监督分类后处理和精度评价
遥感影像解译-分类后处理及精度评价、分类新方法
二、精度评价
• 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。
3×3窗口分析结果
(4) 分类后处理-平滑处理
• 针对问题 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
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
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
(a) 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。
25446 Aprod 52987 48.02% 1 Eo
(e) 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：
Auser
9180 56104
16.36%
3、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。
郭平--土地分类精度评价
采用Landsat7北京市影像数据，裁剪后RGB（432）波段组合的研究区影 像
（2）训练样本的选取
选好训练样本后， 进行分离度检查，根据 分离性值的大小，从小 到大列出感兴趣区组合， 这两个参数的值为0~2.0 之间，大于1.9说明样本 之间可分离性好，属于 合格样本，小于1.8，需 要重新选择样本，小于1， 考虑将两类样本合并成 一类样本。
1. 遥感影像分类
遥感图像通过亮度值或像元值的高低差异及空间变 化来表示不同地物的差异，这是区分不同图像地物的物 理基础。遥感图像分类通过计算机手段，利用某种算法 进行分类，获取遥感图像中与实际地物的对应信息，从 而实现遥感图像的分类，一般分类方法有监督分类与非 监督分类[1]。
1.1 监督分类
监督分类，又称训练分类法，用被确认类别的样本像元去识 别其他未知类别像元的过程。它就是在分类之前通过目视判读和 野外调查，对遥感图像上某些样区中影像地物的类别属性有了先 验知识，对每一种类别选取一定数量的训练样本，计算机计算每 种训练样区的统计或其他信息，同时用这些种子类别对判决函数 进行训练，使其符合于对各种子类别分类的要求，随后用训练好 的判决函数去对其他待分数据进行分类。使每个像元和训练样本 作比较，按不同的规则将其划分到和其最相似的样本类，以此完 成对整个图像的分类。
（2）本次研究中的验证
常用的精度评价的方法有两种：一是混淆矩阵；二是ROC曲线。其 中，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精 度，比较形象。
真实参考源可以使用两种方式：一是ห้องสมุดไป่ตู้准的分类图；二是选择的 感兴趣区（验证样本区）。
真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择， 也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由 于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分 辨率影像，在上面进行目视解译得到真实参考源，并采用混淆矩阵的 地表真实感兴趣区进行精度验证。
监督分类与专题制图(Erdas)
遥感实验报告实验目的：掌握遥感图像计算机分类的基本原理以及监督分类方法，掌握分类后处理方法、分类精度评价及专题地图制作。
实验内容：1、遥感图像计算机监督分类2、分类后处理3、分类精度评价4、专题图制作实验方法和步骤：实验方法：在监督分类的过程中，首先借助或者识别其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有该特性的像元。
对分类结果进行评价后在对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上进行最终分类。
实验步骤：1.定义分类模板2.精度评价3.进行监督分类4.评价分类结果5.分类后处理6.专题制图实验的过程和结果：(一)监督分类1.定义分类模板第一步：打开分类的图像，南宁市1990年9月16日TM，目视判断该遥感图像中南宁市土地利用类型，确定土地利用分类体系为：耕地、灌草地、林地、水域、建设用地、裸地。
如图1-1：图1-1第二步：打开模板编辑器并调整显示字段点击主菜单上的classifier打开classification对话框,选择signature editor。
如图1-2：图1-2第三步：获取分类模板信息，点击AOI，利用AOI-tools中的多边形工具绘制某一地类的样区。
将画好的耕地AOI添加到模板。
signature editor-edit-add.如图1-3,1-4：图1-3图1-4重复步骤第三步，在图中采集多个耕地样本。
选择所有耕地样本模板，按merge 按纽合并这组分类模板。
合并后将模板取名为耕地。
利用同样的方法，依次做好其灌草地、林地、水域、建设用地、裸地土地覆盖类型模板。
如图1-5：图1-5第四步：保存分类模板。
2 .评价分类模板第一步：点signature editor-Evaluate-contingency，利用可能性矩阵方法评价分类模板精度。
达到90以上即为精度满足要求，否则重新选择训练样区，再次进行精度评价，直到精度满足。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
ENVI的监督分类操作步骤
老师要求提交：1.可能性矩阵2.精度评价报告3.分类结果图具体流程：1．打开影像，考试时的影像是老师给的高分辨率影像。
