1、第六章 遥感图像的分类处理,苏 伟 信息与电气工程学院地理信息工程系,2009年4月1日第十三、十四次课 2009年4月8日第十五次课,第六章 遥感图像的分类处理,6.1 遥感图像分类的一般原理 6.2 遥感图像的目视解译 6.3 遥感图像的计算机分类 6.3.1 非监督分类 6.3.2 监督分类 6.4 计算机分类新方法 6.5 分类后处理和分类精度的评价与提高,所谓遥感图像分类是把图像中的每个像元或区域划归为若干类别的过程，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各个子空间中去，从而实现分类。,6.1 遥感图像分类的一般原理
2、,1. 遥感图像分类：,遥感图像分类的方法主要有两种：一是目视解译，即凭着光谱规律、地学规律和解译者的经验从影像的亮度、色调、位置、时间、纹理、结构等各种特征推出地面的景物类型；另一种就是计算机自动分类，就是对遥感影像上的信息进行属性的识别和分类，从而达到识别图像信息所对应的实际地物，提取所需的地物信息的目的。一般来讲，目视解译精度高，正确率好，但效率低。其原因在于目视解译可将人的经验、常识、知识加上去，这些经验等往往是难以用数学模型表达的。但目视解译因效率太低，在大多数场合上只能作为辅助性的一种方法，计算机分类目前已占据主要地位，但是任何时候目视解译还是不可完全替代的。,6.1 遥感图像分类
3、的一般原理,1. 遥感图像分类：,2. 光谱特征：,为了将各个波段影像中像元的亮度值与地面景物特征联系起来，必须发现其中的规律性。同一物体对不同波长的电磁波有不同的反射系数，这种反射系数随波长的变化特征称为该物体的反射波谱特征（reflectance spectral feature），这种特征的图示表达称为反射波谱曲线，根据不同地物反射波谱曲线的差异可以区分这些地物。,2. 光谱特征,遥感图像的光谱特征通常是以地物在多光谱图像上的亮度值（反射率值 或 亮度温度值 或 后向散射系数）体现出来。 地物点在不同波段图像中的亮度值构成一个多维的向量X，称为光谱特征向量。X=x1,x2,xnT n为图
4、像的波段数；xi为地物图像点（某一像元）在第i波段图像的亮度值。 为了度量图像中地物的光谱特征，建立一个以各波段图像的亮度分布为子空间的多维特征空间。,3. 光谱特征空间,地物与光谱特征空间的关系,地类名称一般称类别，例如土地利用/土地覆盖中的居民地、水域、园地、林地、耕地等。参与分类的多个特征量（向量）所定义的空间，称为特征空间，例如2个波段定义的2维特征空间，3个波段定义的3维特征空间等。,判别函数标准差向量或协方差矩阵均值向量,4. 特征变换 特征变换的作用： 使得待分类别之间的差异在变换后的特征中更加明显，从而改善分类效果。 减少特征之间的相关性，使得用尽可能少的特征来最大限度的包含所
5、有原始的信息。 特征变换主要方法有：比值变换、主成分变换、缨帽变换等。,6.1 遥感图像分类的一般原理,5. 特征选择 在特征空间中，选择一组最佳的特征波段进行分类。 特征选择与所希望区分的类别以及图像本身的特征有关。如提取植被，选植被指数，缨帽变换的第二分量等；山地植被提取，选用比值变换后的影像，可以消除地形对图像的影响；针对岩石、建构筑物，选用短波红外波段（TM5或TM7）。,6.1 遥感图像分类的一般原理,6. 判别函数 遥感图像分类就是对要识别的对象的类属进行判别。需要一定的判别规则。 每个像元的分类问题，就是在特征空间内，利用一定的判别函数，判定它距离哪个集群中心较近；或落入哪个集群
6、范围的可能性大的问题。,距离判别函数欧氏距离；马氏距离最大似然法判别函数,6.1 遥感图像分类的一般原理,特征1,特征2,距离判别函数,1. 距离的概念描述样本间差异程度的量 p个波段、n个类,2. 距离的定义定义如果第i号样本 和第j号样本 的函数满足 i) 当且仅当 时 ； ii) 对一切 iii) 则称 是一种广义距离。如果进一步还满足 iv) 则称 是一种距离。,距离判别函数,3. 欧几里德距离(欧氏距离),欧氏距离的性质 ) 平移不变性将每个坐标 加上一个常数 后，任何二点之间的距离保持不变。 ) 对正交变换的不变性) 如果将每个点的坐标都增加C倍，点间距离也增加C倍。 缺点 与测量
