2遙感圖像分類的實(shí)習(xí)指導(dǎo)

1、2圖像分類的實(shí)現(xiàn)指導(dǎo)1、遙感圖像計(jì)算機(jī)分類的理論依據(jù)：遙感圖像中的同類地物在相同的條件下（紋理、地形等），應(yīng)具有相同或相似的光 譜信息特征和空間信息特征，從而表現(xiàn)出同類地物的某種內(nèi)在的相似性，即同類地物像 元的特征向最將集群在同一特征空間區(qū)域；而不同的地物其光譜信息特征或空間信息特 征將不同，集群在不同的特征空間區(qū)域。2、傳統(tǒng)的分類方法：在遙感圖像分類中，按照是否有已知訓(xùn)練樣木的分類依據(jù)，分類方法又分為兩人類: 監(jiān)督分類與非監(jiān)督分類。遙感圖像的監(jiān)督分類是在已知類別的訓(xùn)練場(chǎng)地上提取各類別訓(xùn)練樣本，通過(guò)選樣特 征變最、確定判別函數(shù)或判別式（判別規(guī)則），進(jìn)而把圖像中的各個(gè)像元點(diǎn)劃歸到各個(gè) 給定類的分

2、類。遙感圖像的非監(jiān)督分類是在沒(méi)有先驗(yàn)知識(shí)（訓(xùn)練場(chǎng)地）的情況下，根據(jù)圖像本身的 統(tǒng)計(jì)特征及自然點(diǎn)群的分布情況來(lái)劃分地物類別的分類處理，事示再對(duì)已分出的各類的 地物屬性進(jìn)行確認(rèn)，也稱作“邊學(xué)習(xí)邊分類法”。兩者的最大區(qū)別在于，監(jiān)督分類首先給定類別，而非監(jiān)督分類則由圖像數(shù)據(jù)本身的 統(tǒng)計(jì)特征來(lái)決定。3、影響遙感影像分類精度的因素：遙感圖像計(jì)算機(jī)白動(dòng)分類在遙感數(shù)字圖像處理技術(shù)屮占有非常重要的地位，由于計(jì) 算機(jī)分類的精度和可靠性除了與分類方法本身的優(yōu)劣有關(guān)外，還取決于一些其它的因 素：> 訓(xùn)練場(chǎng)地和訓(xùn)練樣本的選樣問(wèn)題> 地形因素的影響> 混合像元問(wèn)題>特征變量的選擇問(wèn)題> 空間

3、信息在分類中的應(yīng)用問(wèn)題> 圖像分類的后期處理問(wèn)題4、envi軟件提供的監(jiān)督分類的分類器圖像分類的關(guān)鍵問(wèn)題之一是選擇適當(dāng)?shù)姆诸愐?guī)則（或分類器），通過(guò)分類器把圖像 數(shù)據(jù)劃分為盡可能符合實(shí)際悄況的不同類別。根據(jù)分類的復(fù)雜度、精度需求等選樣一種分類器。在主菜單->classification-> supervised->分類器類型（如表1）,此外還包括應(yīng)用于高光譜數(shù)據(jù)的波譜和（spectral angle mapper classification ）、光譜信息散度（spectral information divergence classification）和二進(jìn)制編碼（bi

4、nary encoding classification）分類方法。表1六種監(jiān)督分類器說(shuō)明分類器說(shuō)明平行六面體(parallelpiped)根據(jù)訓(xùn)練樣本的亮度值形成一個(gè)d維的平 行六面體數(shù)據(jù)空間，其他像元的光譜值如果落 在平行六面體任何一個(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū) 域，就被劃分其對(duì)應(yīng)的類別屮。平行六面體的 尺度是由標(biāo)準(zhǔn)差閾值所確定的，而該標(biāo)準(zhǔn)差閾 值則是根據(jù)所選類的均值求出。最小距離(minimumdistance)利用訓(xùn)練樣木數(shù)據(jù)計(jì)算出每一類的均值向 量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在 特征空間中的中心位置，計(jì)算輸入圖像中每個(gè) 像元到各類中心的距離，至1哪一類中心的距離 最小，該像元就歸入到