以已有的QuickBird影像为例：File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。
2.选择监督分类样本（感兴趣区域）：在影像的工具栏中选择，Overlay---Region of interest在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择选择类别，植被，水体，裸地，房屋。
查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok.,相关度大于1.8的说明分类较好。
保存文件。
2.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。
Select all Item阈值Probability Threshold一般在0~1之间。
不需输出真实值。
因为还要分类后处理，储存至memory.3.分类后处理，①分类合并，在主菜单中Classification—post classification—Sieve Classes选择刚才分类好的，memory影像，改变Group Min Threshold数值，由2改到8.即改变每类别最小像元值，由于我只选了四个类别数，应该做完后不会有类别的合并。
保存文件，即要求交的分类结果图。
②生成混淆矩阵主菜单中，Classification—post classification—confusion Matrix—Using Ground Truth ROIS. 将所有类别都选上。
保存混淆矩阵大致是这样，可能还不完整。
全国信息化工程师GIS应用水平考试2018年5月二级应用参考答案
单选1-5：AACCC6-10：BDCDD11-15：BADAB16-20：BBABA21-25：DCDAA26-30：ACDDC31-35：DBBCC36-40：DCCAD41-45：BDCBD46-50：ABBCA多选51、ABCD52、CD53、AD54、ABC55、ACD操作56-60：CCBDA61-65:DABBA名词解释66.大地坐标系答：大地坐标系是大地测量中以参考椭球面为基准面建立起来的坐标系。
地面点的位置用大地经度、大地纬度和大地高度表示。
大地坐标系的确立包括选择一个椭球、对椭球进行定位和确定大地起算数据。
大地坐标系亦称为地理坐标系。
67.BDS答：BDS是中国北斗卫星导航系统简写，是中国自行研制的全球卫星导航系统。
北斗卫星导航系统由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具短报文通信能力。
68.分布式数据库答：是一组数据的集合,这些数据在物理上分布于计算机网络的不同结点上,而逻辑上属于同一个系统。
它具有分布性,同时在逻辑上互相关联。
69.泰森多边形答：它采用了一种极端的边界内插方法，只用最近的单个点进行区域插值。
泰森多边形按数据点位置将区域分割成子区域，每个子区域包含一个数据点，各子区域到其内数据点的距离小于任何到其它数据点的距离，并用其内数据点进行赋值。
70.空间分析答：是基于空间数据的分析技术，它以地学原理为依托，通过分析算法，从空间数据中获取有关地理对象的空间位置、空间分布、空间形态、空间形成、空间演变等信息。
简答题71.请简述影响大比例尺地形图数学精度的质量元素有哪些，并分别进行阐述。
1、数学基础:坐标系统、高程系统的正确性；各类投影计算、使用参数的正确性；图根控制测量精度；图廓尺寸、对角线长度、格网尺寸的正确性；控制点间图上距离与坐标反算长度较差；2、平面精度:平面绝对位置中误差；平面相对位置中误差；接边精度；3、高程精度:高程注记点高程中误差；等高线高程中误差；接边精度。
遥感图像分类后处理
遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。
因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1.实验内容1.小斑块去除●Majority和Minority分析●聚类处理（Clump）●过滤处理（Sieve）2.分类统计3.分类叠加4.分类结果转矢量5.ENVI Classic分类后处理●浏览结果●局部修改●更改类别颜色6.精度评价1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；三、实验设备与材料1.实验设备装有ENVI 5.1的计算机2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于"...\13数据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证ROI四、实验步骤1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
1)Majority和Minority分析Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
监督分类与非监督分类
光谱理论，遥感影像上的同类地物在相同的表面结构特征、植被覆盖、光照条件下，具有相同或相近的光谱特征,应归属于同一个光谱空间区域;不同的地物，光谱信息特征不同，应归属于不同的光谱空间区域。
数据准备与研究区概况实习数据：1. 512×512的研究区 Landsat 8 OLI影像；研究区概况:研究区域位于甘肃省金昌市北部，东北部分连接腾格里沙漠。
研究区地形以戈壁为主，有少量沙漠，土地干旱;植被以干旱植物为主，有叫少量的数目与草地，无河流。
土地空旷。
根据所下载影像数据命名规则可知,成像时间为2014年第262天,即八月下旬。
由于影像为西北河西走廊区域金昌市,农作物一年一熟，成熟期约为八月，故此时农作物尚未成熟。
农作物与各植物依旧呈现绿色。
