第四章 遥感数字图像的计算机分类

1、1第四章第四章 遥感数字图像计算机解译遥感数字图像计算机解译一、遥感数字图像计算机分类的一般原理一、遥感数字图像计算机分类的一般原理二、遥感分类的常用判别函数二、遥感分类的常用判别函数三、遥感数字图像的分类方法三、遥感数字图像的分类方法四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理五、光谱特征分类中的辅助处理技术五、光谱特征分类中的辅助处理技术六、遥感图像计算机分类新方法六、遥感图像计算机分类新方法2一、遥感数字图像计算机分类的一般原理一、遥感数字图像计算机分类的一般原理遥感图像解译遥感图像解译 遥感图像数据专题图像专题地图专业应用解译方法方法计算机分类目视解译光谱规律地学规律解译者

2、的经验解译标志（亮度、色调、位置、时间、纹理、结构等）景物类型属性识别、分类提取信息、识别地物3一、遥感数字图像计算机分类的一般原理一、遥感数字图像计算机分类的一般原理计算机分类计算机分类 是通过模式识别理论，利用计算机将遥感图象遥感图象自动分成若干地物类别地物类别的方法。 如土地覆盖/土地利用分类、森林类型分类、植被 类型分类、岩性分类、 数据数据信息信息 （遥感数据（遥感数据-地物信息）地物信息）主要数据类型：1、原始光谱数据；2、光谱变换后数据；3、非遥感数据4遥感图像分类的实质遥感图像分类的实质 图象分类过程的总目标总目标是，将图象中所有的像元自动地进行土地覆盖类型或土地覆盖专题的分类

3、。5影响遥感图像分类精度的因素影响遥感图像分类精度的因素u大气状况的影响：大气状况的影响：吸收、散射。u下垫面的影响：下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。u其他因素的影响：其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。 6统计模式识别的概念和基本问题统计模式识别的概念和基本问题u模式模式（pattern）: 在多波段多波段图象中，每个象元都具有一组对应取值，称为象元模式，即一个像元对应多个值。象元模式，即一个像元对应多个值。u特征特征（feature）：在多波段波段图象中，每个波段都可看作一个变量，称为特征变量特征变量

4、。特征变量构成特征空间特征空间。波段波段：光谱波段 其它派生波段（纹理、上下文关系、波段比等） 辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)u特征提取特征提取（feature extraction）：通过变换找出最能反映地物类别差异的特征变量用于分类的过程7统计模式识别的概念和基本问题统计模式识别的概念和基本问题u模式识别模式识别 是人们沿着仿生学的道路，用计算机系统作为工具来模拟人类的感知和识别智能，它是人工智能人工智能的一个分支。u遥感图像的计算机分类遥感图像的计算机分类 它是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所

5、相应的实际地物，提取所需地物信息。8统计模式识别的概念和基本问题统计模式识别的概念和基本问题u遥感图像目视判读与计算机分类的比较遥感图像目视判读与计算机分类的比较 相同点：目的一致； 不同点：目视判读直接利用人类的自然识别智能； 计算机分类利用计算机模拟人类的识别能力。u遥感图像的模式特征及其分类方法遥感图像的模式特征及其分类方法 光谱特征 纹理特征 基于光谱特征的统计识别方法 基于纹理特征的统计识别方法 （主要） （次要、补充） 9统计模式识别的概念和基本问题统计模式识别的概念和基本问题u统计模式识别的基本含义统计模式识别的基本含义 （1）把识别对象的特征的每一个观测量视为从属于一定分布规律

6、的随机变量随机变量； （2）在多维观测的情况下，把识别对象特征的各维观测值的总体视为一个随机矢量随机矢量，每一个随机矢量随机矢量在一个多维特征空间中都有一个特征点特征点与之相对应； （3）所有特征点的全体在特征空间中将形成一系列的分布群体，每个分布群体中的特征点被认为具有相似特征每个分布群体中的特征点被认为具有相似特征，并可以划为同一类别； （4） 找到各个分布群体的边界线边界线（面）或确定任意特征点落入每个分布群体中的条件概率，并以此依据来确定特征点（或相应的识别对象）的分类。 10光谱特征向量与特征点集群光谱特征向量与特征点集群 u基于统计模式识别的分类方法基于统计模式识别的分类方法 监督

