJTU
Kappa 系数 (Kappa coefficient)
像元总 数 对角线像 元总数
1 2 3 4 5 6 7
精 度 评 价
N
＝
第k行所有 列值之和
x x N x x
kk k k 2 k
k x k
第k 列 所有行 值之和
k k
将所有真实参考的像元总数（ N）乘以混淆矩阵对角 线（ XKK）的和，再减去某一类中真实参考像元数与该 类中被分类像元总数之积之后，再除以像元总数的平方 减去某一类中真实参考像元总数与该类中被分类像元总 数之积对所有类别求和的结果。
SWJTU
计算机分类得到的是初步结果，一般难于达到最终目的，
1 2 3 4 5 6 7
分 类 后 处 理
因此，对获取的分类结果需要再进行一些处理，以达到最终 理想的分类结果，这些过程通常称为分类后处理。
分类后处理的内容并无严格限定，视专业需要而定。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
的行来计算。如水的错分误差
45777 0 1147 46924 Ec 83.64% 45777 9180 0 1147 56104
SWJTU
分类后处理-类聚块
类聚块 Clump Classes
1 2 3 4 5 6 7
分 类 后 处 理
使空间上邻近的同一类的区域连成块
用于消除类别图中空间上的不一致(小斑块、空洞等)
通常采用形态学方法进行
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
分类后处理-众数分析
众数分析 Majority Analysis
1 2 3 4 5 6 7
分 类 后 处 理
用于去除单个类中的虚假像元
利用模板运算实现，模板中心像元被赋值为模板窗口 中占多数的像元的值
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
1 2 3 4 5 6 7
精 度 评 价
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SWJTU
分类后处理-类合并和类统计
1 2 3 4 5 6 7
分 类 后 处 理
类合并 Combine Classes
用于合并类
类统计(Class Statistics)
主要用于计算各类的像元数，估算各类地物 的地面面积
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
总体精度(Overall Accuracy) 正确分类像元数除以图像像元总数，即
1 2 3 4 5 6 7
精 度 评 价
总体精度＝
正确分类像元数 100％ 总像元数 对角线上像元数之和 ＝ 100％ 总像元数
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SVM vs 高斯混合模型+MRF
SVM 水体提取结果
1 2 3 4 5 6 7
分 类 后 处 理
高斯混合模型 +MRF方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SVM vs SVM+Majority Voting
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
生产者精度(Producer’s Accuracy)
1 2 3 4 5 6 7
精 度 评 价
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：
Auser
9180 16.36% 1 Ec 56104
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
思考题
In an image classification accuracy assessment, if a class shows a
1 2 3 4 5 6 7
high producer’s accuracy and a low user’s accuracy, it is more
精 度 评 价
likely
a) less accurate than other classes.
b) more accurate than other classes. c) over classified (i.e. more pixels are assigned to the class than it actually has). d) under classified (i.e. less pixel are assigned to the class than it
分 类 后 处 理
地表真实值
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SVM vs 高斯混合模型+MRF
1 2 3 4 5 6 7
来自百度文库
分 类 后 处 理
SVM 水体提取结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
遥感原理与应用
Remote Sensing Principle and Application
SOUTHWEST
JIAOTONG
UNIVERSITY
SWJTU
遥 感 原 1理 2 3与 4应 5 6用 7课 程 框 架
影像处理基础
影像几何处理
影像辐射处理
遥感传感器
影像处理 遥 感 系 统 影 像 处 理 遥 感 应 用
遥感影像判读
遥感平台特点
遥感
影像识别分类
遥感物理基础
遥感技术应用
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
1 2 3 4 5 6 7
遥 感 影 像 解 译
遥感影像人工目视解译
遥感影像计算机自动分类
分类后处理及精度评价、分类新方法
actually has).
