专题四：分类后处理

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,图像分类及分类后处理,1,遥感数字图像处理概论,图像的数据格式及统计描述,BSQBIPBIL,三种数据格式,统计特征参数,ENVI,基础,遥感图像分类,监督分类,分类后处理,review,2,图像分类,分类方法,目视判读,计算机分类,（解译）,基于像素,基于分割单元（面向对象）,监督分类,非监督分类,决策树分类,.,(,模糊集、神经网络、分层聚类、空间逐步优化,),3,计算机分类,是对遥感图像上的地物进行属性的识别和分类，是模拟识别技术在遥感技术领域中的具体运用,4,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。,监督分类法：,选择具有代表性的,典型训练区,，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。,1,、监督分类与非监督分类方法定义,5,2,、监督分类与非监督分类方法比较,根本区别在于是否利用,训练区,来获取先验的类别知识。,监督分类的关键是选择训练场地。训练场地要有代表性，,样本数目要能够满足分类要求。此为监督分类的不足之处,。,非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。,当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好,。,6,图象预处理,选择分类方法,特征选择和提取,选择合适的分类参数,进行分类,分类后处理,成果输出,遥感数字图像计算机分类基本过程,7,selecting training areas, also known as regions of interest (,ROI,).,Parallelepiped,(,平行六边行法,),Minimum Distance,(,最小距离,),Mahalanobis,Distance,Maximum Likelihood, (,最大似然法,),Spectral Angle,Mapper,Binary,Supervised Classification,8,1,、监督分类,（,1,）、最小距离分类法,Step 2 for each,unclassified pixel,calculate the distance to,average for each training,area,9,最大似然比分类法,(,Maximum Likelihood),通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。,假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。,10,监督分类,前提：已知遥感图像上样本区内地物的类别，该样本区又称为,训练区,。,过程：,（,1,）确定判别准则，计算判别函数,训练,（,2,）将未知类别的样本值代入判别函数，判定类别。,利用已知类别样本的特征值求解判别函数的过程称为,学习或训练,。,11,训练区（,ROI &AOI,）：抽样调查,ROI,类型,点,线,面,ROI,选择,具有代表性和光谱特征比较均一的地段，实地调查,12,分类后处理（,post,classification,）,13,分类后处理,计算机分类得到的是初步结果，一般难于达到最终目的，因此，对获取的分类结果需要再进行一些处理，才能达到最终理想的分类结果，这些过程通常称为,分类后处理,。,14,ENVI,有许多,post,分类选项，包括一个规则图像分类器，计算分类统计，和混淆矩阵，,clumping,、筛选和合成分类，在一幅图像上将类叠置，输出类到矢量层。,分类后处理的内容并无严格限定，视专业需要而定。,15,碎斑处理,滤波处理制图学中的“综合”（概括）,去掉分类图中过于孤立的类的像素，或者归并到周围相邻的较连续分布的那些类。,最小连片像素数，服从“多数”原则,16,细小图斑块，需要剔除或重新分类,Majority/minority,分析,聚类处理,过滤处理,17,Majority:,类似于卷积计算，定义一个变换核，将变化核中占主要地位（像元素最多）的像元类别代替中心像元的类别。,Minority:,将变化核中占次要地位的像元类别代替中心像元的类别。,Majority/minority,分析,18,聚类处理（,Clumping,）,运用形态学算子将临近的类似区域聚类并合并，分类区域中斑点或洞的存在，缺少空间连续性。,扩大操作，制定变换核进行侵蚀操作,19,过滤处理（Sieve）,分类中的孤岛问题,斑点分组，判断是否同组，删除的归为未分类,20,分类精度分析,遥感图像分类精度分析通常把,分类图与标准数据,（,true image,图件或地面实测调查）进行比较，然后用,正确分类的百分比,来表示分类精度。,实际工作中，多采用,抽样方式,以部分像素或部分类别代替整幅图像进行精度分析。,21,分类精度分为,“非位置精度”,和,“位置精度”,。,非位置精度以一个简单的数值表示，由于未考虑位置因素，类别之间错分结果彼此平衡，在一定程度上抵消分类误差，分类精度偏高，早期分类的精度评价多是非位置精度评价。,位置精度分析将,分类的类别与其所在的空间位置进行统一检查,，目前普遍采用,混淆矩阵,的方法，即以,kappa,系数,评价整个分类图的精度，逐渐发展成主要的精度评价方法。,分类精度分析,22,分类精度分析,混淆矩阵,混淆矩阵（,Confusion Matrix,）,矩阵建立,:,由,n,行,n,列组成的矩阵，,n,代表类别数。混淆矩阵列方向（左右）表示实际类别（,true,）的第,1,类到第,n,类，行方向（上下）代表分类结果的第,1,类到第,n,类。矩阵中的元素是像素值或百分比。,23,评价指标,运行误差（,Commission,）,:,又称错分误差,，是图像上某一类地物被错分到其它地物的百分比。,(E+F)/G,用户精度（,User Accuracy,）,:,用户精度是指假定分类器将像元归到,A,类，则相应的地表真实类别是,A,的可能性。