石大遥感导论课件09-10遥感图像目视判读、计算机信息提取.pptVIP

* 特征点的统计分布属于正态分布，则其概率密度函数为：(式中有均值向量、协方差矩阵) * 1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了地面参考验证信息，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在地表真实像元相应类别中的数量。??? 2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。??? 3、Kappa系数：是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。kappa系数是在综合了用户精度和制图精度两个参数上提出的一个最终指标.值域正如以上所说[-1,1],如果越大,表示图象分类精度越高 ,它的含义就是用来评价分类图象的精度问题 * 遥感图像分类中的错分、漏分普遍，丘陵、山区及开发历史悠久的地区，分类难控制。 * 遥感图像分类中的错分、漏分普遍，丘陵、山区及开发历史悠久的地区，分类难控制。 二、分类精度的提高对策 制约图像分类精度的因素： 1.遥感数据制约： 2.分类方法的制约：单点分类，依靠光谱信息，空间信息和结构信息未得到充分利用。光谱信息随环境和时相变化较快，大量的同物异谱、同谱异物现象对分类带来困难。 遥感图像本身存在的不足 A、遥感图像反映地表二维信息，地上和地下深层构造对地理环境的影响，耒得到充分反映，地形起伏反对分类有干扰； B、遥感信息传递过程中的局限性：非朗伯体假设，不同角度接收；信息衰减和增益问题等 C、遥感图像的空间分辨率低时，图像中存在混合像元、地物光谱特征混杂，易错分；分辨率高时，复杂程度较大的同类地物内的差异往往又被夸大，造成了分类的复杂性。 D、遥感信息本身的复杂性和相关性，决定 了遥感信息确定里有着不确定性，存在多 解性，这是制约遥感图像分类精度的主因。 如何理解遥感信息里的确定和不确定性？ 确定指从理论上来说，物体都有向外发射和反射电磁波的特性，不同物不同，遥感接收地物的电磁波，应可分辨出所有不同地物。 不确定性指，1.朗伯体假设使传感器所接收到的光强不再是完全的同物同谱。2.地形起伏对地物电磁波量的干扰。3.辐射误差的存在使DN值和发射率反射率的明确对应关系受到干扰。4.混合像元的存在，混淆了地物的光谱特征。5.实际地物本身的复杂性使同物异谱同谱异物现象普遍。 二、分类精度的提高对策 分类方法改进： 1.分类前处理(选择差异性较强数据) 2.分类树与分层分类(逐次分类) 3.使用不同的分类方法 4.多种信息的复合 5.GIS技术支持下分类 其他信息参与分类： 1.几何信息参与分类：指地物的几何形状。人之所以能从彩图上区分地物，一是通过颜色（光谱信息），二是通过不同彩斑的形状大小方向等特质（空间信息）。可以通过方向对称的变换处理，判断地物形状，提取地物几何属性，把光谱特征类似而几何属性不一的湖泊水塘与河流，农田与林草地等区分开来，解决这些类别易混的问题，提高分类精度。 2、地形信息参与分类：主要指高程、坡度坡向，再辅以太阳入射角等数据。其参与分类的原理有二：一是地形起伏加太阳入射角，使向光背光面的受光量不同，可先使用坡度坡向和太阳入射角数据对图像进行辐射校正，再常规分类。二是不同植物的生长，随着海拔高度、坡度、坡向等地形因子呈现有规律的分布。该法需要估计不同类别的地物在不同高程区出现的概率，将其做为先验概率引入分类判别函数里。 高程 耕地 园地 林地 草地 水域 城镇 裸地 0-20m 86 - 1 1 11 1 － 21-50m 67 4 18 4 5 3 － 51-100m 42 6 45 2 2 2 1 101-200m 21 1 69 4 1 － 4 201-900m 13 5 51 28 － － 3 全县 49 4 36 6 3 2 1 不同高度带各类别的先验概率 3.纹理信息参与分类：纹理有狭义和广义的概念，狭义纹理也叫内部结构，是遥感图像中目标地物内部色调有规则变化造成的影像结构，也叫质感。广义的纹理特征还包涵