遥感图像认识和解译.ppt

4.4 多数/少数分析Majority/Minority Analysis 多数或者少数分析 中心像元将被给定的窗口内的多数像元或者少数像元值所取代。 举例 多数分析 4.5 类别叠加显示 将分类的图像叠加在一个彩色合成遥感图像上。对于分类图像可以选择要叠加的类别。 用途：动态变化的监测，分类结果的检验与交互式修改。 5. 精度评价 5.1 精度评价流程 5.2 检验数据 5.3 采样方法 5.4 混淆矩阵 5.5 Kappa统计 5.1 精度评价流程 分类精度直接关系到更新GIS数据库的能力，说明分类结果的可信度。 5.2 检验数据 检验数据和遥感分类结果对比，形成混淆矩阵，评价遥感图像分类结果。 1）检验数据 检验数据主要来自于地面实况的调查或更高空间分辨率的航空图像的目视解译结果。 ENVI软件中通过定义ROI来实现。 5.3 采样方法 ①来自监督分类的训练样区 ②专门选定的试验场 ③随机取样 检验样本的采样方法是影响精度评价结果的重要因素。 5.4 混淆矩阵 采用某种采样方法得到检验数据，对比遥感分类结果图得到混淆矩阵。混淆矩阵的形式如表。 运行误差（Commit Error）=(E+F)/G 用户精度（User’s Accuracy）：=A/G =100%-运行误差 结果误差（Omission Error）= (B+C)/D 生产者精度（Producer’s Accuracy）= A/D =100%-结果误差 总体精度(Overall Accuracy) = 正确分类/总样本数 5.5 Kappa统计 总体精度并不能排除偶然一致性，Cohen（1960）提出的kappa统计评价方法。kappa统计也是根据混淆矩阵来计算。 其中m为类别数， 为对角线样本的数目， ， 分别是i行i列上样本数目的总和，N为样本数目。 5.5 Kappa统计(续1) Kappa统计用到了混淆矩阵中每一个元素，用来度量实际吻合（Actual Agreement）和变化吻合（Change Agreement），比只计算总体精度要合理些。总体精度只考虑混淆矩阵对角线上元素，kappa系数考虑了非对角线上的元素 Kappa统计的意义是：如果Kappa统计为0.7，则表示所用的分类方法比随机赋予各点某一类别的方法优越70%。目前kappa统计也成为评价分类结果的一个标准参数。 5.6 分类精度评价 1、分类前的遥感图像预处理 遥感图像的预处理，几何校正，辐射校正 图像特征变换，主成分变换，NDVI 空间信息的提取与利用 2、分类树，分层分类 当一次性分类出现类间混淆又难以解决时，可以采用逐次分类的方法 3、不同的分类方法结合 监督分类与非监督分类结合：混合分类 4、多种信息复合 遥感信息 非遥感信息：其它地理辅助信息；比如DEM，坡度，土壤类型图等 提高分类精度的策略 本章课程结束！ 学习动物精神 11、机智应变的猴子：工作的流程有时往往是一成不变的，新人的优势在于不了解既有的做法，而能创造出新的创意与点子。一味 地接受工作的交付， 只能学到工作方法 的皮毛，能思考应 变的人，才会学到 方法的精髓。 学习动物精神 12、善解人意的海豚：常常问自己：我是主管该怎么办才能有助于更好的处理事情的方法。在工作上善解人意， 会减轻主管、共 事者的负担，也 让你更具人缘。 * 一般来讲，目视解译精度高，正确率好，但效率低。其原因在于目视解译可将人的经验、常识、知识加上去，这些经验等往往是难以用数学模型表达的。但目视解译因效率太低，在大多数场合上只能作为辅助性的一种方法，计算机分类目前已占据主要地位，但是任何时候目视解译还是不可完全替代的。 * * 当您用眼睛观察一个区域时，您会从特定区域周围再观察到局部，您可能通过观察该特定区域的特殊尺寸、形状、颜色等，所有这些使您把它和一个具体的事物联系到一起最终判定出是什么物体。 * * 利用一定数量的已知的样本的观测值求解待定参数的过程 * 有些书称为C-均值算法，在向量化领域中，又称为：广义Llogd算法（GLA） * To set the optional standard deviation to use around the class mean and/or the maximum allowable distance error (in DN), enter the values in the Maximum Stdev From Mean: or Maximum Distance Error: text boxes, respectively. If both o