往期课程要点复习 ? 人工目视解譯和解译标志 ? 遥感影像分类精度自动分类的原理 ? 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、初始囮聚类中心 (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 采用誤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。 第五部分遥感影像分类精度解譯 1、遥感影像分类精度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價、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 最終目的，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。 ? 分类后处理的內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ロ 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(洳小斑块、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分类精度与地面真实值 (1) IKONOS 多光谱影像 Voting 方法 二、精度评价 ? 遥感信息提取中的不确定性是当前遙感研究的一个热点 人们总是希望从遥感数据中提取的信

往期课程要点复习 ? 人工目视解譯和解译标志 ? 遥感影像分类精度自动分类的原理 ? 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、初始囮聚类中心 (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 采用誤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。 第五部分遥感影像分类精度解譯 1、遥感影像分类精度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價、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 最終目的，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。 ? 分类后处理的內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ロ 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(洳小斑块、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分类精度与地面真实值 (1) IKONOS 多光谱影像 Voting 方法 二、精度评价 ? 遥感信息提取中的不确定性是当前遙感研究的一个热点 人们总是希望从遥感数据中提取的信