第四部分遥感数字图像的计算机分类.pptVIP

统计模式识别的概念和基本问题 统计模式识别的概念和基本问题 统计模式识别的概念和基本问题 统计模式识别的概念和基本问题 最小距离分类法 最小距离分类法是以特征空间中的距离作为像元分类的依据。原理简单，计算速度快，分类精度不高。 平行多面体分类 最大似然比分类法 非监督分类与监督分类的结合 第一步:选择一些有代表性的区域进行非监督分类 第二步:获得多个类别的先验知识 第三步:特征选择 第四步:使用监督法对整个影像进行分类 第五步:输出标记图像 问题（光谱分类）： 同物异谱：同类地物具有不同的光谱特征 同谱异物：不同的地物可能具有相似的光谱特征。 如：同一作物，生长状态不同，光谱特征有差异； 不同的植被类型可能有相似的光谱特征 问题：光谱类和信息类不对应 光谱类（spectral class）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类 信息类(information class)：根据实际需要待分的类别 人为的划分 如城市类由道路、建筑物、水体、绿地等不同地物组成，不同地物光谱特征不同 砖场：烟囱（窑）、取土坑、堆砖处、房屋等 五、光谱特征分类中的辅助处理技术 六、遥感图像计算机分类新方法 模糊数学方法 专家系统方法的应用 小波理论及其方法 人工神经网络方法 四、遥感数字图像的分类后处理 精度评价Evaluate 1、分类评价的方法 遥感图像分类精度分析通常把分类图与标准数据(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索或部分类别代替整幅图像来进行精度分析。 精度评价Evaluate 1、分类评价的方法 分类叠加：将分类图像与原始图像同时在一个视窗中打开，通过改变分类专题层的透明度及颜色信息，查看分类图像何原始图像之间的关系。 定义阀值：用户可以对每个类别设置一个距离阈值，将可能不属于它的像元筛选除去，筛选出去的像元在分类图像中将被赋予另一个分类值，这种方法可以确定哪些像元最可能没有被正确分类，从而对监督分类的初步结果进行优化。 分类重编码：对分类图像进行了分析之后，可能需要对原来的分类进行重新组合(如将林地1与林地2合并为林地)，给部分或所有类别以新的分类值。 分类精度评估：将专题分类图像中的特定像元与已知分类的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其它数据进行对比。 2、精度评价的内容 遥感图像分类精度分为非位置精度和位置精度。非位置精度以一个简单的数值，如面积、像素数目等表示分类精度，由于未考虑位置因素，类别之间的错分结果彼此平衡，在一定程度上抵消了分类误差，使分类精度偏高。我国早期分类工作中的精度评价多是非位置精度评价。 位置精度分析将分类的类别与其所在的空间位置进行统一检查。 方法：混淆矩阵，即以Kappa系数评价整个分类图的精度，以条件Kappa系数评价单一类别的精度。应用混淆矩阵的Kappa系数进行分类精度的检验，是l960年Cohen提出的。以后有许多学者在Kappa系数的算法和应用方面做了大量工作，并逐渐发展成遥感分类的主要精度评价方法。 3、混淆矩阵（误差矩阵） （1）混淆矩阵中，检验用的实际类别来源 分类前选择的训练区和训练样本时确定的各个类别及其空间分布图; 类别已知的局部地段的专业类型图; 实地调查的结果。 （2）不同精度估算量的计算 以第1类为例计算： 运行误差=（2+7+12）/175=12% 用户精度（类正确率）=100%-12%=88% 结果误差=（15+2）/（15+2+154）=9.9% 生产者精度=154/ （15+2+154）=100%-9.9%=90.1% 四、遥感数字图像的分类后处理 精度评价Evaluate 4、Kappa系数 （1）Kappa系数的计算 四、遥感数字图像的分类后处理 精度评价Evaluate 4、Kappa系数 （2）Kappa系数与分类总精度的关系 四、遥感数字图像的分类后处理 精度评价Evaluate 4、Kappa系数 （3）Kappa系数值的含义 四、遥感数字图像的分类后处理 精度评价Evaluate 5、制约分类精度的主要因素 （1）遥感影像的制约 （2）分类方法的影响 （3）基于常规统计方法的分类算法的缺陷 四、遥感数字图像的分类后处理 遥感专题制图 技术路线： 注意的问题： 分类赋色 叠加修饰符号（图名、比例尺、公里网、指北针、图例、图廓、注记、统计图表） 打印输出 四、遥感数字图像的分类后处理 遥感专题制图类型 地质图 土地利用图 农、林、牧等资