5、哪一類。馬氏距離(mahalanobis distance)計(jì)算輸入圖像到各訓(xùn)練樣木的馬氏距離 （一種有效的計(jì)算兩個(gè)未知樣本集的相似度的 方法），最終統(tǒng)計(jì)馬氏距離最小的，即為此類 別。最人似然(likelihood classification)假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分 布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度， 像元最終被歸并到似然度最大的一類當(dāng)中。神經(jīng)網(wǎng)絡(luò)(neural netclassification)指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的 處理單元模擬住物的神經(jīng)元，用算法實(shí)現(xiàn)人腦 的識(shí)別、記憶、思考過(guò)程應(yīng)用于圖像分類。支持向量機(jī)(support vectormachine

6、classification)支持向量機(jī)分類（svm）是-種建立在統(tǒng) 計(jì)學(xué)習(xí)理論（statistical learning theory 或 slt） 基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。svm可以自動(dòng)尋找那 些對(duì)分類冇較大區(qū)分能力的支持向雖，由此構(gòu) 造出分類器，可以將類為類z間的間隔最大化， 因而有較好的推廣性和較高的分類準(zhǔn)確率。選擇不同的分類器器需要設(shè)置的參數(shù)不一樣。5、監(jiān)督分類的一般步驟監(jiān)督分類一般分為以下幾步：選擇訓(xùn)練樣木、評(píng)價(jià)訓(xùn)練樣木、進(jìn)行監(jiān)督分類、精度 評(píng)價(jià)和分類后處理等五步。5.1選擇訓(xùn)練樣本5.1.1訓(xùn)練樣本選擇原則（1）選取的訓(xùn)練樣本要有代表性：應(yīng)選擇光譜特征比較均一的區(qū)域（避免混合像 元

7、）（2）選取訓(xùn)練樣木的數(shù)目：要能滿足建立分類用判別函數(shù)的要求，對(duì)于光譜特征 變化較大的地物，訓(xùn)練樣本的數(shù)冃耍更多一些，以反映其變化范圍。（3）選取訓(xùn)練樣木要考慮空間變化的影響：要考慮到每一種地物類型隨空間變化 發(fā)生光譜特征變化的可能性，選擇訓(xùn)練場(chǎng)地應(yīng)當(dāng)能夠反映這種變化。在遙感圖像屮，地形因素不僅會(huì)造成幾何畸變，而且還會(huì)影響其亮度值。如同類地物由于所處山坡位置的不同，其陰坡和陽(yáng)坡的光譜特性就有很大的差界，即同物界譜； 如不同的地物由于地形的影響而具有相同的光譜特性，即同譜異物?？梢岳脠D像增強(qiáng) 的多波段圖像的比值處理來(lái)減弱地形的影響，但其比值圖像并不能徹底消除地形的影 響，而且當(dāng)?shù)匦纹鸱髸r(shí)比

8、值處理受到限制。解決這類由于地形因素造成的“同物界譜”和“同譜異物”現(xiàn)彖的一種有效的方 法是采用“同類多組法”來(lái)選取訓(xùn)練樣本，即同類地物根據(jù)光譜特征的不同，可以選取 一組以上訓(xùn)練樣本，并規(guī)定類與組的明確概念。在對(duì)圖像進(jìn)行分類吋，應(yīng)首先進(jìn)行分組, 然后再根據(jù)所屈的類別進(jìn)行合并。5.1.2訓(xùn)練樣本選擇的依據(jù)（1）外業(yè)調(diào)查（2）高分影像（3）已有的分類成果圖5.1.3訓(xùn)練樣本的選擇調(diào)查本實(shí)驗(yàn)區(qū)的地物類型（作業(yè)：繪制不同地物類型的光譜曲線）定義訓(xùn)練樣本（1）打開(kāi)roi工具（說(shuō)明：envi軟件基本上都有多種方式可以實(shí)現(xiàn)同一f1的， 但我們僅列出其中的一種，比如打開(kāi)roi工具共

9、有4種方式，這個(gè)說(shuō)明的目的是讓大家 不要局限于我講的方式）。鼠標(biāo)右鍵單擊主圖像窗口（envi軟件有三個(gè)圖像窗口，分 別是主圖像窗口，滾動(dòng)窗口和放大窗口），選中roi工具，然后打開(kāi)定義roi的窗口file rol.type options helpwmdx c in agoc scroll czo«ia offkoi hanecolorpointsasphaltred6000/00/0meadcrasgreen880/00/0grv«l6000/00/0treest«llov680/00/0metal :heelcyan40)0/00/0bair soillugen

