遙感圖像分類課件

遙感圖像分類2015年4月遙感圖像分類1圖像分類基本概念和原理遙感圖像分類過程非監(jiān)督分類方法監(jiān)督分類方法分類后處理內(nèi)容大綱圖像分類基本概念和原理內(nèi)容大綱2遙感圖像分類是圖像信息提取的一種方法遙感圖像分類是遙感數(shù)字圖像處理的重要環(huán)節(jié)，也是遙感應(yīng)用最廣泛的領(lǐng)域之一遙感圖像自動識別分類提取信息的類型舉例分類土地覆蓋、樹種識別、植被和農(nóng)作物變化檢測土地覆蓋變化物理量的提取溫度、大氣成分、高程、土壤含水量指標(biāo)提取植被指數(shù)、渾濁指標(biāo)特定地物和狀態(tài)的提取山火、水災(zāi)、線形構(gòu)造、遺跡探察遙感圖像分類是圖像信息提取的一種方法遙感圖像自動識別分類提取3在特征空間中，依據(jù)像元相似度的大小，歸類相似的像元，分離不相似的像元，并給每一個像元賦類別值的過程分類的總目標(biāo)是將圖像中所有的像元自動進(jìn)行土地覆蓋類型或土地覆蓋專題的分類什么是遙感圖像計算機(jī)分類？在特征空間中，依據(jù)像元相似度的大小，歸類相似的像元，分離不相4計算機(jī)分類實例原始遙感圖像對應(yīng)的專題圖像計算機(jī)分類實例原始遙感圖像對應(yīng)的專題圖像5遙感圖像遙感圖像計算機(jī)分類流程框圖色調(diào)、顏色、陰影、形狀、紋理、大小、位置、圖型、相關(guān)布局遙感圖像特征集基于光譜的基于空間關(guān)系的統(tǒng)計分類結(jié)構(gòu)分類模糊分類神經(jīng)網(wǎng)絡(luò)分類小波分析專家系統(tǒng)遙感圖像計算機(jī)分類光譜模式識別空間模式識別新方法遙感圖像遙感圖像計算機(jī)分類流程框圖色調(diào)、顏色、陰影、形狀、紋6計算機(jī)分類較目視解譯的優(yōu)勢？將影像數(shù)據(jù)的連續(xù)變化轉(zhuǎn)化為地圖模式，以提供給用戶有意義的信息獲得關(guān)于地面覆蓋和地表特征數(shù)據(jù)的更深刻的認(rèn)識較目視解譯客觀，在分析大數(shù)據(jù)集時比較經(jīng)濟(jì)可對復(fù)雜的多波段數(shù)據(jù)及其相互關(guān)系進(jìn)行有效分析計算機(jī)分類較目視解譯的優(yōu)勢？將影像數(shù)據(jù)的連續(xù)變化轉(zhuǎn)化為地圖模7光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標(biāo)軸組成的空間同類地物在特征空間形成一個相對聚集的點(diǎn)集群不同類地物的點(diǎn)集群在特征空間內(nèi)一般是相互分離的

光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標(biāo)軸組成8SPOT影像SPOT影像9真實二維特征空間示例1-21-31-42-32-43-4真實二維特征空間示例1-21-31-42-32-43-410特征空間中的距離“物以類聚”，而圖像分類的依據(jù)通常是像元之間的相似性。相似性通常又采用“距離”來度量。距離可以有不同的具體定義幾何距離：歐式距離、絕對值距離統(tǒng)計距離：馬氏距離特征空間中的距離“物以類聚”，而圖像分類的依據(jù)通常是像元之間11幾何距離：歐氏距離幾何距離：歐氏距離12X到集群中心在多維空間中距離的絕對值之總和來表示幾何距離：絕對值距離X到集群中心在多維空間中距離的絕對值之總和來表示幾何距離：13統(tǒng)計距離：馬氏距離馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)方差統(tǒng)計距離：馬氏距離馬氏距離幾何意義：X到類重心之間的加權(quán)距14圖像分類方法按人工干預(yù)的程度不同，可以分為：非監(jiān)督分類法監(jiān)督分類法圖像分類方法按人工干預(yù)的程度不同，可以分為：15分類步驟選擇合適的分類算法用所選算法分割特征空間根據(jù)像元在特征空間中的定位對每一個像元賦類別值對分類結(jié)果進(jìn)行精度評價分類步驟選擇合適的分類算法16在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類合并（將相似度大的像元?dú)w為一類）的方法根據(jù)圖像數(shù)據(jù)本身的統(tǒng)計特征及點(diǎn)群的分布情況，從純統(tǒng)計學(xué)的角度對圖像數(shù)據(jù)進(jìn)行類別劃分非監(jiān)督分類在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別17利用事先定義的參數(shù)確定特征空間中類別的位置，然后確定單個像元是否屬于某個