7、单位有关，不同属性之间的差别等同看待。,4. 马氏距离(Mahalanobis),设X是原始数据矩阵，是其协方差矩阵，则马氏距离 定义为,欧氏距离和马氏距离的差异：马氏距离是一种加权的欧式距离，通过协方差矩阵考虑变量的相关性。 集群离散，方差大， -1就小，相应距离就短。 欧氏距离：K属于A类； 马氏距离：K属于B类。,距离判别函数,为I集群的协方差矩阵，为：,要判决某像元向量X属于哪一类别，判别函数 要由条件概率来决定，i代表第i类别，共有m类，P表示X出现的条件下，X为类i的概率。,根据概率理论中的Bayes公式 ： P(i) 是每一类别i的先验概率 P ( X )表示不管什么类别，X出现
8、的概率，为常数：,分类判别函数 最大似然判别函数,（1）影像空间：在影像中各像素与地面景观中相应范围内的地物相联系，像素之间的几何关系反映了现实地物之间的空间关系，人们可以对影像进行很直观的判读解译。 不足之处：人眼视觉系统只能感知单波段灰度影像或者三个波段组合成的（假）彩色影像，因此不能充分地反映光谱遥感数据的全部信息。,7. 遥感数据的三种理解方式,（2）波谱空间：可以理解为一个二维坐标空间，其中横坐标代表不同的波段，纵坐标为辐射强度，影像中每个像素在波谱空间中表现为一条曲线。不同的物质在各波段有不同的电磁波反射和吸收特性，在遥感数据中表现为不同的辐射强度。,第三节 基于遥感图像的分类方法
9、,（3）特征空间：如果把不同地物在两个波段的辐射强度绘制在二维平面上，可以得到一个二维空间。每个像素对影两个波段的辐射值，在该二维空间中可以表示为一个点，即二维向量。这种理解方式显然不够直观，人们很难想象高维空间中数据的分布方式，但是在数学处理中，这种表达方式却非常便于处理，而且可以充分利用每个像素在所有波谱的信息。更进一步的研究，有相当一部分模式识别方法（如支持向量机、神经网络）并不是直接在上述特征空间中分类，而是将数据映射到另外一个特征空间进行类别判定。,波段1辐射强度,波段2辐射强度,第三节 基于遥感图像的分类方法,6.2 遥感图像的目视解译,目视解译一般遵循从已知到未知，先整体后局部，
10、从宏观到微观，先易后难的原则，可以概略地分为以下主要步骤：准备工作：主要是收集资料，除遥感图像外，通常还需要工作区的地形图和相关的自然、经济等情况，以及报告、必要的参考文献等各种资料。,1. 遥感图像目视解译步骤：,图像预判和编制专题图略图：遥感图像的初步解译主要是经过资料分析建立直接和间接解译标志，包括形态、大小、色调、阴影、纹理等。然后在分类系统的指导下设计分类系统，进行初步解译，并把解译结果转绘成专题图略图。 野外实况调查和地学验证：根据初步解译结果，确定野外调查路线和调查样本，进行野外调查，验证判读标志，并应用地学分析方法解决图像与地物间的机理关系，从而修正预判中的错判或漏判，使得解译
11、结果更加客观可靠。 室内解译编绘成图：根据预判结果和野外调查资料，对全部工作区进行重新解译，然后清绘成图，在此基础上进行面积量测以及其他数字统计特征分析。,概念：遥感影像上那些能够作为分析、判断景观地物的影像特征为判读标志或解译标志。 直接解译标志：色调、阴影、形状、大小、纹理、位置、布局、图案 间接解译标志：不同的专业判读不同地质构造分析-水系形态、地貌类型；土壤判读-植被、岩性、地形地貌、气候水文、人类活动；城市人口判读-建筑密度、楼层数、商业网点,2. 遥感图像目视解译标志：,色调(tone):全色/单波段遥感图像中从白到黑的密度比例叫色调(也叫灰度)。如海滩的砂砾，因含水量不同，在遥感
12、黑白像片中其色调是不同的，干燥的砂砾色调发白，而潮湿的砂砾发黑。色调是识别目标地物的基本依据，依据色调可以区分出目标地物。在一些情况下，还可以识别出目标地物的属性。例如黑白航空像片上柏树为主的针叶林，其色调为浅黑灰色，山毛榉为主的阔叶林，其色调为灰白色。目标地物与背景之间必需存在能被人的视觉所分辨出的色调差异旧标地物才能够被区分如北京故宫博物院与护城河之间的色调差异。,色 调,直接解译标志,形 状,色调/颜色与地物的光谱特性直接相关，是最基本的影像要素，其余与地物的空间特征相关。,形状(shape):目标地物在遥感图像上呈现的外部轮廓。如飞机场、港湾设施在遥感图像中均具有特殊形状。用于图像判读