研究区大部分以沙漠及戈壁为主，除此之外，有少量砾漠、草地、农田等，且有一条较小的河流与一片较大水体,地物种类简单且形式单一。
研究区含小部分城区且城区规模较小，建筑物密集度低，城镇高楼较少，农村建筑以砖瓦房为主，有少量土坯房。
其余戈壁区域未经人为开发，为自然状态。
操作步骤一、监督分类：1、选取研究区数据（512×512或者1024×1024)，结合GoogleEarth影像通过目视解译建立分类系统及其编码体系;编码体系如下：编码地物名称色调12水浇地 irrigated land R225 G225 B15030草地 grassland R170 G190 B03051河流 stream R150 G240 B25552水库、坑塘 reservoir or pond R160 G205 B24071沙漠 sandy desert R200 G190 B17072砾漠 gravel desert R215 G200 B18573裸地及盐碱地 barren land R200 G205 B2002、按照监督分类的步骤,在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区:训练样本如下:对训练样本进行统计，结果如下：对训练样本中各地物特征值进行统计,得到各个类别的特征统计表：地物类型73:barren land 采样单元数：波段1234567号：单变量统计最小13329132781422116003179042056019082值最大14137143391590318212208392251620998值均值13593。
监督分类的基本原理及算法
精度评价
当检查误差矩阵中各种数据时，其地图用 户看到的是分类图中各个类别的可信度，而 制图分析者关心的是用于产生这张分类图的 方法的好坏。从用户角度，误差矩阵显示的 是用户精度，从制图者角度，其显示的制图 精度。计算俩者时，其主要的区别是精度计 算时的基数。对制图精度，基数是参照图上 各类别的总量；而对用户精度，基数是被评 价图像上的各类别的总数量。
最大似然法(贝叶斯)
最大似然法
为如P(w了果使我i)是用们类最没别大有w似更i然被好法观的，测办必到法须的，预概可先率以求，用出所样P以品(w是频可率i)P以代(X预替|w测，i)的即. 。
品P(的w数i)=目nn，w 且,其n中1+nnw为2+.已..+知n分k=类n 数;或据者中我来们自可第以W令总先体样
i
i
.
w w 用其对数 logP( )+logP(X| ) 来代替。
i
i
最大似然法
T
= P( )P(X |
P E E w w w w E 12
21
E 则表示类别
误分类到2 类别
的2)概dx 率 。T P(
)P(X |
1
)d
1
x
w w 12
E 则表示类别
2误分类到类别
1的概率。
)2
2
2
a 2a
a1
比较D(X ,G1)与D(X ,G2)距离，按距离最近准则判别归类。
（2）如果距离定义采用马氏距离，则
式D（2 中X,，Gi）u1,=u(2X,V-1u,Vi )2T分(V别i )为1(GX1， uGi )2,的i 均1,值2 矢量和协方差阵。
监督分类后处理和精度评价
监督分类后处理和精度评价监督分类是机器学习中常用的一种方法，它通过训练模型来预测给定输入的类别。
然而，分类模型的输出可能不够理想，需要进行后处理和精度评价来提高分类的准确性。
本文将介绍监督分类后处理和精度评价的方法，并讨论其优缺点。
重采样方法是解决样本不平衡问题的一种常用后处理方法。
当样本的类别分布不均衡时，模型容易偏向于多数类别。
使用重采样方法可以增加少数类别样本的数量，以缓解这种偏差。
常见的重采样方法包括过采样方法（如SMOTE）和欠采样方法（如NearMiss）。
决策规则是另一种常见的后处理方法。
当分类器的预测结果不确定或存在边缘情况时，决策规则可以根据先验知识或专家经验对结果进行修正。
常见的决策规则有多数投票法和加权投票法等。
特征选择和特征组合也是常用的后处理方法。
通过选择最相关的特征或将多个特征组合成新的特征，可以提高模型的分类能力。
常见的特征选择方法包括过滤法和包装法，而特征组合方法包括特征乘积和特征差等。
除了后处理之外，精度评价是评估分类模型性能的重要指标。
常用的精度评价指标包括准确率、召回率、F1值和ROC曲线等。
准确率是分类器正确分类的样本数占总样本数的比例。
准确率高不代表分类器性能好，在样本不平衡的情况下，准确率可能会被多数类别主导。
召回率是指分类器能够正确识别为正样本的比例。
召回率高表示分类器对正样本的识别能力较好，但忽略了分类器对负样本的识别能力。
F1值综合了准确率和召回率，并平衡了两者之间的关系。
F1值越高，分类器的性能越好。
ROC曲线描述了分类器在不同阈值下的准确率和召回率之间的关系。
一般情况下，ROC曲线越接近左上角，分类器的性能越好。
需要注意的是，不同的应用场景对精度评价指标的要求不同。
因此，根据实际需求选择适合的精度评价指标是十分重要的。
总之，监督分类后处理方法和精度评价指标可以提高分类模型的准确性和可靠性。
通过后处理方法对分类结果进行优化，可以修正分类器的误差；而通过精度评价指标来评估分类器的性能，可以选择最适合的分类器。
实验八监督分类效果评价
将光标移在显示原始图像的窗口中单击一下。 即原始图像窗口与精度评估窗口连接起来。
五、设置随机点的色彩 在accuracy assessment窗口菜单条
1、单击view| change colors命令。
2、在上面窗口中设置点的颜色，单击ok完成 设置并返回到accuracy assessment窗口。
在原始图中仔细查看各个点属于哪个类 别。
九、输出分类评价报告
在accuracy assessment窗口菜单条
单1、单击file|open命令 2、打开classified image对话框。 3、在classified image对话框中确定与窗口对 应的分类专题图像。 4、单击ok按钮，返回accuracy assessment窗 口。