類別聚類利用事先定義的參數(shù)確定特征空間中類別的位置，然后確定單個像元18一般的聚類算法是先選擇若干個點(diǎn)作為聚類的中心每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各點(diǎn)歸于各聚類中心所代表的類別，形成初始分類然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運(yùn)算，直到合理為止聚類過程一般的聚類算法是先選擇若干個點(diǎn)作為聚類的中心聚類過程19按照某個原則選擇一些初始聚類中心計算像元與初始類別中心的距離，把像素分配到最近的類別中聚類過程按照某個原則選擇一些初始聚類中心聚類過程20計算并改正重新組合的類別中心過程重復(fù)直到滿足迭代結(jié)束的條件聚類過程計算并改正重新組合的類別中心聚類過程21僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進(jìn)行“盲目”的分類其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的非監(jiān)督分類僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進(jìn)行22簡單集群分類方法K-均值法（K-meansAlgorithm）Cluster分類法迭代自組織數(shù)據(jù)分析技術(shù)方法（IterativeSelf-OrganizationDataAnalysisTechniques，ISODATA）主要的非監(jiān)督分類方法簡單集群分類方法主要的非監(jiān)督分類方法23K-均值法通過自然的聚類，把它分成8類K-均值法通過自然的聚類，把它分成8類24K-均值算法的聚類準(zhǔn)則是使每一聚類中，像元到該類別中心的距離的平方和最小基本思想：通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止K-均值法K-均值算法的聚類準(zhǔn)則是使每一聚類中，像元到該類別中心的距離25（1）確定類別數(shù)并各類的初始中心：z1(0),z2(0),…,zK(0)，K為類別數(shù)。初始中心可任意選取初始中心的選擇對聚類結(jié)果有一定影響，初始中心的選擇一般有以下方法：①根據(jù)問題的性質(zhì)，用經(jīng)驗的方法確定類別數(shù)K，從數(shù)據(jù)中找出從直觀上看來比較適合的K個類的初始中心②將全部數(shù)據(jù)隨機(jī)地分為K個類別，對計算每類的重心，將這些重心作為K個類的初始中心K-均值法（1）確定類別數(shù)并各類的初始中心：z1(0),z2(0),26（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到K個聚類中心（3）計算新中心。待所有樣本第i次劃分完畢后，重新計算新的集群中心zj(i+1),j=1,2,…,K（4）如果聚類中心不變，則算法收斂，聚類結(jié)束；否則回到（2），進(jìn)入下一次迭代K-均值法（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到27優(yōu)點(diǎn)：實現(xiàn)簡單缺點(diǎn)：過分依賴初值，容易收斂于局部極值在迭代過程中沒有調(diào)整類數(shù)的措施，產(chǎn)生的結(jié)果受到所選聚類中心的數(shù)目、初始位置、類分布的幾何性質(zhì)和讀入次序等因素影響較大初始分類選擇不同，最后的分類結(jié)果可能不同K-均值法優(yōu)點(diǎn)：實現(xiàn)簡單K-均值法28IterativeSelf-OrganizationDataAnalysisTechniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡稱可以自動地進(jìn)行類別的“合并”和“分裂”，從而得到比較合理的聚類結(jié)果

ISODATAIterativeSelf-OrganizationDa29（1）初始化，設(shè)置參數(shù)；（2）選擇初始聚類中心；（3）按一定規(guī)則(如距離最小)對所有像元分配類別；（4）計算并改正重新組合的類別中心；（5）類別的分裂和合并；（6）如果達(dá)到迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值，則結(jié)束迭代；否則，重復(fù)（3）-（6）；（7）確認(rèn)類別，對結(jié)果進(jìn)行精度評估ISODATA基本同K-均值法，但K-均值法的類別數(shù)是從始至終固定的，而ISODATA方法則是動態(tài)調(diào)整類別數(shù)的（1）初始化，設(shè)置參數(shù)；ISODATA基本同K-均值法，但K30K：希望得到的類別數(shù)θN：所希望的一個類中樣本的最小數(shù)目θS：類的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差）θC：類間距離的參數(shù)（如最小距離）L：每次允許合并的類的對數(shù)I：允許迭代的次數(shù)ISODATA參數(shù)的設(shè)定決定類的“分裂”與“合并”