13、的图像通常多是垂直拍摄的，遥感图像上表现的目标地物形状是顶视平面图，它不同于我们日常生活中经常看到的物体形状。由于成像方式的不同，飞行姿态的改变或者地形起伏的变化，都会造成同一目标物在图像上呈现出不同的形状。解译时必须考虑遥感图像的成像方式。,大小(size):指遥感图像上目标物的形状、面积与体积的度量。它是遥感图像上测量目标地物最重要的数量特征之一。根据物体的大小可以推断物体的属性，有些地物如湖泊和池塘，主要依据它们的大小来区别。判读地物大小时必须考虑图像的比例尺。根据比例尺的大小可以计算或估算出图像上物体所对应的实际大小。影响图像上物体大小的因素有地面分辨率、物体本身亮度与周围亮度的对比关
14、系等。,大 小,布 局,直接解译标志,大小：地物在影像上的尺寸，取决于实际地物的大小和影像的空间分辨率。,布局(Pattern)：目标地物有规律的排列而成的图形结构。例如住宅区建筑群在图像上呈现的图型，农田与周边的防护林构成的图型，以这种图型为线索可以容易地判别出目标物。,纹理(texture):也叫内部结构，指遥感图像中目标地物内部色调有规则变化造成的影像结构。如航空像片上农田呈现的条带状纹理。纹理在高分辨率像片上可以形成目标物表面的质感，在视觉上看上去显得平滑或粗糙，幼年林看上去像天鹅绒样平滑，成年的针叶树林看上去很粗糙。纹理可以作为区别地物属性的重要依据。,直接解译标志,纹 理,阴 影,
15、纹理：通过较小区域内地物光谱特性的变化频率来反映，针叶林和阔叶林，灌木林与草地等,阴影(shadow):是遥感图像上光束被地物遮挡而产生的地物的影子，根据阴影形状、大小可判读物体的性质或高度，如航空像片判读时利用阴影可以了解铁塔及高层建筑物等的高度及结构。阴影的长度、方向和形状受到光照射角度、光照射方向和地形起伏等影响，山脉等阴影笼罩下的树木及建筑物往往会使目标模糊不清，甚至丢失。不同遥感影像中阴影的解译是不同的，例如:侧视雷达影像中目标地物阴影由目标阻挡雷达波束穿透而产生，热红外图像中目标地物阴影是由于温度差异所形成，例如夏季中午飞机飞离机场不久进行热红外成像，地表仍会留下飞机的阴影。,Ra
16、ce track：赛马场跑道 River：河流 Roads：道路 Bridges：桥 Residential area：居民区 Dam：堤坝,Shape,Tone，Shape,shape, tone, and association,tone, shape, association,遥感影像的目视解译,直接解译标志,居民点,农田,What?,The Summer Palace,Water Body,林地？,道路,树木,四环,五环,桥梁,顺义区,3. 目视判读的方法,直接判读法：依据判读标志，直接识别地物属性。 对比分析法：与该地区已知的资料对比，或与实地对比而识别地物属性；或通过对遥感图像不同
17、波段、不同时相的对比分析，识别地物的性质和发展变化规律。 逻辑推理法：根据地学规律，分析地物之间的内在必然分布规律，由某种地物推断出另一种地物的存在及属性。如由植被类型可推断出土壤的类型，根据建筑密度可判断人口规模等。,您看到的是两个圆形物体，您只能分类出是两个圆形、蓝色的物体,您会立刻把它们三者联系到一起来，左图两侧的物体为刀子和叉子 ，而中间的蓝色圆形物体为盘子。右图圆形则为车轮。,4. 航片目视判读实例,航空（机载）遥感图像（2002.3.25）,5. 卫片目视判读实例,四季青桥0.61米QuickBird模拟真彩色图像,5.卫片目视判读实例-中国农业大学,5.卫片目视判读实例-北京,4
18、1,云层,山体（香山）,城区,北京城区（五环线）,5.卫片目视判读实例-北京,故宫及天安门广场,5.卫片目视判读实例-北京,5.卫片目视判读实例-黑龙江852农场,5.卫片目视判读实例-军川农场,2007年7月23日 天气阴转多云，影像有云,5.卫片目视判读实例-军川农场,2007年8月8日 天气阴转多云，影像有云、阴霾,2007年9月25日 天气晴朗，影像无云,5.卫片目视判读实例-军川农场,土地利用类型,居民点,水稻,大豆,玉米,5.卫片目视判读实例-军川农场,植被季相变化,2007年7月23日,2007年8月8日,2007年9月25日,5.卫片目视判读实例-军川农场,居民点,大棚菜地,水
