第九章遥感图像自动识别分类要点分析.ppt

制图精度 漏分精度 用户精度 错分误差 居住区 69.08 30.92 74.18 25.82 空 地 7.14 92.86 6.25 93.75 植 被 64.86 35.14 55.81 44.19 道 路 81.58 18.42 91.18 8.82 精 度 计 算 总体精度：68.0％ Kappa系数＝48.5％ 分类精度提高的对策 （一）制约分类精度的原因 1、遥感数据本身制约 光谱：相似性，时相与环境 空间分辨力 2、分类方法 单点分类 空间结构信息没有利用 （二）分类方法改进 1、分类前预处理 校正（辐射和几何） 变换 空间信息提取（纹理） 2、分类树与分层分类 一次分类不能满足精度要求时，进行多次分类 3、混合分类（多分类器结合） 监督法与非监督法 4、多种信息复合 遥感信息非遥感信息 5、与GIS集成 GIS与遥感数据复合分类 间接支持分类 用于选样区，检验样区，纠正等 第十步：在任一最大分量集{ ?????，j=1,2, …， ???}中，如有 ?????θS（该值给定），同时又满足以下条件之一： (a) ??? ??和 ???2（ ???+1），即 ??中样本总数超过规定值一倍以上， （b） ???≤K/2， 则将 ??分裂为两个新的聚类中心 ???和 ???,且 ???加1。 ???中相当于 ?????的分量，可加上k ?????，其中0≤k≤1； ???中相当于 ?????的分量，可减去k ?????。如果本步完成了分裂运算，则跳回第二步；否则，继续。 第十一步：计算全部聚类中心的距离： ??????????????,i=1,2, …, ???-1 j=i+1, …, ??? 第十二步：比较 ???与θc值，将 ???θc的值按最小距离次序递增排列，即 { ??? ?, ??? ??, …, ????} 式中， ?? ? ?? … ????。 第十三步：如将距离为Di1j1的两个聚类中心zi1和zj1合并，得新中心为： l=1,2,…，L 式中，被合并的两个聚类中心向量，分别以其聚类域内的样本数加权，使 ???为真正的平均向量。 第十四步：如果是最后一次迭代运算（即第I次），算法结束。否则GOTO第一步--如果需由操作者改变输入参数；或GOTO第二步--如果输入参数不变。在本步运算里，迭代运算的次数每次应加1。 ISODATA算法执行步骤： 1.初始化； 2.选择初始中心； 3.按一定规则(如距离最小)对所有像元划分； 4.重新计算每个集群的均值和方差；按初始化的参数进行分裂和合并； 5.结束，迭代次数或者两次迭代之间类别均值变化小于阈值； 6.否则，重复3-5； 7.确认类别，精度评定。 例： N=8，d=2 第一步，取初值C=1，并令m1=(0,0)T 第二步，确定参数K=2，θN = 1，θS = 1，θc = 4，L=0，I =4。 第三步，因为只有一个聚类中心，故所有的样本分为一类，即 f1={x1,x2,…,x8}； 第四步，因为N1 θN ，无子集可以取消； 第五步，修改聚类中心 第六步，计算类中心平均距离 第七步，计算总和平均距离 第八步，由于不是最后一次迭代，且c=K/2，故进入第九步。 第九步，求f1中的标准差向量σ1=(1.99，1.56)。 第十步， σ1中最大分量为1.99，故σ1max=1.99。 第十一步，因为σ1maxθS，且c=K/2，可将m1分裂成为两个新的聚类中心。设k=0.5，则重新计算的聚类中心为 为了方便起见，将上述两个聚类中心改名为m1，m2（下同）。C值增加1，并返回第三步。 第三步，计算每一样本到m1，m2的距离，按最小距离进行分类，得到两个聚类域，f1={x4,x5,x6,x7,x8}，f2={x1,x2,x3}，且N1=5，N2=3。 第四步，因N1和N2均大于θN，故无可取消的类别。 第五步，修改聚类中心。 第六步，计算类中心平均距离 第七步，计算总和平均距离 第八步，因这是偶次迭代，故进入第十二步。 第十二步，计算聚类中心之间的距离。 第十三步，比较δ12与θc，有δ12 θc。 第十四步，根据上一步的比较情况，无可进行合并的类别对。 第十五步，因为这不是最后一次迭代，需要判断是否需要修改给定的参数，并继续返回第三步。 第三步～第七步，与前一次迭代计算相同。 第八步，条件均不能满足，继续下一步。 第九步，计算f1={x4,x5,x6,x7,x8}，f2={x1,x2,x3}的标准差向量 第十步， σ1max=0.75， σ2max=0.82