,A/G,结果误差,:,又称漏分误差，是指实际的某一类被错误分到其他类的百分比。,(B+C)/D,生产者精度（制图精度）,:,表示实际任意一个随机样本与分类图上同一点的分类结果相一致的条件概率。,A/D=100%-,结果误差,分类精度分析,混淆矩阵,24,总体精度： 正确分类样本数,/,总检验样本数,对角线的各元素总和是正确分类样本数,Kappa,系数：,Kappa,系数是一个测定两副图之间精度（吻合度）的指标。,分类总体精度与,Kappa,的区别在于总体精度只用到了位于对角线上的像素数量，,Kappa,则考虑了对角线上被正确分类的像素，又考虑了不在对角线上的各种漏分和错分错误。,25,分类质量与,kappa,统计值,k,分类质量,0.3,type = Decision,location = 1,1,expression = ndvi gt 0.3,end node,41,变量,(Variables ),及常用表达,The variables in ENVIs decision tree classifier refer to,a band of data or to a special function,that acts on the data.,variable name,bx,_,参考,help,文档,42,常用变量,slope - slope calculated from a DEM file,aspect - aspect calculated from a DEM file,ndvi - NDVI calculated from file, if the sensor type is set in the header, the bands used to calculate the NDVI are automatically found, if ENVI does not know which bands to use, it will prompt you to enter the band numbers,tascapn - tasseled cap transform - the subscript, n, points to which tasseled cap result to use in the expression, for example, for TM data, tascap2 will use the greenness band,pcn - principal components - the subscript, n, points to which PC band to use in the expression,mnfn - minimum noise fraction - the subscript, n, points to which MNF band to use in the expression,lpcn - local principal components - uses only the surviving pixels in the calculations,lmnfn- local minimum noise fraction - uses only the surviving pixels in the calculations,meann - mean for band n,stdevn - standard deviation for band n,minn - minimum of band n,maxn - maximum of band n,lmeann - local mean - mean of only the surviving pixels,lstdevn - local standard deviation - standard deviation of only the surviving pixels,lminn - local minimum - minimum of only the surviving pixels,lmaxn - local maximum - maximum of only the surviving pixels,43,examples of expressions,(b1 gt 20) and (b2 le 45),ndvi gt 0.3,b1 gt (mean2 + 2*stdev2),(slope gt 15) and (aspect lt 90) or (aspect gt 270),44,建立决策树,执行分类,编辑决策树（添加、使用波段索引、删除）,保存决策树（*,.txt,）,基本操作,45,实验数据一,Envidata/decision,Boulder_tm,Boulder_dem,数据描述,L5 TM,DEM,46,准则描述,类,1: ndvi,值大于,0.3,坡度大于或等于,20,度,类,2: ndvi,值大于,0.3,坡度小于,20,度,阴坡,类,3: ndvi,值大于,0.3,坡度小于,20,度,阳坡,类,4: ndvi,值小于或等于,0.3,波段,4,的值大于等于,20,类,5: ndvi,值小于或等于,0.3,波段,4,的值小于,20(,不等于,0),类,6 :,波段,4,的值等于,0,类,7: ndvi,值小于或等于,0.3,波段,4,的值大于等于,20,中波段,1,的值小于波段,1,的均值,b1 lt mean1,47,实验数据二,北京地区数据(TM),48,分类原理,图像分类,目视判读,计算机分类,基于像素,基于分割单元（面向对象）,监督分类,非监督分类,决策树分类,.,(,模糊集、神经网络、分层聚类、空间逐步优化,),49,图象预处理,选择分类方法,特征选择和提取,选择合适的分类参数,进行分类,分类后处理,成果输出,遥感数字图像计算机分类基本过程,几何校正，裁剪，,监督、非监督、决策、其他,训练样区的选择,分类数目，迭代次数，阈值范围,提高分类精度，转换为矢量,50,面向对象的分类方法介绍,51,主要流程,图像分割,合并分块,精炼分块,计算属性,定义要素,规则分类,监督分类,导出要素,查看报告和统计,完成,52,