遥感影像解译-分类后处理及精度评价、分类新方法

2 面向对象分类
耕地 居民区
高分辨率遥感数据拥有更加丰富 地物精细识别 == 精确提取地块 的地物信息（光谱、几何、 边界 +准确确认地块属性 结构、纹理等）
过去的方法是依靠人工勾绘边界，看图
识字。高分辨率遥感图像地物信息丰富、 数据量大。但仅依靠人工的方法对高分
辨率遥感影像进行解析已经难以满足应
b. SVM vs SVM+Majority Voting
(3) SVM 水体提取结果
(5) SVM+Majority Voting 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
(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 16.36% 1 Ec 56104
(f) 错分误差 (Errors of Commission)
面向对象分类结果
面向对象分类的流程
多尺度分割 对象特征提取
选择对象 训练样本 训练分类器 对象合并 聚类
多波段遥感 影像数据
分类Biblioteka Baidu
影像对象层
监督分类
非监督分类
分类结果
(1) 通过影像分割生成
对象分析基元
(2) 对象特征综合了光谱和
空间等信息
分类与分割
• 分割：
- 获取影像对象的过程（像素向上合并的过程）。 • 分类： - 把具有相近关系的影像对象归为一类的过程。
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。
(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
往期课程要点复习
• 人工目视解译和解译标志
• 遥感影像自动分类的原理
• 常用监督分类和非监督分类方法
• 人工目视解译和计算机自动分类的比较
K-means 方法
1、初始化聚类中心
(1) 从样本集中选出C个比较合适的样本作为初始聚类中心,将全部样本 随机地分成C类。
2、初始聚类
(1) 按就近原则将样本归入各聚类中心所代表的类中。 (2) 重新计算样本均值，更新聚类中心。然后取下一样本，重复操作， 直至所有样本归入相应类中。
第k行所 有列值 之和
第k列所 有行值 之和
(d) 生产者精度(Producer’s Accuracy)
• 生产者精度(Producer’s Accuracy)：
- 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：
Aprod
25446 48.02% 1 Eo 52987
用需求。因此，需要自动化的处理方法。
2 面向对象分类
基于像元分 析
高分辨率遥感影像自 动分类方法
自 然 的 趋 势
像元间彼此独立 斑点噪声严重
面向对象分 析
分析基元为图像块或 像素簇，顾及上下文 关系 空间平滑性较好
原始影像 (AVIRIS image Indian Pine)
基于像元分类结果
3×3窗口分析结果
(3) 分类后处理-类过滤
• 类过滤 Sieve Classes
a. 用于消除类别图中孤立象元 b. 通过查找象元8邻域或4邻域中是否存在同一类别的象 元来进行，如有则保留，没有则去除
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
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。
15
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
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 整幅图像进行精度分析。
• 分类新方法
- 半监督分类；
- 面向对象分类；
- 分类器集成 - ……
26
1 半监督分类
• 机器学习 (Machine Learning)模式：
- 监督学习：仅仅利用已标注类别的样本进行训练以确定 分类器； - 非监督学习：只利用未标注类别的数据进行聚类分析； - 半监督学习：利用已标注类别的样本+未标注样本来确 定分类器。
• 漏分误差(Errors of omission) ：
- 说明某类像元被错分到其它类的概率，利用混淆矩阵 的列来计算。如植被的漏分误差：
26311 1147 83 27541 Eo 51.98% 26311 1147 83 25446 52987
三、分类新方法
• 随着模式识别与机器学习技术的不断发展，将先进的机器 学习技术应用到遥感影像分类中，并充分考虑影像本身的光 谱信息、空间信息、时间序列信息以及各类地理辅助信息可 以大大提高遥感影像分类的精度。
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。
第五部分 遥感影像解译
1、遥感影像人工目视解译和计算机自动分类

在线学习视频和研讨
2、分类后处理及精度评价、分类新方法
分类后处理及精度评价、分类新方法
内容提要 (Outline)
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。
(b) 总体精度(Overall Accuracy)
• 总体精度(Overall Accuracy)
a. 用于去除单个类中的虚假象元 b. 利用模板运算实现，模板中心象元被赋值为模板窗口 中占多数的象元的值
3×3窗口分析结果
(2) 分类后处理-类聚块
• 类聚块 Clump Classes
a. 使空间上邻近的同一类的区域连成块 b. 用于消除类别图中空间上的不一致(如小斑块、空洞
等)
c. 通常采用形态学方法进行
一、分类后处理
二、精度评价 三、分类新方法
一、分类后处理
• 计算机分类得到的是初步结果，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。
• 分类后处理的内容多为平滑滤波处理。
5
(1) 分类后处理-众数分析
• 众数分析 Majority Analysis
• 抽样方法：
a. 监督分类的样本区；b. 实验场抽样；c. 随机抽样。
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。
• 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 的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
- 正确分类像元数除以图像像元总数，即
正确分类像元数 总体精度＝ 100％ 总像元数 对角线上像元数之和 ＝ 100％ 总像元数
(c) Kappa 系数 (Kappa coefficient)
N
像元总 数
＝
x x N x x
kk k k 2 k
对角线像 元总数
k x k
k k
• 错分误差(Errors of Commission)：
- 说明其它类像元被错分到该类的概率，利用混淆矩阵 的行来计算。如水的错分误差：
45777 0 1147 46924 Ec 83.64% 45777 9180 0 1147 56104
(g) 漏分误差 (Errors of omission)
影像分割
- 根据影像的部分特征将一幅图像分成若干“有意义”的互
不交叠的区域，使得这些特征在某一区域内表现一致或相 似，而在不同区域间表现出明显的不同。 - 影像分割是对遥感影像进行进一步面向对象分析、理解和 识别的基础，是高分辨率遥感影像应用领域的关键技术之
一。
不 同 尺 度 下 的 分 割 结 果
3 分类器集成
• 利用多个分类器集成来共同解决一个分类问题： 传统分类器
问题
分类器集成
问题
分类器
分类器
… ... … ... 分类器 分类器
集成学习的分类器泛化能力通常较单一分类器有显著的提升。
要点总结
• 分类后处理
• 精度评价 • 分类新方法
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. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
(4) 高斯混合模型+MRF方法