遥感数字图像计算机解译整理.pptVIP

总体精度并不能排除偶然一致性，因此一些研究人员推荐使用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。6.1遥感图像的计算机分类6.1.4精度评价－Kappa统计第29页，共45页，星期日，2025年，2月5日Kappa统计用到了混淆矩阵中每一个元素，用来度量实际吻合（ActualAgreement）和变化吻合（ChangeAgreement），比只计算总体精度要合理些。它在评价不同分类器的分类精度上耕具有统计意义上的辨析能力。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。第30页，共45页，星期日，2025年，2月5日第31页，共45页，星期日，2025年，2月5日1、未充分利用遥感图像提供的多种信息只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,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分类.水体的分类.6.1遥感图像的计算机分类6.1.5图像分类中的有关问题第32页，共45页，星期日，2025年，2月5日遥感数字图像计算机解译整理第1页，共45页，星期日，2025年，2月5日6.1遥感图像的计算机分类第2页，共45页，星期日，2025年，2月5日6.1遥感图像的计算机分类第3页，共45页，星期日，2025年，2月5日专题信息提取的概念：日本遥感学会：利用图像的光谱信息，空间信息以及多时相信息对目标进行识别并归类，并将可从遥感图像中提取的信息分为五类。6.1遥感图像的计算机分类第4页，共45页，星期日，2025年，2月5日6.1遥感图像的计算机分类第5页，共45页，星期日，2025年，2月5日6.1.1分类原理与基本过程1)遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。6.1遥感图像的计算机分类第6页，共45页，星期日，2025年，2月5日2)遥感图像计算机分类方法监督分类法：选择具有代表性的典型实验区或训练区，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。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。6.1遥感图像的计算机分类第7页，共45页，星期日，2025年，2月5日3)遥感数字图像计算机分类基本过程根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。找出代表这些类别的统计特征6.1遥感图像的计算机分类第8页，共45页，星期日，2025年，2月5日3)遥感数字图像计算机分类基本过程为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中各像素进行分类。分类精度检查。对判别分析的结果进行统计检验。6.1遥感图像的计算机分类第9页，共45页，星期日，2025年，2月5日（1）最小距离分类法Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类第10页，共45页，星期日，2025年，2月5日DefinesatypicalpixelforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved6.1遥感图像