四、连接原始图像与精度评估窗口 在accuracy assement 窗口工具条，单 击select viewer图标
七、显示随机点及其类别 在accuracy assessment窗口菜单条 1、单击view|show all命令 所有随机点均以第 五步设置的颜色显 示在窗口中。
2、单击edit|show class values命令 各点的类别号出现在class字段中。
八、输入参考点的实际类别 在accuracy assessment对话框精度评价。 在reference字段输入各个随机点的实 际类别值。
六、产生随机点 在accuracy assessment窗口菜单条 1、单击edit | create/add random point命令。 打开add random points对话框。 2、在search count中输入”1024” 3、在number of points中输入 “10”，即随机点数为10。单击ok 返回。
监督分类——精选推荐
实验十监督分类实例与练习：某地区的遥感影像监督分类背景：现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。
本例中使用监督分类的方法，实现土地利用类型的划分。
目的：通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。
监督分类流程图：监督分类过程1 定义分类模板（1）在viewer窗口中选择打开smtm.img，在raster options选择fit to frame（2）单击classifer|classification|signature editor，打开分类模板编辑器（signature editor）（3）在viewer窗口中打开raster|tools，打开raster工具面板（4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中（5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中（6）用同样的方法加载9个深蓝色多边形AOI（7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板（8）单击其signature name属性进入编辑状态，输入water，单击color属性，选择深蓝色（9）在signature editor菜单条，单击edit|delete，删除合并前的模板（10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident）（11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板(all)，并保存分类模板文件的目录2评价分类模板（1）分类预警评价①选中water类别②在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开signature alarm对话框③选中indicate overlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框设置为黄色④点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum，并选择使用的模板：current（当前模板）⑤设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signature alarm对话框⑥在viewer窗口，选择utility|flick命令，选择auto mode，speed设为600.⑦按照同样的方法分别对forest, farmland, grass类进行预警掩膜，查看准确性（2）可能性评价①选中signature editior属性表中的所有类别②单击evaluate|contingency, 打开contingency matrix对话框，nonparamatric选择feature space, overlap rules选择parametric rule，unclassified rule选择paramatric rule，paramatric rule 选择maximum likehood③设置完成后，点击ok按钮，便显示分类误差矩阵，若误差矩阵大于85%，结果令人满意。
遥感图像的分类实验报告
遥感图像的分类实验报告一、实验名称遥感图像的监督分类与非监督分类二、实验目的理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。
三、实验原理监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：38.90407 中心经度：113.11840。
鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。
五、实验过程1.监督分类1.1打开并显示影像文件，选择合适的波段组合加载影像打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。
1.2使用感兴趣区（ROI）工具来选择训练样区1）主影像窗口菜单栏中，选择Overlay >Region of Interest。
遥感图像分类后处理
遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。
