第九章遥感图像自动识别分类课件

第九章第九章 遥感图像自动识别分类遥感图像自动识别分类 9.1 9.1 分类预处理分类预处理分类预处理分类预处理 9.2 9.2 监督分类监督分类监督分类监督分类 9.3 9.3 非监督分类非监督分类非监督分类非监督分类 9.4 9.4 分类后处理和误差分析分类后处理和误差分析分类后处理和误差分析分类后处理和误差分析 遥感图像自动分类的重要性 自动分类的基础 分类前的预处理 分类的具体方法 对各种方法的评价 相关软件的操作 遥感图像分类的发展趋势本 章 要 点遥感图像分类是图像信息提取的一种方法从遥感信息中提取的专题信息提取信息类型应用分类土地覆盖、树种识别、植被和农作物等变化检测土地覆盖变化物理量提取温度、大气成分、土壤含水量指标提取植被指数、浑浊指数特定地物和姿态的提取火灾，水灾，线形构造，遗迹探察空间位置平面位置，高程与目视判读的联系与区别从影象上提取信息方法：目视判读和计算机自动分类。目视判读：对遥感图像上的各种特征进行综合分析、比较、推理和判断，最后提取感兴趣的信息。计算机自动分类：计算机根据一定的算法把图像上所有的像素或像素组分类，提取感兴趣的信息。TM原始影像和分类图像TM图像各波段原始灰度值与对应的类别TM各波段灰度值对应的类别计算机分类基本情况模式识别技术在遥感技术领域的具体应用。模式识别对一系列过程或时间的分类描述，识别时具有某些相似的性质或事件就分类一类目前遥感图像自动分类主要采用决策理论（统计）方法。统计模式识别需要从被识别的对象（模式）中提取一些反映对象属性的度量-特征（变量），把它定义在一个特征空间中，然后利用统计决策的原理对特征空间进行划分，以区分不同特征的对象达到分类目的。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。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。遥感数字图像计算机分类基本过程1.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。2.根据研究区域，收集与分析地面参考信息与有关数据。3.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。4.找出代表这些类别的统计特征。5.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。6.对遥感图像中各像素进行分类。7.分类精度检查。8.对判别分析的结果进行统计检验。9.1分类预处理9.1.1基础知识1、光谱特征空间同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量光谱特征向量。即式中n：图像波段总数；Xj：地物图像点在第i波段图像中的亮度值。如TM图像上任一个点TM=TM1，TM2，TM3，TM4，TM5，TM6，TM7波谱特性曲线与响应曲线2、特征空间及地物聚类用亮度值轴构成的一个直角坐标空间二维特征空间二维特征空间二维特征空间二维特征空间地物在特征空间中的聚类情况理想情况典型情况一般情况3、地物在特征空间中聚类的统计特性为均值向量；为协方差矩阵，即其中，式中，表示第i特征第k个特征值；N为第i特征的特征值总个数。4、如何把这些地物分类？1）找出每类的边界）找出每类的边界从每类的统计特性出发，研究每类所占据的区域。2）建立判别函数或判别边界）建立判别函数或判别边界判别函数判决：当且仅当对于更多的类别，当且仅当m为类别数3）示例判别函数判别函数故xa属于1。因判别函数xb属于25、有关统计量1）像元之间的相关系数2）相似系数3）欧氏距离4）绝对距离5）马氏距离6）混合距离7）二类均值的标准化距离8）二类可分离性统计量概念：将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。目的：数据量有所减少，去相关，有助于分类。常用的特征变换：主分量变换、哈达玛变换、生物是指标变换、比值变换以及穗帽变换等。