10、ta8000/00/0（2）定義roi （介紹兩種方式）（a）根據(jù)波段閾值定義roi （想定義某個(gè)范圍內(nèi)的像元作為roi,即可用這種方式）fil« r0ijn><optionshelpwindow： ( ib&(mer(« rationsintersect regions.reconcile rois.reconcile rois via up.band threshold to roicalculat© covariance with statsmttsurament report.report area of rois.ne» r

11、egionselect allcreate class image from rois.create buffer zone from rois.compute roi separabili ty.hi de window(b)在圖像上選擇roi在哪個(gè)窗 口選擇定義roi的類型欽 «1 roi tool回區(qū)ifileroi-typeoptions kelpnew regionselect allhide roisdelete新建一個(gè)訓(xùn) 練樣本后血的貝體操作課堂講授5.2評(píng)價(jià)訓(xùn)練樣本5.2.1定性評(píng)價(jià)：n維可視化方法將樣本顯示在n維特征空間的散點(diǎn)圖屮：roi tooi->file

12、->export rois to n-d visulizer,建議顯示在主成分特征空間。522定量:評(píng)價(jià)：根據(jù)roi可分離性（compute roi separability） jlrtik算任意類別間的統(tǒng)計(jì)距離來(lái)衡量訓(xùn)練樣本（roi）的可分離性。（c, + q）/2 丿選擇options>compute roi separability進(jìn)行訓(xùn)練樣本可分離性計(jì)算，可分性度最有兩 種：jeffries-matusita-jm 距離,transformed divergence-離散度=丿2（1_嚴(yán)） «3 roi tool叵）岡1 file r0i_typeoptionsh

13、elpcalculate covari ance with statswindow： 1 ln逬mi de yindovmeasurement report. report area of roism«r<« regions initrstcl rtcions. r«concil« roireconcile rois vi a map.roi name d&olu daolu2rtnztoctop: （oncy«ch<niluodicompute bdi separability.band threshold to roi.

14、create class im age £rom rois.create buffer zone from rois在select input file for separability窗口屮選擇計(jì)算訓(xùn)練nj分離性的圖像文件計(jì)算可分離性 roi separability reportfileinput file: paviauenvi.bsqroi name: (jef fries-matusitaz transforaed divergence)random sample (memory1 / asphalt) red 600 points:/random random rando

15、m random random random random randomsaaple saaple sample sample sample sample pie pie(memory1 (memory1j (memory1 (memory1 (memory1 (memory1 (memory1 (memory1meadows) green 800 points: (1.99997460 2.00000000) gravel) blue 600 points: (1.99217487 1.99850763) trees) yellow 600 points: (1.99999946 2.000

16、00000) metal sheet) cyan 400 points: (1.99999977 2.00000000) bair soil) magenta 800 points: (1.99989216 2.00000000) bitumen) maroon 400 points: (1.99182853 1.99951796) bricks) sea green 600 points: (1.98865194 1.99796981) shadows) purple 300 points: (1 99998861 2.00000000)random sample (memory1 / me

17、adows) green 800 points:/random random random random random random random randomsample sample sample saaple saaple saaple saaple sample(memory1 (memory1 (memory1 (memory1 (memory1j (memory1j (memory1j (memory1jasphalt) red 600 points: (1.99997460 2.00000000) gravel) blue 600 points: (1.99999934 2.00

18、000000) trees) yellow 600 points: (1.99341582 1.99985841) metal sheet) cyan 400 points: (2.00000000 2.00000000) bair soil) magenta 800 points: (1.97836851 1.99903429) bitumen) maroon 400 points: (2.00000000 2.00000000) bricks) sea green 600 points: (1.99998936 2.00000000) shadows) purple 300 points:

19、 (2.00000000 2.00000000)random sample (memory1 / gravel) blue 600 points:/random random random random random random random randomsample pie pie pie saaple sample sample sample(memory1 (memory1 (memory1 (memory1 (memory1 (memory1 (memory1 (memory1asphalt) red 600 points: (1.99217487 1.99850763) meado

