1、第四章第四章 遥感图像专题分类遥感图像专题分类蔡玉林蔡玉林内内 容容第一节第一节 人工解译人工解译第二节第二节 非监督分类非监督分类第三节第三节 监督分类监督分类第二节第二节 非监督分类非监督分类v K-means 法法v Isodata 法法第二节第二节 非监督分类非监督分类1.K-means 法法a.选择选择C个聚类中心，设个聚类中心，设Ai,i=1,2,.,c.;b.将任一个像元归类到距离最近的类别中将任一个像元归类到距离最近的类别中;c.基于得到的类别，产生新的基于得到的类别，产生新的C个聚类中心个聚类中心,设设Bi,i=1,2,.,k.;d.如果如果 ，（，（0,）则结束循环，否则返
2、回步）则结束循环，否则返回步骤骤b，继续循环。，继续循环。第二节第二节 非监督分类非监督分类2.Isodata 法法指定参数包括类别数目指定参数包括类别数目K（近似）（近似）,允许迭代的次数允许迭代的次数I，一个类，一个类中样本的最少个数中样本的最少个数N，关于类分散程度的参数，关于类分散程度的参数S（标准差）（标准差）,关于类间距离的参数关于类间距离的参数D，每次允许合并的类别的对数，每次允许合并的类别的对数L；第二节第二节 非监督分类非监督分类2.Isodata 法法选择选择c个点作为聚类中心，设个点作为聚类中心，设Ai,i=1,2,.,c.;将每一个像元归类到距离最近的类别中将每一个像元
3、归类到距离最近的类别中;基于得到的类别，如果某一个类别样本个数数量少于指定的基于得到的类别，如果某一个类别样本个数数量少于指定的个数个数N，则去掉此类，返回，则去掉此类，返回c；重新计算各类中心；重新计算各类中心；如果迭代次数大于如果迭代次数大于I，转向第，转向第8步，检查类间最小距离；步，检查类间最小距离；第二节第二节 非监督分类非监督分类2.Isodata 法法计算每个类别中标准差，如果某个类别标准差大于指定参计算每个类别中标准差，如果某个类别标准差大于指定参数数S，则将该类别拆分为两类，产生两个类别中心。，则将该类别拆分为两类，产生两个类别中心。计算类别中心两两之间的距离，将距离小于指定
4、参数计算类别中心两两之间的距离，将距离小于指定参数D的的两个类别合并，直到满足指定的允许合并的类别的对数两个类别合并，直到满足指定的允许合并的类别的对数L;如果迭代次数大于如果迭代次数大于I，计算结束，否则转到第，计算结束，否则转到第3步，即将每步，即将每一个像元归类到距离最近的类别中。一个像元归类到距离最近的类别中。K-means vs ISODATA第三节第三节 监督分类监督分类1.1.最大似然法最大似然法2.2.最小距离分类法最小距离分类法3.3.平行六面体法平行六面体法第三节第三节 监督分类监督分类1.1.最大似然法（最大似然法（MLCMLC）判别规则：判别规则：每个像素对于各类别的归
5、属概率每个像素对于各类别的归属概率方法：方法：lx 属于类别属于类别 Ki的概率为的概率为 P(Ki/x),i=1,2,.,nlMax（P(K1/x)，P(K2/x)，P(Ki/x)）第三节第三节 监督分类监督分类1.1.最大似然法（最大似然法（MLCMLC）判别规则：判别规则：每个像素对于各类别的归属概率每个像素对于各类别的归属概率概率等值线概率等值线第三节第三节 监督分类监督分类2.2.最小距离分类法最小距离分类法例子：例子：B2C2C3B1C1Pixel value with unknown classA第三节第三节 监督分类监督分类2.最小距离分类法最小距离分类法例子：例子：第三节第三
6、节 监督分类监督分类2.2.最小距离分类法最小距离分类法判别规则：像元与各个类别之间的距离判别规则：像元与各个类别之间的距离 TM4TM1第三节第三节 监督分类监督分类3.3.平行六面体法平行六面体法例子：例子：第三节第三节 监督分类监督分类3.3.平行六面体法平行六面体法判断方法：判断方法：设有某类别设有某类别j j，类别中心（均值）为，类别中心（均值）为M Mijij（i i为波段为波段1 1，2 2，33），标准差为），标准差为S Si ii i表示波段，表示波段，j j表示类别数目，表示类别数目，x x为像元灰度值，为像元灰度值，M M为为j j类别的均值。类别的均值。第三节第三节 监
7、督分类监督分类3.3.平行六面体法平行六面体法TM4TM1第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题1.1.分类精度评价分类精度评价2.2.后处理后处理第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题1.1.分类精度评价分类精度评价 混淆矩阵混淆矩阵 总体精度，生产者精度，用户精度总体精度，生产者精度，用户精度 KappaKappa系数系数第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题总体精度：总体精度：第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题生产者精度：生产者精度：又称制图
8、精度，表示实际的任意一个随机样本与分类图上又称制图精度，表示实际的任意一个随机样本与分类图上同一地点的分类结果相一致的条件概率。同一地点的分类结果相一致的条件概率。第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题漏分误差：漏分误差：是实际的某一类地物被错误的分到其他类别的百分比。是实际的某一类地物被错误的分到其他类别的百分比。第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题用户精度：用户精度：表示从分类结果中任取一个随机样本，其所具有的类型与表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率。地面实际类型相同的条件概
9、率。第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题错分误差：错分误差：图像的某一类地物被错分到其他类别的百分比。图像的某一类地物被错分到其他类别的百分比。第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题生产者精度生产者精度用户精度用户精度第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题1.1.分类精度评价分类精度评价KappaKappa系数系数第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题1.1.分类精度评价分类精度评价KappaKappa系数系数第五章第五章 遥感分类中的不确定性遥感分