9.1.2特征变换1、主分量变换PrincipalComponentAnalysisKarhunen-Loeve(K-L)变换基本思想：一种线性变换，均方误差最小的最佳正交变换；是在统计特征基础上的线性变换。目的：数据压缩；新的特征图像之间互不相关；增加类别的可分性。几何意义把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上。K-L变换的性质变换后的矢量的协方差矩阵是对角的。所有正交变换中均方误差最小。主分量变换后，有的特征影像反差拉大，信息集中，整个影像上离散度变大；而另一些特征影像上离散度变小，出现更多的噪声。根据统计，对于LandsatMSS四个波段的影像，经主分量变换后，在第一主分量PC1图像中占有90%左右的总信息量，第二主分量PC2图像的占7%，PC3和PC4共占3%左右。主分量变换计算步骤如下（1）计算均值向量M和协方差矩阵C；（2）计算矩阵C的特征值和特征向量；（3）将特征值按由大到小的次序排列；（4）选择前n个特征值对应的n个特征向量构造变换矩阵n。（5）根据nX进行变换，得到的新特征影像就是变换的结果，X为多光谱图像的一个光谱特征矢量。MSS主分量变换前后的信息量分布TM主分量变换前后的信息量分布PC1PC2PC52、哈达玛变换哈达玛变换是利用哈达玛矩阵作为变换矩阵实施的遥感多光谱域变换。哈达玛矩阵的维数N总是2的幂，即N=2m。哈达玛矩阵的变换核为：哈达玛变换的几何意义：变换比较3、穗帽变换（K-T变换）MSS图像信息随时间变化的空间分布形态是呈规律性形状的，像一个顶部有缨子的毡帽。Kauth和Thomas研究出的矩阵A具有如下形式：变换成为：Y=AX，其中Y=(ISBIGVIYIN)TX=（x4x5x6x7）式中，ISB土壤亮度轴的像元亮度值；IGV植物绿色指标轴的像元亮度值；IY黄色轴；IN噪声轴；xi地物在MSS四个波段上的亮度值。TM图像的穗帽变换矩阵4、生物量指标变换其形式为：式中：Ibio生物量变换后的亮度值。x7，x5为MSS7和MSS5图像的像元亮度值。经变换后，植物、土壤和水都分离开来，因此可独立地对绿色植物量进行统计。变换比较概念：用最少的影像数据最好地进行分类。这样就需在这些特征影像中，选择一组最佳的特征影像进行分类，这就称为特征选择。1.定性的方法2.定量的方法相关系数法距离测度类内距离越小，类间距离越大散布矩阵测度类内散布矩阵和类间散布矩阵9.1.3特征选择1、相关系数法求取（影像）特征间的相关系数如：TM2和TM3的相关系数为0.89，说明有许多地物相关性很强，冗余度大，只需选择其中一个影像参加分类就可以。而TM3与TM4的相关系数仅为0.23，说明两个波段的相关性小，需两个波段都参与分类。2、标准化距离法由此可知，标准化距离越大，说明该影像上所要区分的两类地物可分性大，它有两种情况：（1）是类间离散度大，即均值间的距离大，标准化距离必然大。（2）是类内离度度小，即标准偏差之和小，标准化距离也必然大。9.2监督分类监督分类的概念首先需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本,通过选择特征参数（如像素亮度均值、差等）,建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别。监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别的过程。监督分类的思想根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。监督分类的主要步骤如下：（1）确定感兴趣的类别数。（2）特征变换和特征选择。（3）选择训练样区。（4）确定判决函数和判决规则。（5）根据判决函数和判决规则对非训练样区的图像区域进行分类。样区的获取样区的要求样区的统计9.2.1判别函数和判别规则判别函数当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数。判别规则判断特征矢量属于某类的依据。