19、域,林地,裸耕地,6.3 遥感图像的计算机分类,6.3 遥感图像的计算机分类,监督分类的一般步骤,非监督分类和监督分类,6.3.1 非监督分类,所谓非监督分类是一种完全按着聚类分析算法进行的计算机影像分类，它无需人为干预，只需给出分类类别数目，计算机自动进行分类。密度分割可以看作是一种非监督分类，但是它是对单波段而言，而这里是多波段影像。,1. 概述,i,255,0,2. 灰度空间设想一个多维空间，每个波段是一维，坐标轴是表示的灰度值。下图是用三维空间举例说明:,CH2,CH3,CH1,255,255,255,o,三个坐标轴上刻度代表灰度值，有 0 到 255。在这一个三维空间中任意一点的三个
20、坐标就代表着影像像素对应的地面一点在三个波段的灰度值。比如(100，106，153)则代表某点分别在波段1、波段2、波段3 的灰度为100、106 和153。,注意： 这个空间上的各点并不是与地面上各点对应的。这里的一个点往往对应着地面上许多点； 这一个三维灰度空间上的所有点都在 255 长、255 宽、255 高的正方体“盒子”内； 这一正方体内点密度是不一样的，正常情况下点集中在这一正方体的中心部位； 这一空间内任意两点的欧氏距离可以代表着地面对应的两个类型的地表反射率的近似程度。 因而，这里以相似距作为一种聚类手段又可以用在这里，当然这里的灰度空间可以不必限于三维，即三个波段，还可以多个
21、波段。,3. 非监督分类的算法步骤,(1) 分别从参加分类的波段灰度直方图中判断灰度聚类核心向量。这是指对每一波段的灰度直方图按一定数字方法分割：,P,0,120,255,或按平均灰度分割：,若分为 3 类，则这个波段的核心灰度为 ，m1 ，,或按灰度类中的像素个数分割： 若还是分三类，则按直方图统计：,则这个波段核心灰度为 x ，y ，z 每个波段都有这样的 3 个核心灰度，即：,C11 C21 C31Cn1,C12 C22 C32Cn2,C13 C23 C33Cn3,这三个灰度值向量 即为灰度聚类核心向量，这里的n 为参与分类的波段数。因为这里是将一幅影像分为三类就有 3 个灰度核心向量，
22、这个核心向量对应灰度空间上的1 个点。,(2) 对于每一像素，分别计算其与以上三个核心向量的相似距离， （或其它多种距离），选择其最近者作为其归属类别。,4. 非监督分类的讨论,非监督分类的关键步骤在于确定灰度聚类核心向量。由于非监督分类完全没有人的干预，图像的灰度有相当的随机性，因而这种核心向量的确定有相当大的盲目性。这是非监督分类较少使用的原因。在已知特定地物的反射率特征，又可以选定待定的几个波段的情况下，还可以用此种方法将预定的地物如植被、水体、荒地分类分出来。否则分出的地类与实际情况往往符合不上。,(3) 形成类别的像素集合，或赋予特别颜色，完成分类。,K-Means（ K-均值算法）
23、 在特征空间内计算各类的均值，使用最小距离法，将未知像元划分到某一类中，再调整均值，直到迭代次数满足，或者距离阈值满足条件。具体步骤：任意选择K个聚类中心，一般选前K个样本；迭代，将未知样本 X分到距离最近的类中；根据第2步的结果，重新计算聚类中心；每一类的像元数目变化达到要求，算法结束。 影响K-Means法的因素有：聚类中心数目，初始类中心的选择，样本输入的次序等。,6.3.1 非监督分类,K-Means（ K-均值算法）,ENVI的K-Means参数设定 Number of class: 要分成几类，必须指定确定的类别数。 Change threshold%(0-100): 如右图的设置
24、，只有5的像元发生变化，则迭代停止。,6.3.1 非监督分类,ISODATA,Iterative Self-Organizing Data Analysis Techniques Algorithm 迭代自组织数据分析技术,最大集群组数量,最大的类别不变的像素百分比,最长时间,迭代次数,指定下列控制参数,每类集群中最小的像素数量,集群分类标准，每个类的分散程度的参数（如最大的标准差）,集群合并标准，即两类中间的最小距离,6.3.1 非监督分类,ISODATA ENVI的ISODATA参数设定,6.3.1 非监督分类,非监督分类的优点在于客观性强，不容易遗漏覆盖面积小而独特的地类。而且在聚类后的
