遥感图像专题分类

第五章 遥感分类中的不确定性和 尺度问题
2. 后处理--clump
作用：将邻近的类似分类区域合并集群，使分类结
果呈现空间连续性。
第五章 遥感分类中的不确定性和 尺度问题
2. 后处理—sieve，即筛除
作用：可以解决孤岛问题。效果类似于clump,
不同的是，被选中的像元会被从某类别中删除
，成为未分类像元。
x y z 列和
x A1 B1 C1 D
图像类别
y
z
A2
A3
B2
B3
C2
C3
E
F
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
用户精度： 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： 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
生产者精度
用户精度
第五章 遥感分类中的不确定源自文库 和尺度问题
1. 分类精度评价—Kappa系数
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；
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) ）
遥感图像专题分类
2020年4月18日星期六
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;
总体精度？ 用户精度？ 生产者精度？
分类结果
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
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。
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。
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
处理方法： ➢ 类别合并(Combine) ➢ 聚块(Clump) ➢ 筛除(Sieve) ➢ 主／次要分析（Majority/Minority analysis)
第五章 遥感分类中的不确定性和
尺度问题
1. 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--clump
作用：将邻近的类似分类区域合并集群，使分类结 果呈现空间连续性。
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
，（ >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；
第三节 监督分类
2. 最小距离分类法 3. 例子：
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：
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
第五章 遥感分类中的不确定性和 尺度问题
2. 后处理—majority/minority analysis
作用：去掉虚假类别像元。
majority analysis－主要分析指以移动窗口
中主要像元类别替代中心像元类别；
minority analysis－次要分析指以移动窗口
中主要像元类别替代中心像元类别
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。
第五章 遥感分类中的不确定性 和尺度问题
总体精度：
第五章 遥感分类中的不确定性 和尺度问题
生产者精度： 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： 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
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
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
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
假设 ：
Pc为总体精度
检验 数据