7、分类与非监督分类分类处理与增强处理的异同共同点：共同点：增强和提取遥感图像中目标物的信息不同点：不同点：增强处理增强视觉效果提高图像的可解译性（定性定性）图像分类地物类别的区分（定量信息定量信息）11光谱特征向量与特征点集群光谱特征向量与特征点集群 TnxxxX,21n图像波段总数ix地物图像点在第i波段图像中的亮度值u光谱特征向量光谱特征向量 光谱特征变量光谱特征变量：由于受外界各种因素的影响，使得同类地物的成像亮度值总是带有随机误差，导致图像亮度值（即光谱特征）的观测值为一个随机变量（x）。 光谱特征向量光谱特征向量：同名地物点在不同波段图像中亮度的观测量构成一个多维的随机向量（X），称为

8、光谱特征向量。即12光谱特征向量与特征点集群光谱特征向量与特征点集群 u光谱特征空间光谱特征空间 为度量地物的光谱特征，建立的以各波段图像的亮度分布为子空间的多维空间。13光谱特征向量与特征点集群光谱特征向量与特征点集群 u特征点集群特征点集群 每个地物点依其在各个波段所具有的光谱值可以在一个多维空间中找到一个相应的特征点，但由于随机性所致，同类地物的各取样点在光谱特征空间中的特征点将不可能表现为一个点，而是表现为一个相对聚集的点集群点集群，不同类地物点集群在特征空间中一般相互分离，这些点集群称为特征点集群特征点集群。特征点集群在空间中的分布情况特征点集群在空间中的分布情况 最理想情况最理想情

9、况 不同类别集群至少在一个特征子空间（某一波段图像）中的投影（即亮度范围）是完全可以相互区分开的可以用简单的图像密度分割实现。14光谱特征向量与特征点集群光谱特征向量与特征点集群 典型情况典型情况 不同类别地物的集群，在任一个子空间都有重叠现象存在，但在总的特征空间中却是可以完全分开的。即单波段的图像不能实现图像的分类，只有利用多波段图像在多维空间中才能实现精确分类。 15光谱特征向量与特征点集群光谱特征向量与特征点集群 一般情况一般情况 不论是在总的特征空间还是任一子空间，不同类别的集群之间总有重叠现象，这时重叠部分的特征点所相应的地物，在分类时会出现不同程度的分类误差，这是遥感图像分类中最

10、常见的现象。 16地物与光谱特征空间的关系地物与光谱特征空间的关系17计算机分类的基本原理计算机分类的基本原理 基本原理基本原理 不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征将图像中的每个像元或区域划归为若干类别是的一种，即通过光谱特征分析选择特征参数将特征空间划分为不重叠的子空间将影像像元划分到各个子空间实现分类 图象分类：基于数字图象中反映的同类地物的光谱相似性和异类地物的光谱差异性。 依据依据是遥感图像像素的相似度。距离相关系数18计算机分类的基本原理计算机分类的基本原理 基本思想基本思想 同类地物的光谱特征比同类地物的光谱特征比较接近，在特征空间中的点较接近，在特征空

11、间中的点聚集在该类的中心附近；多聚集在该类的中心附近；多类目标聚集多个点族。类目标聚集多个点族。 分类算法的核心分类算法的核心 判别函数判别函数 判别准则判别准则 方法方法 判别函数判别函数：找到一个函数使找到一个函数使fAB(X)=0判别准则判别准则：fAB(X)0，X为为A类；类； fAB(X) 0，X为为B类类类别界面19计算机分类处理的一般过程计算机分类处理的一般过程图像变换及特征选择分类器的设计初始变量参数的确定每个像素的分类判决分类编码图像、结果检验分类结果输出原始图像数据的预处理准备阶段分类判决输出几何校正、辐射校正量化、采样、增强等特征选择（Feature Selection）