常用的两种判别函数和判别规则：概率判别函数和贝叶斯判别规则距离判别函数和判别规则1、概率判别函数和贝叶斯判别规则由特征空间概念可知，地物点可以在特征空间找到相应的特征点同类地物在特征空间中形成一个从属于某种概率分布的集群。概率判别函数：把某特征矢量X落入某类集群的条件概率当成分类判别函数。贝叶斯判别规则：把X落入某集群的条件概率最大的类为X的类别。叶斯判别规则以错分概率或风险最小为准则的判别规则。根据概率判别函数和贝叶斯判别规则来进行的分类通常称为最大似然分类法。假设，同类地物在特征空间服从正态分布，则类别的概率密度函数。根据贝叶斯公式，可得贝叶斯判别函数相应的贝叶斯判别规则为：若对于所有可能的j=1，2，m；ji有则X属于i类。错分概率概率判别函数的判别边界(假设有两类)。当使用概率判别函数实行分类时，不可避免地会出现错分现象，分类错误的总概率由后验概率函数重叠部分下的面积给出，错分概率是类别判别分界两侧作出不正确判别的概率之和。2、距离判别函数和判别规则基本思想：计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于哪类。距离判别规则是按最小距离判别的原则马氏（Mahalanobis）距离欧氏（Euclidean）距离计程（Taxi）距离基于距离判别函数和判别规则，在实践中以此为原理的分类方法称为最小距离分类法。1）马氏距离判别函数：在各类别先验概率和集群体积|都相同（或先验概率与体积的比为同一常数）情况下的概率判别函数马氏距离几何意义：X到类重心之间的加权距离，其权系数为多维方差或协方差。2）欧氏距离在马氏距离的基础上，作下列限制将协方差矩阵限制为对角的；沿每一特征轴的方差均相等。欧氏距离是马氏距离用于分类集群的形状都相同情况下的特例。3）计程（Taxi）距离X到集群中心在多维空间中距离的绝对值之总和来表示：管道法分类该方法以地物的光谱特性曲线为基础，假定同类地物的光谱特性曲线相似，以此作为判别的标准。设置一个相似阈值，这样，同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管子，此即为所谓的“平行管道”。平行管道分类法最小距离分类法最大似然比分类法分类过程1)对训练样区的要求准确性、代表性和统计性。准确性：要确保选择的样区与实际地物一致；代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况；统计性：指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。2)初始类别参数的形成选择样本区域将样本数据在特征空间进行聚类计算每个类别的M和，建立类别的判别函数3)根据判别函数逐个像素的分类判别4)分类结果影像的形成建筑物1分类得到的专题图监督分类的优缺点优点：根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别；可以控制训练样本的选择；可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误；避免了非监督分类中对光谱集群的重新归类。缺点：主观性；由于图像中间类别的光谱差异，使得训练样本没有很好的代表性；训练样本的获取和评估花费较多人力时间；只能识别训练中定义的类别。9.3非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，即自然聚类的特性进行“盲目”的分类。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其他类区分开，但是非监督法与监督法都是以图像的灰度为基础的。通过统计计算一些特征参数，如均值、协方差等进行分类的。所以也有一些共性。非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。其常用方法如下:(1)分级集群法(HierarchicalClustering)(2)动态聚类法ISODATA方法在动态聚类法中具有代表性。9.3.1K-均值聚类法K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果，这是这种方法的缺点。