結(jié)束迭代的條件K：希望得到的類別數(shù)ISODATA參數(shù)的設(shè)定決定類的“分31合并（類數(shù)-1）每一類中的像元個數(shù)少于期望的類別最少像元數(shù)θN類別的個數(shù)大于期望的類別數(shù)K的2倍分裂（類數(shù)+1）類別的標(biāo)準(zhǔn)差大于類別標(biāo)準(zhǔn)差閾值θS類別的個數(shù)小于期望的類別數(shù)K的1/2當(dāng)類別數(shù)在一定范圍內(nèi)，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值在閾值以下ISODATA調(diào)整類別數(shù)的準(zhǔn)則合并（類數(shù)-1）ISODATA調(diào)整類別數(shù)的準(zhǔn)則32兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個閾值，說明聚類結(jié)束如果迭代次數(shù)達(dá)到了預(yù)設(shè)值I，那么即使不收斂，也強(qiáng)行結(jié)束ISODATA判斷迭代結(jié)束兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個33類別數(shù)：20迭代次數(shù)：20ISODATA類別數(shù)：20ISODATA34類別數(shù)：10迭代次數(shù)：10ISODATA類別數(shù)：10ISODATA35優(yōu)點(diǎn)：不需要預(yù)先對待分類區(qū)域有廣泛的了解需要較少的人工參與，人為誤差的機(jī)會減少小的類別能夠被區(qū)分出來缺點(diǎn)：盲目的聚類難以對產(chǎn)生的類別進(jìn)行控制，得到的類別不一定是想要的類別計算速度慢非監(jiān)督分類方法的特點(diǎn)優(yōu)點(diǎn)：非監(jiān)督分類方法的特點(diǎn)36確定每個類別的樣區(qū)學(xué)習(xí)或訓(xùn)練確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則計算未知類別的函數(shù)值按規(guī)則進(jìn)行像元的所屬判別監(jiān)督分類的思想確定每個類別的樣區(qū)監(jiān)督分類的思想37監(jiān)督法分類首先需要從研究區(qū)域選取有代表性的訓(xùn)練場地作為樣本根據(jù)已知訓(xùn)練區(qū)提供的樣本，建立判別函數(shù)，據(jù)此對樣本像元進(jìn)行分類，依據(jù)樣本類別的特征來識別非樣本像元的歸屬類別監(jiān)督法分類首先需要從研究區(qū)域選取有代表性的訓(xùn)練場地作為樣本38監(jiān)督法分類主要步驟選擇訓(xùn)練樣本區(qū)確定類別數(shù)對每類選擇足夠多的有代表性的樣本分類前分析樣本區(qū)質(zhì)量選擇合適的分類算法分類結(jié)果的精度評價監(jiān)督法分類主要步驟39準(zhǔn)確性——確保選擇的樣區(qū)與實際地物的一致性代表性——考慮到地物本身的復(fù)雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況統(tǒng)計性——選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元訓(xùn)練樣區(qū)的選擇準(zhǔn)確性——確保選擇的樣區(qū)與實際地物的一致性訓(xùn)練樣區(qū)的選擇40選擇訓(xùn)練區(qū)選擇訓(xùn)練區(qū)41訓(xùn)練區(qū)與特征空間的聯(lián)系訓(xùn)練區(qū)與特征空間的聯(lián)系42水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域水新城區(qū)老城區(qū)耕地植被選擇樣本區(qū)域43建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍(lán)255