25、解译过程中，可以只关心那些感兴趣的类别，因此节省一些不必要的工作。非监督分类的缺点在于其聚类的结果取决于数据本身，很难通过人为的控制来获取希望得到的聚类结果。另外，不同地区或者不同时期的影像用非监督分类得到的结果的可比性差。总的来说，非监督分类一般适用于缺少足够可靠的训练样本的情况。另外非监督分类也往往被人们作后续的监督分类的数据预分析的一种手段，为制定监督分类的分类方案提供依据。,非监督分类的优缺点,6.3.1 非监督分类,1. 概述监督分类就是由用户在屏幕图像上判定若干个训练区，这些训练区是代表各类地物的典型区域，比如划出水体、林地、草地、耕地训练区，每类地物可以选择若干个训练区，计算机软
26、件运用一定算法计算每类训练区的各种灰度特征，包括灰度平均值、均方差、纹理、波段间灰度值之比例关系等特征，然后依据这些特征，对图像各像素进行归类，完成分类任务。,6.3.2 监督分类,6.3.2 监督分类,基本步骤：选取训练样本和提取统计信息；选择合适的分类算法，建立判别函数。 训练区的选取：样本的类别：与待分类类别一致，在各类目标地物面积较大的区域选取，保证样本的纯度；样本的数目：与采用的分类方法、特征空间的维数、各类的大小和分布有关。作为一个普遍的规则，如果图像有N个波段，则每一类别应该至少有10N个训练样本。训练样本来源：实地收集；屏幕选择；训练样本评价：为了比较和评价样本的好坏，需要计算
27、各类别训练样本的基本光谱特征信息，通过每个样本的基本统计值（如均值、标准方差、最大值、协方差矩阵等），以检查训练样本的代表性、评价训练样本的好坏、选择合适的波段。训练样本的图表显示评价示例如下：,特征空间二维图,6.3.2 监督分类,2. 光谱分类,原理： 又称为盒式决策规则，是根据训练样本的亮度值范围形成一个多维数据空间。 对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。 方法： 详细了解各类别的特征，以较高精度设定每个分类类别的光谱特征上限值和下限值，构成特征子空间； 待分像元光谱特征值与各类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直
28、至完成所元像元的分类。 特点：直观，简单；当类别较多时，各类别所定义的区域容易重叠。,3. 平行六面体（parallelepiped）分类,2 bands: the parallelepiped is actually a rectangle,3 bands: a true parallelepiped（平行六面体）,4. 最小距离分类,原理：以特征空间中的距离作为分类的依据 方法：最小距离判别法：针对单波段图像分类，对每个类别选取具有代表意义的特征参数（如均值），计算待分像元与已知类别间的距离，将该像元归属于距离最小的一类。最近邻域分类法：针对多波段图像分类。每个类别有多个统计特征量，首先计
29、算待分像元与已知类别间每个统计特征量的距离，取其中最小的距离作为该像元到该类别的距离，最后比较待分像元到所有类别间的距离，将该像元归属于距离最小的一类。 特点：方法简单，计算速度快，可在快速浏览分类概况时使用（应用不广泛）；没有考虑类别内部方差，造成一些类别在其边界上重叠，引起分类误差。,Minimum distance classifiers,n= number of bands (dimensions) i= a particular band c= a particular class Xxyi= data file value of pixel x,y in band i Uci= m
30、ean of data file values in band i for the sample for class c SDxyc= spectral distance from pixel x,y to the mean of class c,Minimum Spectral Distance,6.3.2 监督分类,5. 最大似然法,监督分类有多种方法，其中最大似然法是最普遍使用并认为效果是最好的一种分类方法。这种方法解决这样的问题：当我们要判别像素 x 或像素的集合x 属于哪一类，就把 x 或x 代入各类别的判别函数，若发生x 或x 同时都在两个判别函数之内的情况 ，做如何的判决。这一问