K-均值聚类法假设图像上的目标要分为m类别，m为已知数。第一步：适当地选取m个类的初始中心Z1(1)、Z2(2)、Zm(m)。初始中心的选择对聚类结果有一定的影响，初始中心的选择一般有如下几种方法；1）根据问题的性质，根据经验确定类别数m，从数据中找出从直观上看来比较适合的m个类的初始中心。2）将全部数据随机地分为m个类别，计算每类的重心，将这些重心作为m个类的初始中心。K-均值聚类法执行步骤第二步：在第K次迭代中，对任一样本X按如下的方法把它调整到m个类别中的某一类别中去。对于所有的ij，i=1,2,m，如果X-Zj(k)X-Zi(k),则XSj(k)，其中Sj(k)是以Zj(k)为中心的类。第三步：由第二步得到Sj(k)类新的中心Zj(k+1)式中：Nj为Sj(k)类中的样本数。Zj(k+1)是按照使J最小的原则确定的，J的表达式为：第四步：对于所有的i=1,2,m，如果Zj(k+1)=Zj(k)，则迭代结束，否则转到第二步继续进行迭代。第一步：取K=2，令z1(1)=x1=(0,0)T，z2(1)=x2=(1,0)T第二步：因为|x1-z1(1)|x1-z2(1)|，故x1f1(1)|x2-z2(1)|x2-z1(1)|，故x2f2(1)|x3-z1(1)|x3-z2(1)|，故x3f1(1)从而有f1(1)=x1,x3，f2(1)=x2,x4,x5,x20第三步：计算新的聚类中心第四步：因zj(2)zj(1)，j=1,2，故回到第二步。第二步：按新的聚类中心分类，有|xi-z1(2)|xi-z2(2)|，i=1,2,8|xj-z2(2)|xj-z1(2)|，i=9,10,20故f1(2)=x1,x2,x8，f2(2)=x9,x10,x20第三步：计算新的聚类中心第四步：因zj(3)zj(2)，j=1,2，回到第二步。第二步：重新进行聚类，得到f1(3)=f1(2)，f2(3)=f2(2)。第三步：聚类中心与前一次迭代结果相同。第四步：因zj(4)=zj(3)，j=1,2，故算法收敛，算法结束。更新均值的时机：更新均值的时机：逐个样本修正法成批样本修正法9.3.2ISODATA算法聚类分析ISODATA（IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm）算法也称为迭代自组织数据分析算法。它与K-均值算法有两点不同，第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法；第二，ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。ISODATA算法聚类分析框图第一步：将N个模式样本Xi，i=1,2,3,N读入。预选N个初始聚类中心z1,z2,zNc,它可以不必等于所要求的聚类中心的数目，其初始位置亦可从样本中任选一些代入。ISODATA算法执行步骤预选：K=预期的聚类中心数目；N=每一聚类域中最少的样本数目，即若少于此数就不作为一个独立的聚类；S=一个聚类域中样本距离分布的标准差；c=两聚类中心之间的最小距离，如小于此数，两个聚类进行合并；L=在一次迭代运算中可以合并的聚类中心的最多对数；I=迭代运算的次数序号。第二步：将N个模式样本分给最近的聚类Sj，假如Dj=min(X-Zj，j=1,2,),即X-Zj的距离最小，则xSj。第三步：如果Sj中的样本数目NjS（该值给定），同时又满足以下条件之一：(a)和2（+1），即中样本总数超过规定值一倍以上，（b）K/2，则将分裂为两个新的聚类中心和,且加1。中相当于的分量，可加上k，其中0k1；中相当于的分量，可减去k。如果本步完成了分裂运算，则跳回第二步；否则，继续。第十一步：计算全部聚类中心的距离：,i=1,2,-1j=i+1,第十二步：比较与c值，将c的值按最小距离次序递增排列，即,式中，N，无子集可以取消；第五步，修改聚类中心第六步，计算类中心平均距离第七步，计算总和平均距离第八步，由于不是最后一次迭代，且c=K/2，故进入第九步。第九步，求f1中的标准差向量1=(1.99，1.56)。