遙感圖像分類ppt課件(2)-資料下載頁

　　

【正文】 定的點群； 2） 每一類的每一維數據都在自己的數軸上為正態分布，該類的多維數據就構成了一個多維正態分布（各類的多維正態分布模型各有其分布特征，例如，所在位置、形狀、密集或分散的程度等。對于具有三個特征的正態分布來說，每一類的數據就是一個近似鐘形的立方體。不同類形成的“鐘”在高低、粗細、尖闊等方面都不相同）； 3） 根據各類的已知數據，可以構造出各類的多維正態分布模型（實際為各類中各數據向量的頻率，即概率密度函數或概率分布函數）；4） 在此基礎上，對于任何一個像素，可反過來求它屬于各類的概率，取最大概率對應的類為分類結果。 基本原理 最大似然法假設遙感圖像的每個波段數據都為正態分布。 60 其他分類方法 ? 決策樹法 基本思想： 首先計算所有類別之間的距離，合并距離最近的兩類形成一個新類，然后計算新類與其它類別之間的距離，重復前面的工作，直到最終所有類別都合并為一大類，形成整個樹結構的根部。每次合并產生樹結構中的一個結點，分類樹有多個結點和分枝組成，最下面一層的結點稱為 根結點 ，最上面一層的結點為 終端結點 ，每個終端結點包含為原始一類。 61 分類后處理 ? 碎斑處理 ? 類別合并 ? 分類結果統計 ? 類間可分離性分析 62 分類后處理 ? 碎斑處理 ?指去掉分類圖中過于孤立的那些類的像素，或把它們歸并到包圍相鄰的較連續分布的那些類。 ?基本思想 大體上是給每個類規定一個應保留的最小連片像素數，然后將小于此數的孤立像素合并到與其相鄰的或包圍它的較大的連片像素類中。 ?調整的原理服從“多數”原則。 例如，在分類圖像中可對每個像素進行如下處理 :若某像素的 8個鄰接像素中至少有 6個像素同屬于某一類 C，則該像素的類別屬性也調整為 C。否則，保持該像素己分的類別屬性不變。該過程也需要有若干次迭代后才能結束。 63 分類后處理 ? 類別合并 ?非監督分類前不知道實際有多少地物類，在策略上總是先分出較多的類，然后對照實地情況或根據己有知識，確定最后需要的類別，因此，需要將某些光譜上不同的類 (光譜類 )合并為一個地物類。監督分類雖然知道實際有哪些地物類，但同物異譜現象會產生錯誤的分類結果。 ?分類后處理中的類合并處理，在 ENVI中是對類進行合并的一部分，在 ERDAS中叫做重編碼。其基本思想是將要合并的兩個或兩個以上類的編碼和顏色改為相同的編碼和顏色。例如將第 5類 (黃色 )并入第 1類 (紅色 )，只要將第 5類的編碼改為 1，顏色由黃改為紅就可以了。 64 分類后處理 ? 分類結果統計 ?分類結果統計是圖像分類報告中必須包含的內容，包括各類在各波段的平均值、標準差、最低值、最高值、協方差矩陣、相關系數矩陣、特征值、各類的像素數和占總像素數的百分比、精度檢驗等。 ?根據這些統計參數可以繪制各類的光譜曲線，計算相應的植被指數等。 65 分類后處理 ? 類間可分離性分析 ?可分離性可用各類之間的距離矩陣來表示。由于距離是類間相似性的一個重要量度，因而通過該矩陣可確定最為相似的類。 66 分類精度分析 ? 遙感圖像分類精度分析通常把分類圖與標準數據 (圖件或地面實測調查 )進行比較，然后用正確分類的百分比來表示分類精度。 實際工作中， 多采用抽樣方式以部分像素或部分類別代替整幅圖像來進行精度分析 。 ? 遙感圖像分類精度分為非位置精度和位置精度。 非位置精度以一個簡單的數值，如面積、像素數目等表示分類精度，由于未考慮位置因素，類別之間的錯分結果彼此平衡，在一定程度上抵消了分類誤差，使分類精度偏高。