遥感图像处理A课件 第八章+图像分类+-+遥感图像处理.pptVIP

遥感图像分类中存在的问题（五） 提高遥感图像分类精度受到限制 下垫面的影响 下垫面的覆盖类型和起伏状态对分类具有一定影响。下垫面的覆盖类型多种多样，受传感器空间分辨率限制，农田中的植被、土壤和水渠，石质山地稀疏的灌丛和裸露的岩石均可以形成混合像元，它们对遥感图像分类的精度影响很大。这种情况可以在分类前首先进行混合像元分解，把它们分解成子像元后再分类。分布在山区向阳面与背阳面的同一类地物，单位面积上接收太阳光能不同，地物电磁波辐射能量也不同，其灰度值也存在差异，容易造成分类错误。在地形起伏变化较大时，可以采用比值图像代替原图像进行分类，以消除地形起伏的影响。 遥感图像分类中存在的问题（六） 提高遥感图像分类精度受到限制 其他因素的影响 图像中的云朵会遮盖目标地物的电磁波辐射，影响图像分类。对于图像中仅有少量云朵时，分类前可以采用去噪音方法进行清除； 多时相图像分类时，不同景的图像由于成像时光照条件的差别，同一地物电磁波辐射量存在差别，这也会对分类产生影响 地物边界的多样性，使得判定类别的边界往往是很困难的事。例如，湖泊和陆地具有明确的界线，但森林和草地的界线则不明显，不少地物类型间还存在着过渡地带，要精确将其边界区别出来，并非是一件容易的事。因此， 提高遥感图像分类精度，既需要对图像进行分类前处理，也需要选择合适的分类方法。 结果比较 DOCKSVM SVM 总体精度 96.8685% 95.8246% Kappa系数 0.9643 0.9524 结果比较 DOCKSVM模块分类结果 SVM模块分类结果 水体 居民区 林地(密) 林地(疏) 未利用地 裸地 耕地1 耕地2 耕地3 研究成果6:基于DOCKSVM的地表覆盖变化检测研究 ENVI版 单机版 DOCKSVM软件与 LIBSVM软件效果比较 DOCKSVM多类问题分类 数据描述 DOCKSVM多类问题分类 DOCKSVM特征域的划分 模型最优参数选取 DOCKSVM多类问题分类 分类精度比较 DOCKSVM单类问题分类 数据描述 DOCKSVM单类问题分类 DOCKSVM特征域的划分 模型最优参数选取 DOCKSVM单类问题分类 分类精度 DOCKSVM回归 数据描述 DOCKSVM回归 DOCKSVM中合成核中各特征域的核函数权值 DOCKSVM特征域划分 模型最优参数选取 DOCKSVM回归 预测精度（均方误差MSE） 6、遥感图像分类精度检查 遥感图像分类精度检查 在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。 在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。 误差矩阵的评价 遥感图像分类精度检查-误差矩阵 实际 类别 试验像元的百分率（%） 试验像元 类别1 类别2 类别3 1 84.3 4.9 10.8 100% 102 2 8.5 80.3 11.2 100% 152 3 6.1 4.1 89.8 100% 49 对角线元素便是正确分类，非对角线便是错误分类； 根据误差矩阵可算出平均精度：S= （84.3%+80.3%+89.8%）/3 = 84.8% 由于各类别样本总数不一样，所以往往使用加权平均： S= （84.3%*102+80.3%*152+89.8%*49）/ （102+152+49）= 83.2% 7、遥感图像分类中存在的问题 遥感图像分类中存在的问题（一） 遥感图像分类算法设计的主要依据是地物光谱数据。因此，存在着如下的问题： 未充分利用遥感图像提供的多种信息 遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面的信息。 遥感图像分类中存在的问题（二） 未充分利用遥感图像提供的多种信息 统计模式识别以像素作为识别的基本单元，未能利用图像中提供的形状和空间位置特征，其本质是地物光谱特征的分类。例如，根据水体的光谱特征，在分类过程中可以识别构成水体的像素，但计算机无法确定一定空间范围的水体究竟是湖泊还是河流。这个问题如果引入地物形状特征则可以识别。显然，遥感图像计算机分类未能充分利用遥感图像提供的多种信息。因此图像分类后，可以利用分类的结果，将这些目标对象进行重组，在区域分割或边界跟踪的基础上抽取遥感图像形态、纹理特征和空间关系等特征，然后利用这些特征对图像进行解译。 遥感图像分类中存在的问题（三） 提高遥感图像分类精度受到限制 这里的分类精度是指分类结果的正确率。正确率包括地物属性被正确识