第十步，1中最大分量为1.99，故1max=1.99。第十一步，因为1maxS，且c=K/2，可将m1分裂成为两个新的聚类中心。设k=0.5，则重新计算的聚类中心为为了方便起见，将上述两个聚类中心改名为m1，m2（下同）。C值增加1，并返回第三步。第三步，计算每一样本到m1，m2的距离，按最小距离进行分类，得到两个聚类域，f1=x4,x5,x6,x7,x8，f2=x1,x2,x3，且N1=5，N2=3。第四步，因N1和N2均大于N，故无可取消的类别。第五步，修改聚类中心。第六步，计算类中心平均距离第七步，计算总和平均距离第八步，因这是偶次迭代，故进入第十二步。第十二步，计算聚类中心之间的距离。第十三步，比较12与c，有12 c。第十四步，根据上一步的比较情况，无可进行合并的类别对。第十五步，因为这不是最后一次迭代，需要判断是否需要修改给定的参数，并继续返回第三步。第三步第七步，与前一次迭代计算相同。第八步，条件均不能满足，继续下一步。第九步，计算f1=x4,x5,x6,x7,x8，f2=x1,x2,x3的标准差向量第十步，1max=0.75，2max=0.82。第十一步，因为1maxS且1maxS，不满足分裂条件，故执行下一步。第十二步第十四步，与前一次迭代结果相同。第十五步，此次迭代无新的分类变更，故返回第三步。第三步第七步，与前一次迭代结果相同。第八步，因为是最后一次迭代，置c=0，跳到第十二步。第十二步第十四步，均与前一次迭代结果相同。第十五步，由于是最后一次迭代，故算法结束。非监督分类的优缺点优点：不需要预先对所分类别的区域有广泛的了解，需要用一定的知识来解释得到的集群组；人为误差的机会减少；量小的类别能被区分。缺点：得到的集群组类别不一定对应分析者想要的类别；难对产生的类别进行控制；不同图像之间的对比困难。模糊聚类算法模糊聚类的思想基于事物的表现有时不是绝对的，而是存在着一个不确定的模糊因素。同样在遥感影像计算机分类中也存在着这种模糊性，因此，划分类别的分类矩阵最好也是一个模糊矩阵，即满足以下条件：1），表示样本属于第I类的隶属度；2）A中每列元素之和为1，即一个样本对各类的隶属度之和为1；3）A中每行元素之和大于0，即表示每类不为空集。计算机分类的新方法计算机分类的新方法以模糊矩阵对样本集进行分类的过程称为软分类。若分析的对象有m个类别，第k个像元与每个类别中心之间的距离的平方为：为了得到合理的软分类，定义聚类准则如下：其中A为软分类矩阵，V表示聚类中心，n为样本数，b是权系数，b越大，分类越模糊。计算机分类的新方法计算机分类的新方法一般情况下，b1，当b1时就是硬分类。当达到极小值时，整体分类达到最优。与通过下式求得：一般来说，确定一个初始类别中心（0）后，即可通过计算确定第k个像元的归属，然后由所计算的计算更正后的类别中心（1），如此直至新计算的与上一次的非常接近为止。由于遥感数据量非常大，可事先确定一个样本集，计算只针对样本而不是所有像元。计算机分类的新方法计算机分类的新方法人工神经网络方法人工神经网络中的处理单元是人类大脑神经元的简化。如图所示，一个处理单元（人工神经元），将接受到的信息，通过用，表示的互联强度，以点积的形式合成为自己的输入，并将输入与以某种方式设定的阈值作比较，再经某种形式的作用函数f的转换，便得到该处理单元的输出y。计算机分类的新方法计算机分类的新方法式中：xi为第I个输入元素；Wi为从第I个输入与处理单元间的互联权重；为处理单元的内部阈值；y为处理单元的输出。计算机分类的新方法计算机分类的新方法purelin(n)=nlogsig(n)=1/(1+exp(-n)tansig(n)=2/(1+exp(-2*n)-1计算机分类的新方法计算机分类的新方法其它的常用方法一、非监督分类与监督分类的结合基于最大似然原理的监督法分类的优势在于如果空间聚类呈现正态分布，那么它会减小分类误差，而且，分类速度较快。监督法分类主要缺陷是必须在分类前圈定样本性质单一的训练样区，而这可以通过非监督法来进行。即通过非监督法将一定区域聚类成不同的单一类别，监督法再利用这些单一类别区域“训练”计算机。