31、题用下图表示：,P,X,1,2,这是两个判别函数概率曲线，当 x 处于阴影区时，应做如何判决。当然要选最大可能的那一类，这就是最大似然的由来。数字上，用贝叶斯准则来做判决。贝叶斯（Bayes）准则是这样表述的：,这里Bi 为在研究的对象中， Bi 表示发生第 i 种事件，Bi i 1，2，n，即可能也只能有 n 种事件中的一种事件发生。,在这里影像处理中，一幅影像有 n 种分类，任意一个像素只能归属于其中一类。,P（Bi /A）为事件Bi 在事件 A 已发生的条件下发生的概率，称为条件概率，又称为后验概率。在这里为在当前像素灰度向量发生情况，归属为第 i 类的概率。 P（Bi ）为当前研究对象
32、中， Bi 事件发生的概率，这是先验概率，在这里，它是指某一种分类在全幅影像中发生的概率。由于对于每一类计算机在该训练区“学习”中，已经得知其各种灰度特征值，比如平均值、最大最小灰度值、均方差值等，又得知全幅图相应的灰度统计值，因而P（Bi ）是可以计算出来的。 P（A / Bi ）为事件A 在事件Bi 已发生的条件下发生的概率。在这里，它是指在由训练区“学习”中，得到的每种分类的灰度分布统计数据中，含有当前像素灰度向量这种形式的占多大比例，显然这也是可以计算的。这样看来，对于当前像素可以按贝叶斯判别准则公式计算出 n 个概率，即P（Bi /A）， i 1，2，n。选择其中最大概率者作为当前像
33、素的分类归属。,Maximum likelihood classifiers,Maximum likelihood classifiers,6.4 计算机分类新方法,1.模糊分类方法遥感图像识别中的应用由于遥感图像分辨率及其它因素的影响，图像中的像元所对应的地面实体并不只是一个类别，而是两个或两个以上类别的混合体，模糊分类就是允许根据其混合类型的百分比将一个像元归到几个类型。,X轴代表的是像元亮度值，Y轴代表的是各类型的百分比。如果像元亮度值在a1和a2之间，则被划到草地类，在b1和b2之间，则归为道路，在c1和c2之间则归为房屋。,2. 人工智能神经元网络方法人工智能神经元网络方法（简称神经
34、元网络法）是利用计算器模拟人类学习的过程，建立输入和输出数据之间联系的程序。这种程序模仿人脑学习的过程，通过重复地输入和输出训练，来增强和修改输入和输了数据之间的联系。通常人工神经元网络包括三个层：输入层、输出层、隐含层。,3. 支持向量机（SVM）分类,支持向量机（SVM，Support Vector Machines）是由V.apnik和他的合作者提出来的一种新的学习方法，是建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限样本信息在模型复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。,
35、原理：SVM是从线性可分情况下的最优超平面发展而来的，基本思想如图1的两维情况说明。,所谓最优分类线就是要求分类线不但能够将两类正确分开，而且使分类间隔最大。对非线性问题，可以通过非线性变换转化为某个高维空间中的线性问题，在变换空间中求最优超平面。,最优超平面,图中实心点和空心点分别代表两类样本，H为分类线，H1、H2分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔（margin）。,Input space,Feature space,核函数与升维,6.5 分类后处理和分类精度的评价与提高,1. 分类后处理,a.类别的合并 同一类别中，光谱特征相差太大，需要再分
36、类的时候作为几类进行分类，分类完成后再进行类别的合并。,四邻域,八邻域,b. 筛滤（sieve） 去除离散的像元点。与用户给定的窗口大小有关。去除后的像元标记为“未分类”。 四邻域 八邻域,c. 临近类别的归并（Clump） 离散点归并到周围大的类别中。先膨胀，再侵蚀（与数学形态学，仅了解就可以了）。,Clump处理后,c. 临近类别的归并（Clump） 膨胀（Dilate）：填充、扩展、增长等。填充小于结构元素（核）的像元。灰度图像或者黑白图像。 侵蚀(Erode): 收缩。去除小于给定结构的孤岛。 开运算（Opening）：先侵蚀再膨胀。突刺滤掉，切断细长搭接而起到分离作用。 闭运算（Cl
