环境遥感-遥感图像专题分类

第四章遥感图像专题分类蔡玉林内容第一节人工解译第二节非监督分类第三节监督分类第二节非监督分类K-means法Isodata法第二节非监督分类1.K-means法a.选择C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;c.基于得到的类别，产生新的C个聚类中心,设Bi,i=1,2,...,k.;d.如果，（0,）则结束循环，否则返回步骤b，继续循环。|Bi-Ai|第二节非监督分类2.Isodata法①指定参数包括类别数目K（近似）,允许迭代的次数I，一个类中样本的最少个数N，关于类分散程度的参数S（标准差）,关于类间距离的参数D，每次允许合并的类别的对数L；第二节非监督分类2.Isodata法②选择c个点作为聚类中心，设Ai,i=1,2,...,c.;③将每一个像元归类到距离最近的类别中;④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N，则去掉此类，返回c；⑤重新计算各类中心；⑥如果迭代次数大于I，转向第8步，检查类间最小距离；第二节非监督分类2.Isodata法⑦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S，则将该类别拆分为两类，产生两个类别中心。⑧计算类别中心两两之间的距离，将距离小于指定参数D的两个类别合并，直到满足指定的允许合并的类别的对数L;⑨如果迭代次数大于I，计算结束，否则转到第3步，即将每一个像元归类到距离最近的类别中。K-meansvsISODATA第三节监督分类1.最大似然法2.最小距离分类法3.平行六面体法第三节监督分类1.最大似然法（MLC）判别规则：每个像素对于各类别的归属概率方法：x属于类别Ki的概率为P(Ki/x),i=1,2,...,nMax（P(K1/x)，P(K2/x)，…P(Ki/x)）第三节监督分类2.最小距离分类法例子：B2C2C3B1C1PixelvaluewithunknownclassAFig.321pikijjkjdxX第三节监督分类2.最小距离分类法例子：第三节监督分类2.最小距离分类法判别规则：像元与各个类别之间的距离TM4TM1第三节监督分类3.平行六面体法例子：x-MT*S第三节监督分类3.平行六面体法判断方法：设有某类别j，类别中心（均值）为Mij（i为波段1，2，3……），标准差为Sii表示波段，j表示类别数目，x为像元灰度值，M为j类别的均值。iijij|x-M|T*S第三节监督分类3.平行六面体法TM4TM1第五章遥感分类中的不确定性和尺度问题1.分类精度评价2.后处理第五章遥感分类中的不确定性和尺度问题1.分类精度评价①混淆矩阵②总体精度，生产者精度，用户精度③Kappa系数第五章遥感分类中的不确定性和尺度问题1/nckkkppp总体精度：第五章遥感分类中的不确定性和尺度问题生产者精度：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。/jjjpp第五章遥感分类中的不确定性和尺度问题()/jjjjppp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。21311(+++)/njpppp第五章遥感分类中的不确定性和尺度问题/iiipp用户精度：表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率。第五章遥感分类中的不确定性和尺度问题错分误差：图像的某一类地物被错分到其他类别的百分比。()/iiiippp12131(+++)/njpppp第五章遥感分类中的不确定性和尺度问题1/nckkkppp生产者精度/jjjpp/iiipp用户精度第五章遥感分类中的不确定性和尺度问题1.分类精度评价—Kappa系数2()/()iiiiiiKppppppp第五章遥感分类中的不确定性和尺度问题1.分类精度评价—Kappa系数2()/()iiiiiiKppppppp第五章遥感分类中的不确定性和尺度问题1.分类精度评价—Kappa系数2()()iiiiiiNxxxKNxxKappa系数在0.4以上分类结果比较可信2()/()iiiiiiKppppppp第五章遥感分类中的不确定性和尺度问题1.分类精度评价—Kappa系数()/(1)cKpTT2()/iixxN假设：2()()iiiiiiNxxxKNxxPc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第五章遥感分类中的不确定性和尺度问题1.分类精度评价—混淆矩阵2.后处理实测结果分类结果总体精度？生产者精度？用户精度？第五章遥感分类中的不确定性和尺度问题1.分类精度评价—Kappa系数2.后处理分类结果实测结果2()()iiiiiiNxxxKNxx第五章遥感分类中的不确定性和尺度问题2.后处理第五章遥感分类中的不确定性和尺度问题2.后处理无论是监督分类还是非监督分类，其结果都会产生一些面积很小的图斑。从应用角度出发，有必要对这些小图斑进行剔除。处理方法：类别合并(Combine)聚块(Clump)筛除(Sieve)主／次要分析（Majority/Minorityanalysis)第五章遥感分类中的不确定性和尺度问题1.后处理第五章遥感分类中的不确定性和尺度问题2.后处理--clump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。第五章遥感分类中的不确定性和尺度问题2.后处理--clump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。第五章遥感分类中的不确定性和尺度问题2.后处理—sieve，即筛除作用：可以解决孤岛问题。效果类似于clump,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。第五章遥感分类中的不确定性和尺度问题2.后处理—majority/minorityanalysis作用：去掉虚假类别像元。majorityanalysis－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；minorityanalysis－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第五章遥感分类中的不确定性和尺度问题2.后处理—majority/minorityanalysismajorityanalysisexample:第五章遥感分类中的不确定性和尺度问题2.后处理—majority/minorityanalysisminorityanalysisexample:练习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），Kappa系数，要求必须有公式，有详细的过程。