环境遥感-遥感图像专题分类课件

,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,#,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,K-means 法,选择C个聚类中心，设A,i,i=1,2,.,c.;,将任一个像元归类到距离最近的类别中;,基于得到的类别，产生新的C个聚类中心,设Bi,i=1,2,.,k.,;,如果 ，（0,）则结束循环，否则返回步骤b，继续循环。,第二节 非监督分类,Isodata 法,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,Isodata 法,选择c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;,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；,重新计算各类中心；,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,Isodata 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数S，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;,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-means vs ISODATA,第三节 监督分类,最大似然法,最小距离分类法,平行六面体法,第三节 监督分类,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 K,i,的概率为 P(K,i,/x),i=1,2,.,n,Max（P(K,1,/x)，P(K,2,/x)，P(K,i,/x)）,第三节 监督分类,最大似然法（MLC）,判别规则：,每个像素对于各类别的归属概率,概率等值线,第三节 监督分类,最小距离分类法,例子：,第三节 监督分类,最小距离分类法,例子：,第三节 监督分类,最小距离分类法,判别规则：像元与各个类别之间的距离,TM4,TM1,第三节 监督分类,平行六面体法,例子：,第三节 监督分类,平行六面体法,判断方法：,设有某类别j，类别中心（均值）为M,ij,（i为波段1，2，3），标准差为S,i,i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。,第三节 监督分类,平行六面体法,TM4,TM1,第五章 遥感分类中的不确定性和尺度问题,分类精度评价,后处理,第五章 遥感分类中的不确定性和尺度问题,分类精度评价,混淆矩阵,总体精度，生产者精度，用户精度,Kappa系数,第五章 遥感分类中的不确定性和尺度问题,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。,第五章 遥感分类中的不确定性和尺度问题,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。,第五章 遥感分类中的不确定性和尺度问题,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。,第五章 遥感分类中的不确定性和尺度问题,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,分类精度评价Kappa系数,第五章 遥感分类中的不确定性和尺度问题,分类精度评价Kappa系数,第五章 遥感分类中的不确定性和尺度问题,分类精度评价Kappa系数,Kappa系数在0.4以上分类结果比较可信,第五章 遥感分类中的不确定性和尺度问题,分类精度评价Kappa系数,假设：,Pc为总体精度,检验,数据,图像类别,x,y,z,行和,x,A1,A2,A3,A,y,B1,B2,B3,B,z,C1,C2,C3,C,列和,D,E,F,N,图像,类别,检验数据,x,y,z,行和,x,A1,A2,A3,A,y,B1,B2,B3,B,z,C1,C2,C3,C,列和,D,E,F,N,第五章 遥感分类中的不确定性和尺度问题,分类精度评价混淆矩阵,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,分类精度评价Kappa系数,后处理,分类结果,实测结果,第五章 遥感分类中的不确定性和尺度问题,后处理,第五章 遥感分类中的不确定性和尺度问题,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/Minority analysis),第五章 遥感分类中的不确定性和尺度问题,后处理,第五章 遥感分类中的不确定性和尺度问题,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,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,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,后处理majority/minority analysis,作用：去掉虚假类别像元。,majority analysis,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；,minority analysis,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,后处理majority/minority analysis,majority analysis example:,第五章 遥感分类中的不确定性和尺度问题,后处理majority/minority analysis,minority analysis example:,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。,每一次的加油，每一次的努力都是为了下一次更好的自己。,11月-24,11月-24,Saturday,November 30,2024,天生我材必有用，千金散尽还复来。,10:33:17,10:33:17,10:33,11/30/2024 10:33:17 AM,安全象只弓，不拉它就松，要想保安全，常把弓弦绷。,11月-24,10:33:17,10:33,Nov-24,30-Nov-24,得道多助失道寡助，掌控人心方位上。,10:33:17,10:33:17,10:33,Saturday,November 30,2024,安全在于心细，事故出在麻痹。,11月-24,11月-24,10:33:17,10:33:17,November 30,2024,加强自身建设，增强个人的休养。,2024年11月30日,10:33 上午,11月-24,11月-24,扩展市场，开发未来，实现现在。,30 十一月 2024,10:33:17 上午,10:33:17,11月-24,做专业的企业，做专业的事情，让自己专业起来。,十一月 24,10:33 上午,11月-24,10:33,November 30,2024,时间是人类发展的空间。,2024/11/30 10:33:17,10:33:17,30 November 2024,科学，你是国力的灵魂；同时又是社会发展的标志。,10:33:17 上午,10:33 上午,10:33:17,11月-24,每天都是美好的一天，新的一天开启。,11月-24,11月-24,10:33,10:33:17,10:33:17,Nov-24,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。,2024/11/30 10:33:17,Saturday,November 30,2024,感情上的亲密，发展友谊；钱财上的亲密，破坏友谊。,11月-24,2024/11/30 10:33:17,11月-24,谢谢大家！,