因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1.实验内容1.小斑块去除●Majority和Minority分析●聚类处理（Clump）●过滤处理（Sieve）2.分类统计3.分类叠加4.分类结果转矢量5.ENVI Classic分类后处理●浏览结果●局部修改●更改类别颜色6.精度评价1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；三、实验设备与材料1.实验设备装有ENVI 5.1的计算机2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于" (13)据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证ROI四、实验步骤1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
1)Majority和Minority分析Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
监督分类
监督分类（Supervised Classification）监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。
在监督分类过程中，首先选择可以识别或者借助于其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。
对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
1．建立模板（训练样本、定义分类模板Define Signatures）ERDAS IMAGINE的监督分类是基于分类模板（Classification Signature）来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器（Signature Editor）来负责的。
在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。
第一步：显示需要分类的图像在视窗Viewer中显示图像aaa.img第二步：打开分类模板编辑器（两种方式）①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→ Signature Editor菜单项→ Signature Editor对话框②ERDAS图标面板工具条：点击Classifier图标→Classification菜单→Signature Editor菜单项→ Signature Editor对话框从上图中可以看到分类模板编辑器由菜单条、工具条和分类模板属性表（CellArray）三大部分组成。
第三步：调整分类属性字段Signature Editor对话框中的分类属性表中有很多字段，分类名称（将带入分类图像）分类颜色（将带入分类图像）分类代码（只能用正整数）分类过程中的判断顺序分类样区中的像元个数分类可能性权重（用于分类判断）不同字段对于建立分类模板的作用或意义是不同的，为了突出作用比较大的字段，需要进行必要的调整。
PIE-Basic监督分类和分类后处理
PIE-Basic监督分类和分类后处理1.功能概述1.1 图像分类功能概述在遥感技术的应⽤中，对资源分布、⾃然灾害、区域环境等的监测和分析依附于遥感图像分类。
⽽遥感图像分类是进⾏图像信息提取的有效⼿段。
随着遥感技术的的不断改进，各领域对遥感图像分类⽅法的要求越来越⾼，主要表现在以下⼏个⽅⾯：分类结果的精确性：各领域对分类结果的精度要求越来越⾼。
分类速度的时效性：随着近年来遥感数据的快速增长，项⽬中往往需要进⾏海量遥感数据的快速处理。
遥感图像分类属于⼤规模机器学习，数据量⼤导致运算量很⼤。
另外，⼈们在追求⾼精度的同时，计算复杂度也随之增加，这对遥感应⽤的时效性提出了很⾼的要求。
分类⽅法使⽤的便捷性：解译⼈员对分类算法的分类⾏为难以理解，⽆法准确了解参数设置与分类结果之间的关联性，需要将分类器的⾏为转化为易于理解的符号规则，把遥感影像的内在特征和规律显⽰出来。
1.2 监督分类功能特点遥感图像分类实现的主要⽅法包括监督分类和⾮监督分类。
其中监督分类作为⼀种先学习后分类的机器学习策略，利⽤像元光谱特征的相似性进⾏分类，具有较⾼的分类精度，是对遥感图像进⾏信息提取的主要⼿段。
监督分类功能特点包括：充分利⽤分类地区的先验知识，有⽬的的选择分类类别；通过对样本的反复检验和训练，提⾼分类成果的可靠性，出现严重错误的⼏率较低；分类速度相对较快，分类精度较⾼；⼈为主观性⽐较强，获取合格的样本⽐较费时费⼒。
分类⽅法优点缺点适⽤范围监督分类精确度⾼,准确性好,与实际类别吻合较好⼯作量⼤有先验知识时使⽤该⽅法⾮监督分类⼯作量⼩易于实现分类结果与实际类别相差较⼤,准确性差在没有类别先验知识时使⽤该⽅法在实际应⽤中监督分类精度要⾼于⾮监督分类，更适⽤于遥感图像的精细化分类，⾮监督分类可应⽤于分类精细化程度不⾼的快速分类的场景中。
1.3 监督分类应⽤在⽬前的遥感图像分类的应⽤中，传统模式识别的监督分类⽅法，诸如最⼩距离、最⼤似然法等，能够满⾜应⽤⼈员对⼤区域遥感影像的快速分类处理需求。
监督分类方法
基于光谱的影像的分类可分为监督与非监督分类，这类分类方法适合于中低分辨率的数据，根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法的流程和相关知识。
有以下内容组成：∙监督分类∙非监督分类∙分类后处理监督分类监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤，如图1所示：图1监督分类步骤1、类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
2、样本选择为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。