20、ws) green 800 points: (1 99999934 2.00000000) trees) yellow 600 points: (1.99999998 2.00000000) metal sheet) cyan 400 points: (2.00000000 2.00000000) bair soil) magenta 800 points: (1.99999619 2.00000000) bitumen) maroon 400 points: (1.99942364 1.99999879) bricks) sea green 600 points: (1.95770124 1

21、.98476829) shadows) purple 300 points: (2.00000000 2.00000000)random sample (memory1 / trees) yellow 600 points:random saaple (memory1 / asphalt) red 600 points: (1.99999946 2.00000000)random saaple (memory1 / meadows) green 800 points: (1.99341582 1.99985841)nr根據(jù)可分離性值的大小，從小到大列出感興趣區(qū)組合。這兩個(gè)參數(shù)值為02.0,大于

22、1.9 說(shuō)明樣木之間可分離性好，屬于合格樣木；小于l8,需要重選擇樣木；小于1,考慮將 兩類樣本合成一類樣本。5.3選擇分類器進(jìn)行監(jiān)督分類5.3.1最大似然分類（1）在主菜單屮，選擇 classification->supervised-> likelihood classification,在文件輸入 對(duì)話框中選擇待分類影像。單擊0k按鈕打開(kāi)likelihood classification參數(shù)設(shè)置面板select classes from regions：asphalt rod 600 points meadows green 800 po;gravel blue 600 po

23、itrees yellow 600 pometal sheet cyan 40 bair soil magenta 80bi tumen maroon 400 poinl bricks sea green 600 p， shadows purple 300clear all itemsselect1 itemsnumber of i th.ected p單擊 select all items 按鈕，選擇全部的訓(xùn) 練樣木。tput class filename choose 廠 compressut result to w file ( memoryoutput rule images ? 阿m

24、joutput result to " file ' memoryenter output rule filename chooseset probability thresholddata scale factor 00cancel multiple valuesprobability thresholdnone '>* single vhelppreview設(shè)置似然度的閾值。如果選擇single value, 則在 “probability threshold” 文本框中,輸 入一個(gè)0到1z間的值，似然度小于該閾值 不被分入該類。這里選擇none。data

25、scale facw：輸入一個(gè)數(shù)據(jù)比例系數(shù)。這個(gè)比例系數(shù)是一個(gè)比值系數(shù)，用于將整型反射率或輻射率數(shù)牝轉(zhuǎn)化為浮點(diǎn)型數(shù)據(jù)。例如：如果反射率數(shù)據(jù)在范圍0-10000 zfh,則設(shè)定的比例系數(shù)就為looooo對(duì)j：沒(méi)有定標(biāo)的整型數(shù)據(jù)，也就是原始dn值，將比例系數(shù)設(shè)為2n-hn為數(shù)據(jù)的比特?cái)?shù)，例如：對(duì)于8bit數(shù)據(jù)，設(shè)定的比例系數(shù)為255,對(duì)于10-bit數(shù)據(jù)，設(shè)定 的比例系數(shù)為1023,對(duì)于llbit數(shù)據(jù)，設(shè)定的比例系數(shù)為2047oaximum likelihood parametersselect classes from regions：asphalt rod 600 points meadows

26、 green 800 pointsgravel blue 600 points trees yellow 600 points metal sheet cyan 400 points bair soil magenta 800 points bi tumen maroon 400 points bricks sea green 600 points shadows purple 300 pointsoutput result to file ( memoryenter output class filename choose " compressoutput rule imagesn

27、umber of i terns select©d °select all items clear all itemsoutput result to <" file( none '>* single value ( ' multiple valuesprobability thresholddata scale factor 00set probability threshold單擊ok按鈕執(zhí)行分類。532最小距離分類enter output rule filename設(shè)置 out rule images 為yes,則選擇規(guī)則圖 像輸

28、出路徑及文件 名。我們這里選擇no單擊preview,可以在右 邊窗口中預(yù)覽分類結(jié) 果，單擊change view可(1)在主菜單中，選擇classification->supervise以改變預(yù)覽區(qū)域。.對(duì)話框中選擇待分類影像，單擊ok按鈕打開(kāi)minimum di.7、y(2 ) selectclasses from regions：?jiǎn)螕?select all items 按鈕，選擇全部的訓(xùn)練樣本。(3) set max stdev from mean：設(shè)置標(biāo)準(zhǔn)差閾值,有三種類型:none：不設(shè)査標(biāo)準(zhǔn)差閾值；single value：為所有類別設(shè)置一個(gè)標(biāo)準(zhǔn)羌閾值；multiple va