將樣本數(shù)據(jù)在特征空間進(jìn)行聚類建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????44主要的監(jiān)督分類方法距離判別函數(shù)和距離判別規(guī)則最小距離分類法最近鄰分類算法平行六面體分類法概率判別函數(shù)和貝葉斯判別規(guī)則最大似然分類法主要的監(jiān)督分類方法距離判別函數(shù)和距離判別規(guī)則45基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類距離判決函數(shù)偏重于集群分布的幾何位置距離判別規(guī)則是按最小距離判別的原則最小距離分類法基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距46最小距離分類法最小距離分類法47以一個包括該集群的“盒子”作為該集群的判別函數(shù)判決規(guī)則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象，錯分與比較盒子的先后次序有關(guān)平行六面體分類法基本思想以一個包括該集群的“盒子”作為該集群的判別函數(shù)平行六面體分類48平行六面體分類法平行六面體分類法49最大似然分類法地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點(diǎn)群，每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布，各類的多維正態(tài)分布模型各有其分布特征利用各類的已知數(shù)據(jù)（訓(xùn)練區(qū)），求出均值、方差及協(xié)方差等特征參數(shù)，從而求出總體的概率密度函數(shù)在此基礎(chǔ)上，對于任何一個像元，通過求出每個像素對于各類別的歸屬概率（對于待分像元x，從屬于分類類別k的概率），把該像素分到歸屬概率最大的類別中去最大似然分類法地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點(diǎn)群，每一類的50最大似然分類法最大似然分類法51最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進(jìn)行分類優(yōu)點(diǎn)：考慮特征空間中類別的形狀、大小和定位缺點(diǎn)：計算量大，計算時間長假定地物光譜特征呈正態(tài)分布最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進(jìn)行分類52根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別可以控制訓(xùn)練樣本的選擇可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類，從而避免分類中的嚴(yán)重錯誤，分類精度高避免了非監(jiān)督分類中對光譜集群的重新歸類分類速度快監(jiān)督法分類的優(yōu)點(diǎn)根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要53主觀性由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性訓(xùn)練樣本的獲取和評估花費(fèi)較多人力時間只能識別訓(xùn)練中定義的類別監(jiān)督法分類的缺點(diǎn)主觀性監(jiān)督法分類的缺點(diǎn)54面向?qū)ο蟮姆诸惙椒ㄈ斯ど窠?jīng)網(wǎng)絡(luò)分類法決策樹分類法專家系統(tǒng)分類法基于GIS的遙感圖像分類方法模糊分類方法數(shù)字圖像分類新技術(shù)面向?qū)ο蟮姆诸惙椒〝?shù)字圖像分類新技術(shù)55基于像素級別的信息提取以單個像素為單位，過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息提取的精度面向?qū)ο蟮姆诸惙椒ㄊ紫葘D像數(shù)據(jù)進(jìn)行影像分割，影像的最小單元不再是單個的像素，而是一個個對象(圖斑)，后續(xù)的影像分析和處理也都基于對象進(jìn)行優(yōu)點(diǎn)：面向?qū)ο蟮倪b感信息提取，綜合考慮了光譜統(tǒng)計特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果面向?qū)ο蟮姆诸惙椒ɑ谙袼丶墑e的信息提取以單個像素為單位，過于著眼于局部而忽略56遙感圖像分類課件57遙感圖像分類課件58遙感圖像分類課件59遙感圖像分類課件60決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一大類再作進(jìn)一步的劃分，直到所有類別全部分出為止在不同層次可以更換分類方法