37、osing）：先膨胀再侵蚀。可以填补小的缺口和孔，搭接短的间断而起到连通作用。 Clump采用闭运算。,分类后处理,d. 多数/少数分析Majority/Minority Analysis 多数或者少数分析。 中心像元将被给定的窗口内的多数像元或者少数像元值所取代。 举例,多数分析,2. 精度评价,精度评价流程 随着遥感和GIS的结合，遥感专题分类结果作为GIS数据更新的需求日益加剧。分类精度直接关系到更新GIS数据库的能力，因此分类结果的精度评价也引起了人们的普遍关注。,分类后处理和分类精度的评价与提高,检验数据 根据检验数据和遥感分类结果对比的混淆矩阵成为评价遥感图像分类结果的标准方法。检
38、验数据主要来自于地面实况的调查或更高空间分辨率的航空图像的目视解译结果。ENVI软件中通过定义ROI来实现。,采样方法简单随机采样：简易、无偏；费时。适用于类型分布均匀、面积差异不大的研究区。 分层采样：分层随机采样、分层系统采样。 聚点或集群采样：在样本空间区先抽出主样本，然后在主样本内再抽出若干个二级样本作为地面考察的对象。如在一张航片上取样。 采样数量：精度评价的每个类别至少得有50个像元，当区域很大或者类别较多时，每类的最小数量就增加到75-100个。,分类后处理和分类精度的评价与提高,误差矩阵与精度估计量,误差矩阵（混淆矩阵，Confusion Matrix） ：主要用于比较分类结果
39、和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了地面参考验证信息，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在地表真实像元相应类别中的数量。,误差矩阵与精度估计量,pij是分类数据类型中第i类和实测数据类型第j类所占的组成成分；Pi+为分类所得到的第i类的总和；P+j为实际观测的第j类的总和；P为样本总数。,基本的精度估计量,（1）总体分类精度（Overall Accuracy） ：
40、等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。,（2）用户精度（对于第i类）：第i类分类结果中所具有的类型与地面实际类型相同的条件概率。,（3）制图精度（对于第j类）：第j类实测数据中所具有的类型与分类结果相同的条件概率。,用户精度反映分类图中各类别的可信度；制图精度反映这张分类图所采用方法的好坏。,（4） Kappa系数,r是误差矩阵中的总类别数；xii是误差矩阵中第i行、第i列上像元数量；xi+和x+i分别是第i行和第i
41、列的总像元数量；N是总的用于精度评估的像元数量。,请计算上表中的Kappa系数：,48.5,是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（ ）的和，再减去某一类中地表真实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，再除以总像元数的平方差减去某一类中地表真实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所得到的。,错分误差（Commission Error）=(E+F)/G 像元被分到一错误的类别 用户精度（Users Accuracy）=A/G =100%-错分误差 漏分误差（Omission Error）= (B+C)/D
42、像元没有分到其对应的类别 生产者精度（Producers Accuracy）= A/D =100%-漏分误差 总体精度(Overall Accuracy) = 正确分类/总样本数,漏分误差（omission error）：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。漏分误差=1-生产者（制图）精度 错分误差（Commission error）：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。错分误差=1-用户精度,（5）漏分误差与错分误差,分类后处理和分类精度的评价与提高,提高分类精度的策略,1. 分类前的遥感图像预处理 遥感图像的预处理：几何校正、辐射校正 图像特征变换：主成分变换、NDVI等 空间信息的提取与利用 2. 分类树，分层分类 当一次性分类出现类间混淆又难以解决时，可以采用逐次分类的方法 3. 不同的分类方法结合 监督分类与非监督分类结合：混合分类 4. 多种信息复合 遥感信息 非遥感信息：其它地理辅助信息，比如DEM、坡度、土壤类型图等,