12、特征提取（Feature Extraction）精度评价可靠性评价20二、遥感分类的常用判别函数二、遥感分类的常用判别函数距离判别函数距离判别函数 u欧氏距离欧氏距离:NxxdNkjkikij12)(N, 波段数；dij第个i像元与第j个像元在N维空间中的距离；xik为第个k波段上第i个像元的灰度值。u绝对距离绝对距离:N1kjkikij|xx|dq/1N1kqjkikij|xx|du明可夫斯基距离（明可夫斯基距离（Minkowski）: 欧氏距离和绝对距离可统一表示为:u明可夫斯基距离存在的主要问题明可夫斯基距离存在的主要问题明氏距离与特征参数的量纲有关（解决办法：标准化处理）明氏距离与特征

13、参数的量纲有关（解决办法：标准化处理）明氏距离没有考虑特征参数间的相关性明氏距离没有考虑特征参数间的相关性21u马氏距离（马氏距离（MahalanobisMahalanobis）22二、遥感分类的常用判别函数二、遥感分类的常用判别函数最大似然法判别函数最大似然法判别函数 （Bayes准则） u基本思想基本思想 假定各类的分布函数为正态，按正态分布规律用最大似然判别规则进行判决，得取分类结果。uBayes准则及判别函数X属于wi的概率，又称后验概率23三、遥感数字图像的分类方法三、遥感数字图像的分类方法分类执行方式：监督分类、非监督分类分类模型或分类器：统计分类、模糊分类、邻域分类、神经网络分类

14、等。24监督分类（监督分类（supervised classification） 通过选择代表各类别的已知样本（训练区）的象元光谱特征，事先取得个类别的参数，确定判别函数，从而进行分类。 在监督分类中，先定义信息类，然后检验它们的光谱可分性。25监督分类（监督分类（supervised classification）u训练区的作用训练区的作用已知覆盖类型的代表样区用于描述主要特征类型的光谱属性其精度直接影响分类结果u训练区的选择训练区的选择训练区必须具有典型性和代表性图件时间和空间上的一致性26训练区的选择训练区的选择27水体高层建筑水泥地面裸地林地选择训练样区选择训练样区-直接在图像上选取直

15、接在图像上选取28TM Band 38284969901435567788TM Band 4水泥地面水体选择训练样区选择训练样区在特征空间上选取在特征空间上选取29训练样本中的各个像素在特征空间中的分布情况训练样本中的各个像素在特征空间中的分布情况Band 1 DNsBand 1 DNsCluster 1Cluster 2Cluster 3Band 1 DNsBand 1 DNs30u判别分析分类方法判别分析分类方法线性判别分析分类线性判别分析分类逐步判别分析分类逐步判别分析分类平行多面体分类（平行多面体分类（很少用很少用）最小距离分类（最小距离分类（距离判别函数距离判别函数）最大似然比分类（

16、最大似然比分类（最常用最常用）31最小距离分类法最小距离分类法 最小距离分类法是以特征空间中的距离作为像元分类最小距离分类法是以特征空间中的距离作为像元分类的依据。原理简单，计算速度快，分类精度不高。的依据。原理简单，计算速度快，分类精度不高。02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest1232平行多面体分类平行多面体分类

17、02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest12 要求分割面总是与各特征轴正交，如果各类别在特征要求分割面总是与各特征轴正交，如果各类别在特征空间中呈倾斜分布，就会产生分类误差。可先采用各轴的空间中呈倾斜分布，就会产生分类误差。可先采用各轴的正交变换后，再进行多级分割。正交变换后，再进行多级分割。33最大似然比分类法最大似