10、类中的不确定性和尺度问题和尺度问题1.1.分类精度评价分类精度评价KappaKappa系数系数KappaKappa系数在系数在0.40.4以上分类结果比较可信以上分类结果比较可信第五章第五章 遥感分类中的不确定性遥感分类中的不确定性和尺度问题和尺度问题1.1.分类精度评价分类精度评价KappaKappa系数系数假设：假设：Pc为总体精度为总体精度检验数据图像类别xyz行和xA1A2A3AyB1B2B3BzC1C2C3C列和DEFN图像类别检验数据xyz行和xA1A2A3AyB1B2B3BzC1C2C3C列和DEFN第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题1.1
11、.分类精度评价分类精度评价混淆矩阵混淆矩阵2.2.后处理后处理实测结果实测结果分类结果分类结果总体精度？总体精度？生产者精度？生产者精度？用户精度？用户精度？第五章第五章 遥感分类中的不确定遥感分类中的不确定性和尺度问题性和尺度问题1.1.分类精度评价分类精度评价KappaKappa系数系数2.2.后处理后处理分类结果分类结果实测结果实测结果第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理 无论是监督分类还是非监督分类，其结果都会产无论是监督分类还是非监督
12、分类，其结果都会产生一些面积很小的图斑。从应用角度出发，有必生一些面积很小的图斑。从应用角度出发，有必要对这些小图斑进行剔除。要对这些小图斑进行剔除。处理方法：处理方法：类别合并类别合并(Combine)(Combine)聚块聚块(Clump)(Clump)筛除筛除(Sieve)(Sieve)主次要分析（主次要分析（Majority/Minority analysis)Majority/Minority analysis)第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题1.1.后处理后处理第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2
13、.后处理后处理-clump-clump作用：将邻近的类似分类区域合并集群，使分类结作用：将邻近的类似分类区域合并集群，使分类结果呈现空间连续性。果呈现空间连续性。第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理-clump-clump作用：将邻近的类似分类区域合并集群，使分类结作用：将邻近的类似分类区域合并集群，使分类结果呈现空间连续性。果呈现空间连续性。第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理sievesieve，即筛除，即筛除 作用：可以解决孤岛问题。效果类似于作用：可以解决孤岛问题。效果类
14、似于clump,clump,不同的是，被选中的像元会被从某类别中删除，不同的是，被选中的像元会被从某类别中删除，成为未分类像元。成为未分类像元。第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理majority/minority analysismajority/minority analysis作用：去掉虚假类别像元。作用：去掉虚假类别像元。majority analysismajority analysis主要分析指以移动窗口主要分析指以移动窗口中主要像元类别替代中心像元类别；中主要像元类别替代中心像元类别；minority analysismi
15、nority analysis次要分析指以移动窗口次要分析指以移动窗口中主要像元类别替代中心像元类别中主要像元类别替代中心像元类别第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理majority/minority analysismajority/minority analysismajority analysis example:majority analysis example:第五章第五章 遥感分类中的不确定性和遥感分类中的不确定性和尺度问题尺度问题2.2.后处理后处理majority/minority analysismajority/mi
16、nority analysisminority analysis example:minority analysis example:练 习计算上述误差矩阵的总体精度，用户精度，生产计算上述误差矩阵的总体精度，用户精度，生产者精度（制图精度），者精度（制图精度），Kappa系数，要求必须有系数，要求必须有公式，有详细的过程。公式，有详细的过程。每一次的加油，每一次的努力都是为了下一次更好的自己。23.8.1223.8.12Saturday,August 12,2023天生我材必有用，千金散尽还复来。19:28:5519:28:5519:288/12/2023 7:28:55 PM安全象只弓，不
17、拉它就松，要想保安全，常把弓弦绷。23.8.1219:28:5519:28Aug-2312-Aug-23得道多助失道寡助，掌控人心方位上。19:28:5519:28:5519:28Saturday,August 12,2023安全在于心细，事故出在麻痹。23.8.1223.8.1219:28:5519:28:55August 12,2023加强自身建设，增强个人的休养。2023年8月12日下午7时28分23.8.1223.8.12扩展市场，开发未来，实现现在。2023年8月12日星期六下午7时28分55秒19:28:5523.8.12做专业的企业，做专业的事情，让自己专业起来。2023年8月下
18、午7时28分23.8.1219:28August 12,2023时间是人类发展的空间。2023年8月12日星期六19时28分55秒19:28:5512 August 2023科学，你是国力的灵魂；同时又是社会发展的标志。下午7时28分55秒下午7时28分19:28:5523.8.12每天都是美好的一天，新的一天开启。23.8.1223.8.1219:2819:28:5519:28:55Aug-23人生不是自发的自我发展，而是一长串机缘。事件和决定，这些机缘、事件和决定在它们实现的当时是取决于我们的意志的。2023年8月12日星期六19时28分55秒Saturday,August 12,2023感情上的亲密，发展友谊；钱财上的亲密，破坏友谊。23.8.122023年8月12日星期六19时28分55秒23.8.12谢谢大家！谢谢大家！
