环境遥感-遥感图像专题分类.ppt

第四章 遥感图像专题分类 蔡玉林 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 第二节 非监督分类 第二节 非监督分类 第二节 非监督分类 第二节 非监督分类 第三节 监督分类 最大似然法 最小距离分类法 平行六面体法 第三节 监督分类 最大似然法（MLC） 判别规则：每个像素对于各类别的归属概率 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) ） 第三节 监督分类 最大似然法（MLC） 判别规则：每个像素对于各类别的归属概率 第三节 监督分类 最小距离分类法 例子： 第三节 监督分类 最小距离分类法 例子： 第三节 监督分类 最小距离分类法 判别规则：像元与各个类别之间的距离 第三节 监督分类 平行六面体法 例子： 第三节 监督分类 平行六面体法 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 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 平行六面体法 第五章 遥感分类中的不确定性和尺度问题 分类精度评价 后处理 第五章 遥感分类中的不确定性和尺度问题 分类精度评价 混淆矩阵 总体精度，生产者精度，用户精度 Kappa系数 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 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 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 第五章 遥感分类中的不确定性和尺度问题 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 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 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 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 分类精度评价—混淆矩阵 后处理 第五章 遥感分类中的不确定性和尺度问题 分类精度评价—Kappa系数 后处理 第五章 遥感分类中的不确定性和尺度问题 后处理 第五章 遥感分类中的不确定性和尺度问题 后处理 第五章 遥感分类中的不确定性和尺度问题 后处理 第五章 遥感分类中的不确定性和尺度问题 后处理--clump 第五章 遥感分类中的不确定性和尺度问题 后处理--clump 第五章 遥感分类中的不确定性和尺度问题 后处理—sieve，即筛除 第五章 遥感分类中的不确定性和尺度问题 后处理—majority/minority analysis 第五章 遥感分类中的不确定性和尺度问题 后处理—majority/minority analysis 第五章 遥感分类中的不确定性和尺度问题 后处理—majority/minority analysis 练 习 用户精度表示分类结果中各类别的可信度。 运行误差—结果误差 ，不要这么叫 不同地物光谱信息特征一定不一样 对像元进行划分和重新计算分类均值的次数称迭代次数 Kappa系数在0.4以上分类结果比较可信 假设： Pc为总体精度 N F E D 列和 C C3 C2 C1 z B B3 B2 B1 y A A3 A2 A1 x 行和 z y x 图像类别 检验 数据 N F E D 列和 C C3 C2 C1 z B B3 B2 B1 y A A3 A2 A1 x 行和 z y x 检验数据 图像 类别 实测结果 分类结果 总体精度？ 生产者精度？ 用户精度？ 分类结果 实测结果 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) 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。 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。 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。 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 majority analysis example: minority analysis example: 计算上述误差矩阵的总体精度，用户精度，生产者精度（制图精度），Kappa系数，