18、然比分类法 它是通过求出每个像素对于各个类别的归属概率，把该像素分到归属概率最大的类别中去的方法。02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest1202550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest34使用最大似然比分类法的注意事项使用最大似然比分类法的注意事项u各类别的训练数据至少要为特征维数的2-3倍以上，这样才能统计出具有较高精度的均值、方差与协方差；u如果2个以上的

19、波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法，把维数减到仅剩相互独立的波段。u当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。35分类结果分类结果36u非监督分类法不必使用训练样区数据作为分类的基础。通非监督分类法不必使用训练样区数据作为分类的基础。通过检验大量的未知像元并根据多光谱空间中的自然集群将过检验大量的未知像元并根据多光谱空间中的自然集群将它们分为若干类。它们分为若干类。u基本前提基本前提：同种地物类型的值在测量空间上应该相互接近

20、，：同种地物类型的值在测量空间上应该相互接近，而不同的地物类型应该具有比较明显的可分性。而不同的地物类型应该具有比较明显的可分性。u区别区别：监督分类法确定有用信息类别，然后再检验它们的：监督分类法确定有用信息类别，然后再检验它们的光谱可分性；而非监督分类法先确定光谱的可分性，然后光谱可分性；而非监督分类法先确定光谱的可分性，然后再确定它们的有用信息。再确定它们的有用信息。非监督分类非监督分类(unsupervised classification)(unsupervised classification)37u分类算法的思路分类算法的思路 先选择若干个模式点作为聚类的中心，每一个中先选择若干

21、个模式点作为聚类的中心，每一个中心代表一个类别，按照某种相似性度量方法将各模式心代表一个类别，按照某种相似性度量方法将各模式归于各聚类中心所代表的类别，形成初始分类。然后归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。改分类，如此反复迭代运算，直到合理为止。38 根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。 在非监督分类中，先确定光谱可分的类先确定光谱可分的类别，然后定义它们的别，然后定义它们的信息类。信息类。39非监督分类

22、非监督分类(unsupervised classification)(unsupervised classification)u非监督分类的核心：初始类别参数的选定（基准类别集群中心（数学期望），集群分布的协方差矩）；迭代调整。u非监督分类的主要过程40非监督分类基本过程非监督分类基本过程确定初始类别参数计算像元至集群中心距离确定像元类别计算新的类别均值向量均值中心变化？计算结束否是41非监督分类非监督分类(unsupervised classification)(unsupervised classification)u初始类别参数的选定方法像素光谱特征的比较法图像抽样任一像元f1作为第一类

23、别给定阈值T第i像元fi与第一类比较|f1-fi|TYNfi属于f1类Fi产生新的f2类42非监督分类非监督分类(unsupervised classification)(unsupervised classification)u初始类别参数的选定方法总体直方图均匀定心法在总体直方图的基础上选在总体直方图的基础上选定类别中心定类别中心4344u初始类别参数的选定方法最大最小距离选心法（效果最好效果最好）选心原则选心原则：各初始类别之间尽可能保持远距离：各初始类别之间尽可能保持远距离45先抽样，设有先抽样，设有n个样本，计算步骤：个样本，计算步骤：46非监督分类非监督分类(unsupervise

24、d classification)(unsupervised classification)u非监督分类的主要算法ISODATA法（迭代自组织数据分析技术） 基本思想基本思想：在初始类别参数选定的基础上，通过逐：在初始类别参数选定的基础上，通过逐步趋近求出实际的基准类别参数。步趋近求出实际的基准类别参数。47算法流程算法流程：48495051 总结总结：以初始类别为：以初始类别为“种子种子”进行自动迭代聚进行自动迭代聚类过程，它可以自动地进行类别的类过程，它可以自动地进行类别的“合并合并”与与“分分裂裂”，其各个参数也在不断地聚类调整中逐渐确定，其各个参数也在不断地聚类调整中逐渐确定，并最终构

