遥感影像解译-分类后处理及精度评价、分类新方法.pdf

往期课程要点复习 • 人工目视解译和解译标志 • 遥感影像自动分类的原理 • 常用监督分类和非监督分类方法 • 人工目视解译和计算机自动分类的比较 K-means 方法 1、初始化聚类中心 (1) 从样本集中选出C个比较合适的样本作为初始聚类中心,将全部样本 随机地分成C类。 2、初始聚类 (1) 按就近原则将样本归入各聚类中心所代表的类中。 (2) 重新计算样本均值，更新聚类中心。然后取下一样本，重复操作， 直至所有样本归入相应类中。 3、判断聚类是否合理 采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循 环进行判断、修改直至达到算法终止条件。 第五部分遥感影像解译 1、遥感影像人工目视解译和计算机自动分类  在线学习视频和研讨 2 、分类后处理及精度评价、分类新方法 分类后处理及精度评价、分类新方法 内容提要(Outline) 一、分类后处理 二、精度评价 三、分类新方法 一、分类后处理 • 计算机分类得到的是初步结果，一般难于达到 最终目的，因此，对获取的分类结果需要再进行 一些处理，才能达到最终理想的分类结果，这些 过程通常称为分类后处理。 • 分类后处理的内容多为平滑滤波处理。 5 (1) 分类后处理-众数分析 • 众数分析 Majority Analysis a. 用于去除单个类中的虚假象元 b. 利用模板运算实现，模板中心象元被赋值为模板窗口 中占多数的象元的值 3 ×3窗口分析结果 (2) 分类后处理-类聚块 • 类聚块Clump Classes a. 使空间上邻近的同一类的区域连成块 b. 用于消除类别图中空间上的不一致(如小斑块、空洞 等) c. 通常采用形态学方法进行 3 ×3窗口分析结果 (3) 分类后处理-类过滤 • 类过滤Sieve Classes a. 用于消除类别图中孤立象元 b. 通过查找象元8邻域或4邻域中是否存在同一类别的象 元来进行，如有则保留，没有则去除 3 ×3窗口分析结果 (4) 分类后处理-平滑处理 • 针对问题 分类结果斑点噪声严重 • 解决方法： a. MRF随机场建模 b. Majority Voting 方法 原始多光谱遥感影像与地面真实值 (1) IKONOS 多光谱影像 原始多光谱遥感影像与地面真实值 (1) IKONOS 多光谱影像 (2) 地表真实值 a. SVM vs 高斯混合模型+MRF (3) SVM 水体提取结果 a. SVM vs 高斯混合模型+MRF (3) SVM 水体提取结果 (4) 高斯混合模型+MRF方法 b. SVM vs SVM+Majority Voting (3) SVM 水体提取结果 (5) SVM+Majority Voting 方法 二、精度评价 • 遥感信息提取中的不确定性是当前遥感研究的一个热点。 人们总是希望从遥感数据中提取的信