通过“训练”后的计算机将其他区域分类完成，这样避免了使用速度比较慢的非监督法对整个影像区域进行分类，使分类精度得到保证的前提下，分类速度得到了提高。具体执行步骤：第一步：选择一些有代表性的区域进行非监督分类。这些区域尽可能包括所有感兴趣的地物类别。这些区域的选择与监督法分类训练样区的选择要求相反，监督法分类训练样区要求尽可能单一。而这里选择的区域包含类别尽可能地多，以便使所有感兴趣的地物类别都能得到聚类。第二步：获得多个聚类类别的先验知识。这些先验知识的获取可以通过判读和实地调查来得到。聚类的类别作为监督分类的训练样区。第三步：特征选择。选择最适合的特征图像进行后续分类。第四步：使用监督法对整个影像进行分类。根据前几步获得的先验知识以及聚类后的样本数据设计分类器。并对整个影像区域进行分类。第五步：输出标记图像。由于分类结束后影像的类别信息也已确定。所以可以将整幅影像标记为相应类别输出。二、高程信息在遥感图像分类中的应用由于地形起伏的影响，会使地物的光谱反射特性产生变化，并且不同地物的生长地域往往受海拔高度或坡度坡向的制约，所以将高程信息作为辅助信息参与分类将有助于提高分类的精度。高程信息在分类中的应用主要体现在不同地物类别在不同高程中出现的先验概率不同。假设高程信息的引入并不显著地改变随机变量的统计分布特征，则带有高程信息的贝叶斯判决函数只需将新的先验概率代替原来的先验概率即可，余下的运算相同。同理可利用坡度，坡向等其它地形信息。三、纹理信息在遥感图像分类中的应用纹理特征有时也用来提高分类的效果，特别是在地物光谱特性相似，而纹理特征差别较大的场合，如树林与草皮，草皮的纹理比树林的纹理要细密得多，但二者的光谱特性相似，这时候加入纹理信息辅助分类是比较有效的。纹理信息参与分类的方法与前面讲述的引入高程参与分类的方法类似，也是通过改变判决函数中的先验概率实现的，通过计算每个像元的纹理特性选取不同的先验概率达到对不同纹理地物加不同权，使分类结果更加合理。另外一种方法是先利用多光谱信息对遥感图像进行自动分类。再利用纹理特征对光谱分类的结果进行进一步的细分，例如可在光谱数据分类的基础上，对属于每一类的象素，再利用纹理特征进行二次分类。9.4分类后处理和误差分析人工干预分类结果影像平滑分类后的误差分析9.4.1人工干预类别的调整；错误类别的人工删除；9.4.2分类结果影像平滑中间像素B的邻接像素有六个C，所以将B调整为C。中间像素B的邻接像素没有六个C，所以B不变。分类后专题图的正确分类程度（也称可信度）的检核，是遥感图像定量分析的一部分。一般无法对整幅分类图去检核每个像元是正确或错误，而是利用一些样本对分类误差进行估计。采集样本的方式有三种类型：来自监督分类的训练样区；专门选定的试验场；随机取样。9.4.3分类后的误差分析混淆矩阵分类精度样本总数；为分类所得到的第i类的总和；为实际观测的第j类的总和；总体分类精度制图精度：正确分类/参考数据中的该类漏分误差（omission）1-制图精度用户精度：正确分类/实际分类中的该类错分误差（commission）1-用户精度Kappa分析（系数）参考图像被评价的图像居住区空地植被道路总和居住区18111655262空地1013014植被483961148道路5186276总和2441617268500误差矩阵实例制图精度制图精度漏分精度漏分精度用户精度用户精度错分误差错分误差居住区居住区69.0830.9274.1825.82空空 地地7.1492.866.2593.75植植 被被64.8635.1455.8144.19道道 路路81.5818.4291.188.82精度计算总体精度：总体精度：68.0Kappa系数系数48.5分类精度提高的对策（一）制约分类精度的原因1、遥感数据本身制约光谱：相似性，时相与环境空间分辨力2、分类方法单点分类空间结构信息没有利用（二）分类方法改进1、分类前预处理校正（辐射和几何）变换空间信息提取（纹理）2、分类树与分层分类一次分类不能满足精度要求时，进行多次分类3、混合分类（多分类器结合）监督法与非监督法4、多种信息复合遥感信息非遥感信息5、与GIS集成GIS与遥感数据复合分类间接支持分类用于选样区，检验样区，纠正等