envi监督与非监督分类.pptVIP

3.2 监督分类——练习 第六步：结果验证 对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。 真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单-Classification-Post Classification-Confusion Matrix或者ROC Curves来选择。 真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用ROI工具，在TM图上均匀的选择6类真实参考源，如下图所示。 3.2 监督分类——练习 3.2 监督分类——练习 选择主菜单Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据分类代码自动匹配，如不正确可以手动更改（下图）。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表（分类精度评价混淆矩阵图）。 3.2 监督分类——练习 分类精度评价混淆矩阵图 3.2 监督分类——练习 这里说明一下混淆矩阵中的几项评价指标，如下： 总体分类精度 等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = (1849/2346) 78.8150%。 3.2 监督分类——练习 Kappa系数 它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。 Kappa计算公式 3.2 监督分类——练习 错分误差 指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，林地有419个真实参考像元，其中正确分类265，12个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为12/419=2.9%。 漏分误差 指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的耕地类，有真实参考像元465个，其中462个正确分类，其余3个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为3/465=0.6% 3.2 监督分类——练习 制图精度 是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。如本例中林地有419个真实参考像元，其中265个正确分类，因此林地的制图精度是265/419=63.25%。 用户精度 是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。如本例中林地有265个正确分类，总共划分为林地的有277，所以林地的用户精度是265/277=95.67%。 3.4 非监督分类 非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。 分类器选择 影像分类 类别定义/类别合并 分类后处理 结果验证 影像分析 ISODATA K-means 其他 3.4 非监督分类——练习 数据源 以Landsat TM为数据源（“6-监督与非监督分类”文件夹内） 处理过程 分类器选择ISODATA或者K-mean对TM进行分类。 分类后处理 类别定义 类后处理 Majority/Minority 分析、Clump、Sieve 重新组合类别 精度分析 生成随机样本 混淆矩阵 结果 分类结果 3.4 非监督分类——练习 第一步：影像分析 大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。 本案例的类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。确定在非监督分类中的类别数为15。 3.4 非监督分类——练习 第二步：分类器选择 目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。ENVI包括了ISODATA和K-Mean方法。 ISODATA（Iterative Self-Orgnizing Data Analysize Technique）重复自组织数据分析技术，计算数据空间中均匀分布的类均