25、成所需要的判别函数。并最终构成所需要的判别函数。 因此，基准类别参数的确定过程，也正是利用因此，基准类别参数的确定过程，也正是利用光谱特征本身的统计性质对判别函数的不断调整和光谱特征本身的统计性质对判别函数的不断调整和“训练训练”的过程。的过程。52K-mean算法算法 基本思想：基本思想：通过迭代，通过迭代，移动各个基准类别的中心移动各个基准类别的中心，得到最好的聚类结果。得到最好的聚类结果。 聚类准则（收敛条件）聚类准则（收敛条件）：使每一聚类中，多模式点：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。到该类别的中心的距离的平方和最小。5354K-mean算法的计算步骤：55K-

26、mean算法与算法与ISODATA算法的区别算法的区别： （1）ISODATA算法它不是每调整一个样本的类别就重新计算一次各样本的均值，而是在把所有的样本都调整完之后才重新计算。 K-mean算法是逐个样本修正法， ISODATA算法是成批样本修正法； （2） 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“合并”与“分裂”，从而得到类数比较合理的聚类结果。564-3-2假彩色合成图像假彩色合成图像非监督分类非监督分类(聚类聚类)结果结果: 15个光谱类个光谱类非监督分类非监督分类57 非监督分类非监督分类1. 4-3-2假彩色合成图象假彩色合成图象(

27、香港九龙香港九龙); 2. 聚类结果聚类结果(10类类)583. 聚类结果合并(5类); 4. 最终结果 (类别颜色改变)59非监督分类与监督分类的结合非监督分类与监督分类的结合第一步第一步: :选择一些有代表性的区域进行非监督分类选择一些有代表性的区域进行非监督分类第二步第二步: :获得多个类别的先验知识获得多个类别的先验知识第三步第三步: :特征选择特征选择第四步第四步: :使用监督法对整个影像进行分类使用监督法对整个影像进行分类第五步第五步: :输出标记图像输出标记图像60四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理类别噪声类别噪声 遥感图像计算机分类处理是针对单个像素，其结

28、果是在分类图像中会出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象，这些杂物称为“类别噪声”。作用作用 提高实际分类精度； 符合专题图制图要求。61四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理检验区的选择检验区的选择作用作用：用于评价分类精度的代表样区选择方法选择方法：类似于训练区的选择；遥感实地调查时，确定部分区域为训练区，另一部分区域为检验区。62四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理后处理方法后处理方法（Post-Classification Process）（实验中讲实验中讲）1、碎斑处理、碎斑处理去掉分类图中过于孤立的那些类的像素，或者把它们归并

29、到去掉分类图中过于孤立的那些类的像素，或者把它们归并到包围相邻的较连续分布的那些类。包围相邻的较连续分布的那些类。主要方法主要方法：聚类统计（聚类统计（Clump）过滤分析（过滤分析（Sieve）去除分析（去除分析（Eliminate）63四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理后处理方法后处理方法（Post-Classification Process）（实验实验中讲中讲）2、类别合并、类别合并基本思想：基本思想：将要合并的两个或两个以上类的编码和颜色将要合并的两个或两个以上类的编码和颜色改为相同的编码和颜色。改为相同的编码和颜色。处理对象：处理对象：主要是非监督分类结果主要

30、是非监督分类结果主要方法：主要方法：分类重编码（分类重编码（Recode）3、分类结果统计、分类结果统计主要内容包括：主要内容包括：各波段的平均值，标准差，最大最小值，各波段的平均值，标准差，最大最小值，协方差矩，相关系数矩阵，特征值，各类的像素及比例，协方差矩，相关系数矩阵，特征值，各类的像素及比例，精度检验等。精度检验等。64四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理精度评价精度评价Evaluate1、分类评价的方法、分类评价的方法 遥感图像分类精度分析通常把分类图与标准数据遥感图像分类精度分析通常把分类图与标准数据( (图件或图件或地面实测调查地面实测调查) )进行比较，然

