专题四：分赖泥后处理.pptVIP

图像分类及分类后处理;遥感数字图像处理概论 图像的数据格式及统计描述 BSQ\BIP\BIL三种数据格式 统计特征参数 ENVI基础 遥感图像分类 监督分类 分类后处理; 图像分类 ;计算机分类是对遥感图像上的地物进行属性的识别和分类，是模拟识别技术在遥感技术领域中的具体运用 ;非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。 监督分类法：选择具有代表性的典型训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。 ;2、监督分类与非监督分类方法比较 根本区别在于是否利用训练区来获取先验的类别知识。 监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。 非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。 ;图象预处理;selecting training areas, also known as regions of interest (ROI). Parallelepiped,(平行六边行法) Minimum Distance,(最小距离) Mahalanobis Distance, Maximum Likelihood, (最大似然法) Spectral Angle Mapper, Binary; 1、监督分类 ;最大似然比分类法(Maximum Likelihood) ;监督分类 前提：已知遥感图像上样本区内地物的类别，该样本区又称为训练区。 过程： （1）确定判别准则，计算判别函数——训练 （2）将未知类别的样本值代入判别函数，判定类别。 利用已知类别样本的特征值求解判别函数的过程称为学习或训练。 ;训练区（ROI AOI）：抽样调查 ROI类型 点 线 面 ROI选择　　 具有代表性和光谱特征比较均一的地段，实地调查 ;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.; 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。 ;ENVI 有许多 post 分类选项，包括一个规则图像分类器，计算分类统计，和混淆矩阵，clumping、筛选和合成分类，在一幅图像上将类叠置，输出类到矢量层。 分类后处理的内容并无严格限定，视专业需要而定。 ;滤波处理－制图学中的“综合”（概括） 去掉分类图中过于孤立的类的像素，或者归并到周围相邻的较连续分布的那些类。 最小连片像素数，服从“多数”原则;细小图斑块，需要剔除或重新分类 Majority/minority分析 聚类处理 过滤处理;Majority: 类似于卷积计算，定义一个变换核，将变化核中占主要地位（像元素最多）的像元类别代替中心像元的类别。 Minority: 将变化核中占次要地位的像元类别代替中心像元的类别。 ;聚类处理（Clumping） 运用形态学算子将临近的类似区域聚类并合并，分类区域中斑点或洞的存在，缺少空间连续性。 扩大操作，制定变换核进行侵蚀操作;过滤处理（Sieve） 分类中的孤岛问题 斑点分组，判断是否同组，删除的归为未分类;遥感图像分类精度分析通常把分类图与标准数据 （true image,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表示，由于未考虑位置因素，类别之间错分结果彼此平衡，在一定程度上抵消分类误差，分类精度偏高，早期分类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，目前普遍采用混淆矩阵的方法，即以kappa系数评价整个分类图的精度，逐渐发展成主要的精度评价方法。 ;混淆矩阵（Confusion Matrix ）矩阵建立: 由n行n列组成的矩阵，n代表类别数。混淆矩阵列方向（左右）表示实际类别（true）的第1类到第n类，行方向（上下）代表分类结果的第1类到第n类。矩阵中的元素是像素值或百分比。 ;评价指标