29、lues：分別為每一個(gè)類別設(shè)置一個(gè)標(biāo)準(zhǔn)差閾值。選擇none。(4) set max distance error：設(shè)置最大距離課差，以dn值方式輸入一個(gè)值，距離大于該值 的像元不被分入該類(如果不滿足所有類別的最大距離誤差，它們就不會(huì)被歸為未分類類 (unclassified)也有三種類型，這里選擇none。(5) 單擊preview,可以在右邊窗i i屮預(yù)覽分類結(jié)果，單擊change view可以改變預(yù)覽區(qū)域。(6) 選擇分類結(jié)果的輸出路徑及文件名。(7) 設(shè)s out rule images為no,不輸出規(guī)則圖像。(8) 單擊0k按鈕執(zhí)行分類。533馬氏距離分類(1)在主菜單屮，選擇 cl

30、assification->supervised-> mahalanobis distance,在文件輸入對(duì)話 框屮選擇待分類影像。單擊0k按鈕打開(kāi)mahalanobis distance參數(shù)設(shè)置血板(2) selectclasses from regions：?jiǎn)螕?select all items 按鈕,選擇全部的訓(xùn)練樣本。(3) set max distance error：設(shè)置最大距離課差，以dn值方式輸入一個(gè)值，距離大于該值 的像元不被分入該類(如果不滿足所冇類別的最大距離誤差，它們就不會(huì)被歸為未分類類 (unclassified)o也冇三種類型，這里選擇none。(4)

31、單擊preview,可以在右邊窗口中預(yù)覽分類結(jié)果，單擊change view可以改變預(yù)覽區(qū)域。(5) 選擇分類結(jié)果的輸出路徑及文件名。(6) 設(shè)置0ut rule images為no,不輸出規(guī)則圖像。(7) 單擊0k按鈕執(zhí)行分類。54分類精度評(píng)價(jià)(混淆矩陣)執(zhí)行監(jiān)督分類后，需要對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，envi提供了了分類結(jié)果疊加，混淆矩陣 (confusion matrices)和 roc 曲線(roc curves)僅介紹混淆矩陣，其它方法參少envi使用說(shuō)明使用confusion matrices工具可以把分類結(jié)果的精度顯示在一個(gè)混淆矩陣?yán)?用于比較分類 結(jié)果和地表真實(shí)信息)。使用地表真實(shí)感興

32、趣區(qū)域計(jì)算混淆矩陣(1)生成用于精度驗(yàn)證的roi使用地表真實(shí)感興趣區(qū)之前，需要準(zhǔn)備反映地表真實(shí)地物信息的roi文件?？梢栽诟叻直?率圖像上，通過(guò)冃視解譯獲取各個(gè)分類的地表真實(shí)感興趣區(qū)，也可以通過(guò)野外實(shí)地調(diào)查，根 據(jù)調(diào)杳數(shù)據(jù)牛成地表真實(shí)感興趣區(qū)。說(shuō)明：用于監(jiān)督分類的訓(xùn)練樣木和用于精度驗(yàn)證的訓(xùn)練樣木一定不能是相同的訓(xùn)練樣木。 建立混淆矩陣1°選擇 classification>post classification>confusion matrix>using ground truth /image 或/rois；toolsfusion0cl<xx>

33、63;ic<tion*3 (r:band envi 4 5post classificationconfusion flatrixusing ground truth imagemaxlikehood max like (fu: 需)m«p info fusionsfin bnd math bud moth (li ith (l ith clizusionsfi)axlikchoodsupervised unzuperviz«d decision tree en du enter collectionspclrtl hltp victor tofobphic剌余空冋:

34、1 7gb鄉(xiāng)直殺 a釜走。皈夏e網(wǎng)盤assisi c1«lss colorsrule classifierclass statisticschange detection statisticsclss ima&a from roizroc curvesgonorato rondon sanplomajonty/llinority analysis clwip classessi ava classescombine classesoverlay classesbuffar zona imagosenentationclassification to vector2。在clas