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
错分误差 (Errors of Commission)
1 2 3 4 5 6 7
精 度 评 价
说明其它类像元被错分到该类的概率，利用混淆矩阵
SWJTU
分类后处理-平滑处理
1 2 3 4 5 6 7
分 类 后 处 理
针对问题
分类结果斑点噪声严重
解决方法：
MRF随机场建模
Majority Voting 方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
1 2 3 4 5 6 7
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
精 度 评 价
实际情况，但由于自然环境的复杂性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
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。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
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。
1 2 3 4 5 6 7
Aprod
25446 48.02% 1 Eo 52987
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
用户精度(User’s Accuracy)
1 2 3 4 5 6 7
精 度 评 价
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：
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
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
1 2 3 4 5 6 7
精 度 评 价
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分类别代替
SWJTU
原始多光谱遥感影像
1 2 3 4 5 6 7
分 类 后 处 理
IKONOS 多光谱影像
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
原始多光谱遥感影像与地面真实值
IKONOS 多光谱影像
1 2 3 4 5 6 7
精 度 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地对 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(Confusion Matrix)获得。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
后 处 理 及 精 度 评 价 、 分 类 新 方 法
1 2 3 4 5 6 7
分类后处理 精度评价
分类新方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SVM 水体提 取结果
1 2 3 4 5 6 7
分 类 后 处 理
SVM+Majority Voting 方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
返回本节首页
SWJTU
遥感信息提取中的不确定性是当前遥感研究的一个热点。
SWJTU
分类后处理-少数分析
少数分析 Minority Analysis
1 2 3 4 5 6 7
分 类 后 处 理
模板中心像元将被赋值为模板窗口中占少数的像元的
值
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
分类后处理-类过滤
类过滤 Sieve Classes
1 2 3 4 5 6 7
分 类 后 处 理
用于消除类别图中孤立像元；
通过查找像元8邻域或4邻域中是否存在同一类别的像 元来进行，如有则保留，没有则去除 。
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
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
1 2 3 4 5 6 7
精 度 评 价
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。
SWJTU
Kappa 系数 (Kappa coefficient)
像元总 数 对角线像 元总数
1 2 3 4 5 6 7
精 度 评 价
N
＝
第k行所有 列值之和
x x N x x
kk k k 2 k
k x k
第k 列 所有行 值之和
k k
将所有真实参考的像元总数（ N）乘以混淆矩阵对角 线（ XKK）的和，再减去某一类中真实参考像元数与该 类中被分类像元总数之积之后，再除以像元总数的平方 减去某一类中真实参考像元总数与该类中被分类像元总 数之积对所有类别求和的结果。
SWJTU
计算机分类得到的是初步结果，一般难于达到最终目的，
1 2 3 4 5 6 7
分 类 后 处 理
因此，对获取的分类结果需要再进行一些处理，以达到最终 理想的分类结果，这些过程通常称为分类后处理。
分类后处理的内容并无严格限定，视专业需要而定。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
的行来计算。如水的错分误差
45777 0 1147 46924 Ec 83.64% 45777 9180 0 1147 56104
SWJTU
分类后处理-类聚块
类聚块 Clump Classes
1 2 3 4 5 6 7
分 类 后 处 理
使空间上邻近的同一类的区域连成块
用于消除类别图中空间上的不一致(小斑块、空洞等)
通常采用形态学方法进行
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
分类后处理-众数分析
众数分析 Majority Analysis
1 2 3 4 5 6 7
分 类 后 处 理
用于去除单个类中的虚假像元
利用模板运算实现，模板中心像元被赋值为模板窗口 中占多数的像元的值
3×3窗口分析结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
1 2 3 4 5 6 7
精 度 评 价
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SWJTU
分类后处理-类合并和类统计
1 2 3 4 5 6 7
分 类 后 处 理
类合并 Combine Classes
用于合并类
类统计(Class Statistics)
主要用于计算各类的像元数，估算各类地物 的地面面积
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
总体精度(Overall Accuracy) 正确分类像元数除以图像像元总数，即
1 2 3 4 5 6 7
精 度 评 价
总体精度＝
正确分类像元数 100％ 总像元数 对角线上像元数之和 ＝ 100％ 总像元数
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SVM vs 高斯混合模型+MRF
SVM 水体提取结果
1 2 3 4 5 6 7
分 类 后 处 理
高斯混合模型 +MRF方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SVM vs SVM+Majority Voting
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
生产者精度(Producer’s Accuracy)
1 2 3 4 5 6 7
精 度 评 价
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：
Auser
9180 16.36% 1 Ec 56104
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
思考题
In an image classification accuracy assessment, if a class shows a
1 2 3 4 5 6 7
high producer’s accuracy and a low user’s accuracy, it is more
精 度 评 价
likely
a) less accurate than other classes.
b) more accurate than other classes. c) over classified (i.e. more pixels are assigned to the class than it actually has). d) under classified (i.e. less pixel are assigned to the class than it
分 类 后 处 理
地表真实值
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
SVM vs 高斯混合模型+MRF
1 2 3 4 5 6 7
来自百度文库
分 类 后 处 理
SVM 水体提取结果
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
遥感原理与应用
Remote Sensing Principle and Application
SOUTHWEST
JIAOTONG
UNIVERSITY
SWJTU
遥 感 原 1理 2 3与 4应 5 6用 7课 程 框 架
影像处理基础
影像几何处理
影像辐射处理
遥感传感器
影像处理 遥 感 系 统 影 像 处 理 遥 感 应 用
遥感影像判读
遥感平台特点
遥感
影像识别分类
遥感物理基础
遥感技术应用
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
1 2 3 4 5 6 7
遥 感 影 像 解 译
遥感影像人工目视解译
遥感影像计算机自动分类
分类后处理及精度评价、分类新方法
actually has).
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
错分误差 (Errors of Commission)
1 2 3 4 5 6 7
精 度 评 价
说明其它类像元被错分到该类的概率，利用混淆矩阵
SWJTU
分类后处理-平滑处理
1 2 3 4 5 6 7
分 类 后 处 理
针对问题
分类结果斑点噪声严重
解决方法：
MRF随机场建模
Majority Voting 方法
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
1 2 3 4 5 6 7
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
精 度 评 价
实际情况，但由于自然环境的复杂性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
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。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
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。
1 2 3 4 5 6 7
Aprod
25446 48.02% 1 Eo 52987
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
用户精度(User’s Accuracy)
1 2 3 4 5 6 7
精 度 评 价
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：