，也可以更換分類特征，以提高這類別的可分性決策樹分類法城市非建筑物建筑物裸地植被樹木草地決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一61將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗性知識綜合集成用于新的遙感圖像的分類中，不僅可以促進(jìn)GIS數(shù)據(jù)更新的自動化，而且還可以得到比常規(guī)最大似然法高的分類精度基于GIS的遙感圖像分類方法將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗性知識綜合集成62遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別分類后處理原始遙感圖像對應(yīng)的專題圖像遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各63用光譜信息對影像逐個像元地分類，在結(jié)果的分類地圖上會出現(xiàn)“噪聲”分類后處理用光譜信息對影像逐個像元地分類，在結(jié)果的分類地圖上會出現(xiàn)“噪64產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類，以及其它原因等另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失分類后處理產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括65分類后處理多數(shù)平滑：平滑時中心像元值取周圍占多數(shù)的類別（少數(shù)服從多數(shù)原則）分類后處理多數(shù)平滑：平滑時中心像元值取周圍占多數(shù)的類別（少數(shù)66平滑前后的一個例子平滑前后的一個例子67分類精度評價混淆矩陣Kappa系數(shù)制約分類精度的因素提高分類精度的方法分類后的誤差分析分類精度評價分類后的誤差分析68混淆矩陣是由n行n列組成的矩陣，用來表示分類結(jié)果的精度混淆矩陣是通過將每個像元的位置和地面參考驗證信息與計算機(jī)分類結(jié)果中的相應(yīng)位置和類別來比較計算的混淆矩陣（ConfusionMatrix）混淆矩陣是由n行n列組成的矩陣，用來表示分類結(jié)果的精度混淆矩69混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中的數(shù)值等于地表真實像元在分類圖像中對應(yīng)于相應(yīng)類別的數(shù)量混淆矩陣的每一行代表了計算機(jī)的分類信息，每一行中的數(shù)值等于計算機(jī)分類像元在地表真實像元相應(yīng)類別中的數(shù)量混淆矩陣混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中的70有150個樣本數(shù)據(jù)，這些數(shù)據(jù)在計算機(jī)分類結(jié)果中被分成3類，每類50個。分類結(jié)束后得到的混淆矩陣為：類1的50個樣本有43個分類正確，5個錯分為類2，2個錯分為類3類2的50個樣本有45個分類正確，2個錯分為類1，3個錯分為類3類3的50個樣本有49個分類正確，0個錯分為類1，1個錯分為類2混淆矩陣實際類別類1類2類3行和分類類別類1435250類2245350類3014950列和455154有150個樣本數(shù)據(jù)，這些數(shù)據(jù)在計算機(jī)分類結(jié)果中被分成3類，每71矩陣主對角線上的數(shù)字就是分類正確的像元數(shù)，主對角線上的數(shù)字越大，分類精度越高；主對角線以外的數(shù)字就是錯分的像元數(shù)，這些數(shù)字越小，錯分率就越小，精度就越高精度評估的指標(biāo)總精度用戶精度生產(chǎn)者精度（制圖精度）混淆矩陣矩陣主對角線上的數(shù)字就是分類正確的像元數(shù)，主對角線上的數(shù)字越72總精度：由正確分類的總像元數(shù)（沿著主對角線上的元素的和）除以所包含的總像元數(shù)來計算(43+45+49)/150=91.3%混淆矩陣總精度：由正確分類的總像元數(shù)（沿著主對角線上的元素的和）除以73用戶精度由每一類別被正確分類的像元數(shù)目除以被分作該類的總像元數(shù)（行元素之和）這個數(shù)字表示一個像元被分到指定類別的可能性，這個指定類別代表了地面的實際類別類1的用戶精度：43/50=86%類2的用戶精度：45/50=90%類3的用戶精度：49/50=98%混淆矩陣用戶精度由每一類別被正確分類的像元數(shù)目除以被分作該類的總像元74生產(chǎn)者精度由每一類中正確分類的像元數(shù)（位于主對角線上）除以該類用做訓(xùn)練樣區(qū)的像元數(shù)目（列元素之和）這個數(shù)字表明指定覆蓋類型的訓(xùn)練樣區(qū)集的像元被分類后，它的效果有多好類1的生產(chǎn)者精度：43/45=96%類2的生產(chǎn)者精度：45/51=88%類3的生產(chǎn)者精度：49/54=91%混淆矩陣生產(chǎn)者精度由每一類中正確分類的像元數(shù)（位于主對角線上）除以該75例：森林類別的生產(chǎn)者精度為84%，用戶精度為60%。