35、sification input file屮選擇分類麻的圖像3°在match classes parameters選擇相匹配的類型在 select ground truth roi h1 選樣地面真實(shí)的感興趣區(qū)，在 select classification image 屮選 擇與真實(shí)的感興趣相匹配的分類。點(diǎn)擊add combination按鈕將真實(shí)的感興趣區(qū)與分類結(jié) 構(gòu)相匹配。如果地面真實(shí)感興趣區(qū)中的類別與分類圖像中的類別名稱相同，它們將自動(dòng)匹配。4。在confusion matrix parameters中設(shè)置混淆矩陣參數(shù)選擇像素(pixels)和百分比(percent)5。點(diǎn)擊

36、ok執(zhí)行顯示混淆矩陣屮的記錄以及相關(guān)的統(tǒng)計(jì)(可以輸出為txt文件)在輸出的混淆矩陣報(bào)表中包含了：總體分類精度、kappa系數(shù)、錯(cuò)分誤差、漏分誤差、制圖 精度以及用戶精度。confusion matrix: memory4 (340x610x1)overall accuracy = (37449/42776)87.5468%kappa coef f icient = 0.8376ground truth(pixels)classasphaltmeadowsgraveltrees metalsheetasphaltred5649435000meadows.gree9166451640gravel

37、31uel4880174000trees yellow10960229950metal sheet 30001345bair soil ma56938050bitumenmaro1230000bricks sea g2936330600shadows；purp00000total663118649209930641345ground truth(pixels)classbair soilbitumenbricksshadowstotalasphaltred13121811546390meadowsgree484019017222gravel blurees yello

38、w340234006metal sheet 00061354bair soil ma450613205538bitumenmaro0942001065bricks sea g324284303532shadowspurp000784784total50291330368294742776overall accuracy:總體分類精度等于被正確分類的像元總和除以總像元數(shù)。被正確分類的像元沿著混淆矩陣的對(duì)角線分布，它顯示出被分類到止確地表真實(shí)分類中的像 元數(shù)?？傁裨獢?shù)等于所有真實(shí)參考源的像元數(shù)。kappa coefficient： kappa系數(shù)是另外一種計(jì)算分類精度的方法。它是通過(guò)把所有地表 真

39、實(shí)分類中的像元總數(shù)(n)乘以混淆矩陣對(duì)角線(xkk)的和，再減公某一類中地表真實(shí)像 元總數(shù)與該類中被分類像元總數(shù)之積后，再除以像元總數(shù)的平方減去某一類中地表真實(shí)像元 總數(shù)與該類屮被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果得到的。nx pa - e(pi+ x p+j /=1 /=!i=l式中：n樣木總數(shù)m混淆矩陣屮的行數(shù) pll位于第i行第i列的樣本數(shù)量pl+第i行的樣木總數(shù)量p+i-第i列的樣木總數(shù)址總體楮度只考慮了對(duì)角線上的像元數(shù)而忽視了非對(duì)角線上的數(shù)據(jù)，而kappa系數(shù)則既考慮 了對(duì)角線上被正確分類的像元，也考慮了不在對(duì)角線上各種漏分和錯(cuò)分謀差，因此這兩個(gè)指 標(biāo)往往并不一致。錯(cuò)分誤差(com

40、mission)：指被分為用戶感興趣的類（行）而實(shí)際屬于另一類的像元數(shù)（）漏分誤差（omission）：指木身屬于地表真實(shí)分類（列），但沒(méi)有被分類器分到相應(yīng)類別中的像元數(shù)（%）制圖精度（produce.）：分類器將整個(gè)圖像的彖元止確分為a類的像元數(shù)（對(duì)角線值）與 a類真實(shí)參考總數(shù)（混淆矩陣小a類列的總和）的比（）。用戶精度（user acc.）:指正確分類到a類的像元總數(shù)（對(duì)也線值）與分類器將整個(gè)圖 像的像元分為a類的像元總數(shù)（混淆矩陣中a類行的總和）的比（）classcommission(percent)omission (percent)commission(pixels)omission

41、 (pixels)asphalt red11.6014.81741/6390982/6631meadows gree3.3510.75577/172222004/18649gravel blue39.6917.101145/2885359/2099trees yellow25.242.251011/400669/3064metal sheet 0.660.009/13540/1345bair soil ma18.6310.401032/5538523/5029eitumen maro11.5529.17123/1065388/1330bricks sea g19.5122.79689/3532