31、后用正确分类的进行比较，然后用正确分类的百分比百分比来表示分来表示分类精度。类精度。 实际工作中，多采用实际工作中，多采用抽样方式抽样方式以部分像索或部分类别代以部分像索或部分类别代替整幅图像来进行精度分析。替整幅图像来进行精度分析。65精度评价精度评价Evaluate1、分类评价的方法、分类评价的方法分类叠加：将分类图像与原始图像同时在一个视窗中打开，通过将分类图像与原始图像同时在一个视窗中打开，通过改变分类专题层的透明度及颜色信息，查看分类图像何原始图像之改变分类专题层的透明度及颜色信息，查看分类图像何原始图像之间的关系。间的关系。定义阀值：用户可以对每个类别设置一个距离阈值，将可能不属用

32、户可以对每个类别设置一个距离阈值，将可能不属于它的像元筛选除去，筛选出去的像元在分类图像中将被赋予另一于它的像元筛选除去，筛选出去的像元在分类图像中将被赋予另一个分类值，这种方法可以确定哪些像元最可能没有被正确分类，从个分类值，这种方法可以确定哪些像元最可能没有被正确分类，从而对监督分类的初步结果进行优化。而对监督分类的初步结果进行优化。分类重编码：对分类图像进行了分析之后，可能需要对原来的分对分类图像进行了分析之后，可能需要对原来的分类进行重新组合类进行重新组合( (如将林地如将林地1 1与林地与林地2 2合并为林地合并为林地) )，给部分或所有类，给部分或所有类别以新的分类值。别以新的分类

33、值。分类精度评估：将专题分类图像中的特定像元与已知分类的参考将专题分类图像中的特定像元与已知分类的参考像元进行比较，实际工作中常常是将分类数据与地面真值、先前的像元进行比较，实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其它数据进行对比。试验地图、航空相片或其它数据进行对比。662、精度评价的内容、精度评价的内容 遥感图像分类精度分为遥感图像分类精度分为非位置精度非位置精度和和位置精度位置精度。非位置精度以。非位置精度以一个简单的数值，如面积、像素数目等表示分类精度，由于未考虑一个简单的数值，如面积、像素数目等表示分类精度，由于未考虑位置因素，类别之间的错分结果彼此平衡，在一

34、定程度上抵消了分位置因素，类别之间的错分结果彼此平衡，在一定程度上抵消了分类误差，使分类精度偏高。我国早期分类工作中的精度评价多是非类误差，使分类精度偏高。我国早期分类工作中的精度评价多是非位置精度评价。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。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。 方法方法：混淆矩阵混淆矩阵，即以，即以KappaKappa系数评价整个分类图的精度，以条系数评价整个分类图的精度，以条件件KappaKappa系数评价单一类别的精度。应用混淆矩阵的系数评价单一类别的精度。应用混淆矩阵的KappaKappa系数进行系数进行分类精度的检

35、验，是分类精度的检验，是l960l960年年CohenCohen提出的。以后有许多学者在提出的。以后有许多学者在KappaKappa系数的算法和应用方面做了大量工作，并逐渐发展成遥感分类的主系数的算法和应用方面做了大量工作，并逐渐发展成遥感分类的主要精度评价方法。要精度评价方法。673、混淆矩阵（误差矩阵）、混淆矩阵（误差矩阵） 68（1）混淆矩阵中，检验用的实际类别来源）混淆矩阵中，检验用的实际类别来源分类前选择的训练区和训练样本时确定的各个类别及其空分类前选择的训练区和训练样本时确定的各个类别及其空间分布图间分布图; ;类别已知的局部地段的专业类型图类别已知的局部地段的专业类型图; ;实地调查的结果。实地调查的结果。69（2）不同精度估算量的计算）不同精度估算量的计算70以第1类为例计算：运行误差=（2+7+12）/175=12%用户精度（类正确率）=100%-12%=88%结果误差=（15+2）/（15+2+154）=9.9%生产者精度=154/ （15+2+154）=100%-9.9%=90.1%71四、遥感数字图像的分类后处理四、遥感数字图像的分