RSDIP26遥感分类后处理.ppt

1、遥感数字图像处理,第26讲 =分类后处理=,2020/10/10,邱永红,2,本讲的目的和主要内容,目的 结合ENVI，介绍一些常用的分类后处理技术,如消除类别噪声、类别统计、精度评价等 重点 分类精度评价 难点 分类精度评价,2020/10/10,邱永红,3,分类后处理,分类后处理技术是指对遥感影像分类结果的进一步处理、统计分析和评价 消除类别噪声 类别统计 精度评价,2020/10/10,邱永红,4,消除类别噪声,众数/少数分析 聚块 过滤 合并 其它,2020/10/10,邱永红,5,众数分析,众数分析 Majority Analysis 用于去除单个类中的虚假象元 利用模板运算实现，模

2、板中心象元被赋值为模板窗口中占多数的象元的值,33窗口分析结果,2020/10/10,邱永红,6,少数分析,少数分析 Minority Analysis 模板中心象元将被赋值为模板窗口中占少数的象元的值,33窗口分析结果,2020/10/10,邱永红,7,类聚块 (Clumping Classes),类聚块 使空间上邻近的同一类的区域连成块 用于消除类别图中空间上的不一致(如小斑块、空洞等) 通常采用形态学方法进行,33窗口分析结果,2020/10/10,邱永红,8,类过滤 (Sieving Classes),类过滤 用于消除类别图中孤立象元 通过查找象元8邻域或4邻域中是否存在同一类别的象元

3、来进行，如有则保留，没有则去除,33窗口分析结果,2020/10/10,邱永红,9,类合并(Combining Classes),类合并 用于合并类,2020/10/10,邱永红,10,类统计(Class Statistics),主要用于计算各类的象元数，估算各类地物的地面面积,误差矩阵,Confusion Matrices,2020/10/10,邱永红,12,本讲主要内容,主要内容 常用的分类后处理技术,如消除类别噪声、类别统计、精度评价等 重点 分类精度评价,混淆矩阵,混淆矩阵是通过比较分类结果和地面真实情况得到的数值矩阵。 列表示地面真实类(ground truth class)，列值表

4、示地面真实类被分配到各个影像类的象元数(百分比,Percent) 通过比较分类结果和地面真实情况来估计分类精度，根据混淆矩阵可以计算各种精度评价参数,2020/10/10,邱永红,13,2020/10/10,邱永红,14,混淆矩阵,总体精度(Overall Accuracy) 正确分类象元数除以图像象元总数，即,2020/10/10,邱永红,15,混淆矩阵,系数(kappa coefficient),2020/10/10,邱永红,16,象元总数,对角线象元总数,第k行所有列值之和,第k列所有行值之和,错分误差(Errors of Commission)：说明其它类象元被错分到该类的概率，利用混淆矩阵的行来计算。如水的错分误差：,2020/10/10,邱永红,17,遗漏误差(Errors of omission)：说明某类象元被错分到其它类的概率，利用混淆矩阵的列来计算。如植被的遗漏误差：,2020/10/10,邱永红,18,生产者精度(Producer Accuracy)：地面真实类中，某类象元被正确分类为该类的概率，利用混淆矩阵的列来计算。如植被的生产者精度：,2020/10/10,邱永红,19,用户精度(User Accuracy)：影像类中，某类象元被正确分类为该类的概率，利用混淆矩阵的行来计算。如水的用户精