我國早期分類工作中的精度評價多是非位置精度評價。 ? 位置精度 分析將分類的類別與其所在的空間位置進行統一檢查。目前普遍采用混淆矩陣的方法，即以 Kappa系數評價整個分類圖的精度，以條件 Kappa系數評價單一類別的精度。 67 分類精度分析 ? ? 68 分類精度分析 ? ?混淆矩陣 (Confusion Matrix)是由 n行 n列組成的矩陣，用來表示分類結果的精度。這里， n代表類別數。有時，該矩陣稱為 誤差矩陣 。 ?混淆矩陣中， 檢驗用的實際類別來源 有三種，一種是分類前選擇的訓練區和訓練樣本時確定的各個類別及其空間分布圖，另一種是類別己知的局部地段的專業類型圖，第三種是實地調查的結果。 69 分類精度分析 ? 混淆矩陣的 列方向 (左右 )依次排列著實際類別 (檢驗數據 )的第 1類，第 2類， … ，第 m類的代碼或名稱；矩陣的 行方向 (上下 )依次排列著分類結果各類別的第 1類，第 2類， … ，第 m類的代碼或名稱。矩陣中的元素是分屬各類的像素數或其占總像素數的百分比。顯然，矩陣 主對角線 (從左上到右下的對角線 )上的數字就是分類正確的像素數或其百分比。主對角線上的像素數越大或百分比越高，分類精度就越高。主對角線以外的數字就是錯分的像素數或其百分比。這些數字或百分比越小，錯分率就越小，精度就越高。主對角線上像素數的和除以參與計算混淆矩陣的像素總數，就是分類精度的初步估計。 70 分類精度分析 ? 對于類別 X, 1） 運行誤差 (Commit Error)：又稱 錯分誤差 ，是 圖像的某一類 的地物被錯分到其他類別的百分比。 運行誤差 =(E+F) /G 2） 用戶精度 (User‘s Accuracy)：表示從分類結果圖中任取一個隨機樣本，其所具有的類型與地面實際類型相同的條件概率，表示分類結果中各類別的可信度，即這幅圖的可靠性。 用戶精度 =A/G =100%運行誤差 71 分類精度分析 ? 對于類別 X, 3） 結果誤差 (Omission Error)：又稱 漏分誤差 ，是 實際的某一類 地物被錯誤地分到其它類別的百分比。 結果誤差 =(B+C) /D 4） 生產者精度 (Producer‘s Accuracy)：又稱 制圖精度 。表示實際的任意一個隨機樣本與分類圖上同一地點的分類結果相一致的條件概率，用于比較各分類方法的好壞。 生產者精度 =A/D =100%結果誤差 72 分類精度分析 ? 73 分類精度分析 ? Kappa系數是一個測定兩幅圖之間吻合度或精度的指標。 Kappa統計可以表示為 : m 是誤差矩陣中總列數 (即總的類別數 )； xii 是混淆矩陣中第 i行第 i列上像素數量 (即正確分類的數目 )； xi+ 和 x+i，分別是第 i行和第 i列的總像素數量； N 是用于精度評估的總像素數量。 分類總體精度與 Kappa的區別 在于總體精度只用到了位于對角線上的像素數量， Kappa則考慮了對角線上被正確分類的像素，又考慮了不在對角線上的各種漏分和錯分錯誤。 74 分類精度分析 ? 研究認為， Kappa系數與分類精度有如下表所示的關系。 在統計學中，一般把 Kappa系數列為非參數統計 (檢驗 )方法，用來衡量兩個人對同一物體進行評價時，其評定結論的一致性。 1表示有很好的一致性， 0表示一致性不比可能性 (偶然性 )更好。大于 0. 75表示評價人之間有很好的一致性，而小于 0. 40則表示一致性不好。 75 分類精度分析 ? Kappa系數值的意義