本例中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。
如图2所示，设置好颜色和类别名称（支持中文名称）。
监督分类实验报告
实验报告实验九遥感图像的分类—监督分类一、原理及方法简介监督分类又称训练场地法，是一种以统计识别函数为理论基础，依据典型样本训练方法进行分类的技术，即：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。
在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。
对模板进行评价后再对其进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification）。
二、实验目的1、理解监督分类方法的基本原理。
2、掌握利用ERDAS进行监督分类的操作流程。
3、了解分类后评价过程。
三、实验内容在ERDAS软件中，对TM影像进行监督分类，将图像中的植被、水体、城镇等地物特征提取出来。
实验数据：实验九\TM_bjcity.img四、实验步骤（一）定义分类模板定义分类模板操作包括模版的生成、管理、评价和编辑等，主要利用分类模板编辑器（Signature Editor）完成，具体步骤包括：步骤一：从ERDAS主界面中，打开Viewer视窗，然后选择输入文件：实验九\TM_bjcity.img，并在Raster Option（图像设置）中设置Red|Green|Blue对应的波段值分别为4|3|2，选择Fit to Frame（合适窗口大小），如图。
步骤二：单击OK，在Viewer视窗中显示待分类图像。
打开分类模板编辑器。
在ERDAS图标面板工具条中点击Classifier（分类器）图标，选择Classification（分类）→Signature Editor（特征编辑器）菜单，打开分类模板编辑器Signature Editor，如图。
监督分类后处理和精度评价
监督分类后处理和精度评价
1.下面的图像是用监督分类法来分的乌鲁木齐市的遥感图像，我分了四个class，植物，水体，城市，山地等。
我们可以看到很多不应该城市的地方变成城市了，所以我们应该对它进行一些处理。
2.处理过程是：#1Max like窗口的overlay-→classification→出现一个下面的窗口
我把Active class调整山地，然后按下面的步聚来进行处理
#1Interactive class tool 窗口的Edit→Mode: polygon add to class
3.下面的是处理好的图像。
4.接下来可以进行精度评价；classification→post classification→Confusion Matrix→Using Ground Truth ROIs。
然后选择自己分类的图像和原图像进行评价操作。
5.下面的进行精度评价而的出来的结果。
特征提取灰度共生矩阵(GLCM)
• 一幅图像的灰度级数一般是256，这样计算的灰度 共生矩阵太大。为了解决这一问题，在求灰度共 生矩阵之前，常压缩为16级。
一、遥感图像分类概述
基于灰度共生矩阵(GLCM)的特征
二、监督分类
3.最小距离分类法(Minimum distance classifier)
• 一种相对简化了的分类方法。 • 假设N维空间存在M个类别，某一像元距哪类距离最小，
则判归该类。 • 通过训练样本事先确定类别数、类别中心，然后进行分
类。分类的精度取决于训练样本的准确与否。
25
二、监督分类
前提是认为每一类的概率密度分布都是正态的，由每一类的均值 向量和协方差矩阵可以得到多维特征空间的概率密度分布函数。
根据样本统计，可计算特征向量X在第i类的概率分布密度为：
p X | wi
1
n
2 2 |
i
1
|2
exp
1 2
X
Mi T i 1 X Mi
a.数字特征的建立——对象的数学描述（形状、颜色） b.提取一组训练（已知）样本——先验知识 c.分类器建立——判决函数 d.对未知模式进行分类——识别
数学 模式
一、遥感图像分类概述
3.遥感图像计算机分类的基本原理
基于遥感图像中反映 的同类地物的特征相 似性和异类地物的特 征差异性。通过分析 特征空间中点群的位 置分布中心、分布规 律等，确定点群的界 限，完成分类。
一、遥感图像分类概述
3.遥感图像计算机分类的基本原理
分类过程
分类预处理：大气校正、几何校正与配准 特征选择(提取) 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作
- 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)。
监督分类后处理和精度评价
1.下面的图像是用监督分类法来分的乌鲁木齐市的遥感图像，我分了四个class，植物，水体，城市，山地等。
我们可以看到很多不应该城市的地方变成城市了，所以我们应该对它进行一些处理。
2.处理过程是：#1Max like窗口的overlay-→classification→出现一个下面的窗口b5E2RGbCAP
我把Active class调整山地，然后按下面的步聚来进行处理
#1Interactive class tool 窗口的Edit Mode:polygon add to classp1EanqFDPw
3.下面的是处理好的图像。
4.接下来可以进行精度评价；classification→post classification→Confusion Matrix→Using Ground Truth ROIs。
然后选择自己分类的图像和原图像进行评价操作。
DXDiTa9E3d
5.下面的进行精度评价而的出来的结果。
申明：
所有资料为本人收集整理，仅限个人学习使用，勿做商业用
途。