42、839/3682shadows purp0.0017.210/784163/947classprod. acc.user acc.prod. acc.user acc.(percent)(percent)(pixels)(pixels)asphalt red85.1988.405649/66315649/6390meadows gree89.2596.6516645/1864916645/17222gravel blue82.9060.311740/20991740/2885trees yellow97.7574.762995/30642995/4006metal sheet 100.0099

43、.341345/13451345/1354bair soil ma89.6081.374506/50294506/5538bitumen maro70.8388.45942/1330942/1065bricks sea g77.2180.492843/36822843/3532shadows purp82.79100.00784/947784/7845.5分類后處理以上分類方法得到的是初步結(jié)果，一般難以達(dá)到最終的應(yīng)用r的，所以對(duì)獲取的分類結(jié)果需雲(yún) ehvi 4. 5 要做進(jìn)-步的處理，才能得到最終理想的分類結(jié)果，這些處理過(guò)程通常稱為分類后處理。 常用的分類后處理包括類別的合并（不是必須）、更改

44、分類顏色、分類統(tǒng)計(jì)分析、小斑點(diǎn)處 理、柵矢轉(zhuǎn)換等操作transform filter spectral map vector topographiendmember collectioricreate class image from roisclass statisticsroc curvesgenerate random sampleoverlay classesclassificationfost classificationcombine classessupervisedunsuperviseddecision treechange detection statisticsconfu

45、sion matrixfile basic tools ji.majority/minority analysisclump classessieve classes來(lái)buffer zone imagesegmentation imageclassi£ication to vectorikehood回區(qū)availassign class colorsrule classifier551類別的合并classification>post classification>combine classes 打開(kāi)類別合并參數(shù)設(shè)置對(duì)話框選擇yes將空白類移出5.5.2majority/m

46、inority 分析（主次分析）majority/minority分析采用類似于卷積濾波的方法將較人類別屮的虛假像元?dú)w到該類 屮，定義一個(gè)變換核尺寸，用變換核屮占主要地位（像元素最多）的像元類別代替屮心像元 的類別。如果使用次耍分析（minorityanalysis）,將用變換核屮占次要地位的像元的類別 代替中心像元的類別。在主菜單屮，選擇 classification->post classification->majority/minority analysis。在打 開(kāi)的文件選擇對(duì)話框中，選擇分類圖像。打開(kāi)majority/minority parameters對(duì)話框，下面填

47、 寫 majority/minority parameters 對(duì)話框中的參數(shù)。aaaaaacaamajority/minority parametersselect classes：unclassifiedasphalt red 600 points meadows green 800 pointsgravel blue 600 points trees yellow 600 points metal sheet cyan 400 points bair soil magenta 800 points bitumen maroon 400 points bricks sea green 60

48、0 points shadows purple 300 pointsnumber of items selected： °select all itemsclear all itemsanalysis method « majority 廠 minoritykernel sizecenter pixel wei ght p woutput result to 'v file 選擇分類類別(select classes):單擊select all items按鈕,選擇所有類別。 選擇分析方法(analysis method) : majority。 選擇變換核(ker

49、nel size) : 5x5。必須是奇數(shù)且不必為正方形,變換核越大,分 類圖像越平滑。 中心像元權(quán)重(center pixel weight) ： 1。在判定在變換核中哪個(gè)類別占主體地 位時(shí)，中心像元權(quán)重用于設(shè)定中心像元類別將被計(jì)算多少次。例如：如果輸入的 權(quán)重為1,系統(tǒng)僅計(jì)算1次中心像元類別；如果輸入5,系統(tǒng)將計(jì)算5次中心像元 類別。 選擇輸出路徑及文件名，單擊ok執(zhí)行majority和minority分析。- memoryenter output filename choose i compress0kqueuecancelhelp三種分類器的分類結(jié)果及其分類后平滑處理總體精度對(duì)比6制圖輸出圖形的整飾1. 圖面人?。ㄟ吔纾┰O(shè)置 image: overlay»annotation出現(xiàn) annotation 對(duì)話框-一 option»set display border-一 出現(xiàn) 4 display border' 對(duì)話框， 輸入左（80）、右（180）、上（150）、下（120）的圖像邊框?qū)挾?，設(shè)置邊框顏色（白） -'0k