表示在分類結(jié)果中有84%的森林被正確的分類為森林，但所有分類為森林的地區(qū)只有60%的地區(qū)真正屬于森林這個類別混淆矩陣?yán)荷诸悇e的生產(chǎn)者精度為84%，用戶精度為60%?；煜仃?6m=誤差矩陣中行的數(shù)量（即總的類別數(shù)）xii=第i行第i列上的像元數(shù)量（即主對角線上正確分類的數(shù)量）xi+=在第i行的總像元數(shù)量x+i=在第i列的總像元數(shù)量N=用于精度評估的總像元數(shù)量Kappa系數(shù)Kappa系數(shù)77分類總體精度與Kappa的區(qū)別：總體精度只用到了位于對角線上的像元數(shù)量Kappa則既考慮了對角線上被正確分類的像元，又考慮了不在對角線上的各種漏分和錯分錯誤Kappa系數(shù)分類總體精度與Kappa的區(qū)別：Kappa系數(shù)78遙感圖像的制約地物本身的復(fù)雜性傳感器的性能分類方法的制約目前的分類方法是基于統(tǒng)計的方法，計算機(jī)處理的對象是單個像元，屬于單點(diǎn)分類地物空間結(jié)構(gòu)的信息沒有利用制約分類精度的因素遙感圖像的制約制約分類精度的因素79同物異譜：同類地物具有不同的光譜特征。例如：同一類作物，生長狀態(tài)不同，光譜特征有差異同譜異物：不同的地物可能具有相似的光譜特征。例如：不同的植被類型可能有相似的光譜特征制約分類精度的因素不同含水量的土壤的波譜曲線

不同葉綠素濃度海水的波譜曲線

同物異譜：同類地物具有不同的光譜特征。例如：同一類作物，生長80目視判讀用到的信息與計算機(jī)自動分類所用信息的區(qū)別目視判讀計算機(jī)自動分類處理對象多個像元的組合單個像元面積的估算粗略的精確的波段最多3個波段沒有限制分別灰階的能力大約十幾個灰階能夠充分利用所有灰階地物形狀可以利用存在限制，依賴于算法空間信息可以利用存在限制非遙感信息可以利用（圖像融合）可以利用，程度不夠處理時間慢快結(jié)果重現(xiàn)差好目視判讀用到的信息與計算機(jī)自動分類所用信息的區(qū)別目視判讀計算81目視判讀用到的信息與計算機(jī)自動分類所用信息的區(qū)別目前計算機(jī)能夠利用的信息還是很有限的目視判讀用到的信息與計算機(jī)自動分類所用信息的區(qū)別目前計算機(jī)能82一方面從地物本身的復(fù)雜性著手，一方面從分類方法著手提高分類前預(yù)處理的精度決策樹分類，即分層分類混合分類多種信息的復(fù)合與GIS的集成基于對象的遙感圖像分類提高分類精度的方法一方面從地物本身的復(fù)雜性著手，一方面從分類方法著手提高分類精83遙感圖像分類的基礎(chǔ)是什么？影響分類精度的因素有哪些？比較最大似然法與最小距離法的優(yōu)缺點(diǎn)比較K均值法與ISODATA法的優(yōu)缺點(diǎn)比較監(jiān)督分類與非監(jiān)督分類的優(yōu)缺點(diǎn)思考題遙感圖像分類的基礎(chǔ)是什么？思考題84遙感圖像分類2015年4月遙感圖像分類85圖像分類基本概念和原理遙感圖像分類過程非監(jiān)督分類方法監(jiān)督分類方法分類后處理內(nèi)容大綱圖像分類基本概念和原理內(nèi)容大綱86遙感圖像分類是圖像信息提取的一種方法遙感圖像分類是遙感數(shù)字圖像處理的重要環(huán)節(jié)，也是遙感應(yīng)用最廣泛的領(lǐng)域之一遙感圖像自動識別分類提取信息的類型舉例分類土地覆蓋、樹種識別、植被和農(nóng)作物變化檢測土地覆蓋變化物理量的提取溫度、大氣成分、高程、土壤含水量指標(biāo)提取植被指數(shù)、渾濁指標(biāo)特定地物和狀態(tài)的提取山火、水災(zāi)、線形構(gòu)造、遺跡探察遙感圖像分類是圖像信息提取的一種方法遙感圖像自動識別分類提取87在特征空間中，依據(jù)像元相似度的大小，歸類相似的像元，分離不相似的像元，并給每一個像元賦類別值的過程分類的總目標(biāo)是將圖像中所有的像元自動進(jìn)行土地覆蓋類型或土地覆蓋專題的分類什么是遙感圖像計算機(jī)分類？在特征空間中，依據(jù)像元相似度的大小，歸類相似的像元，分離不相88計算機(jī)分類實例原始遙感圖像對應(yīng)的專題圖像計算機(jī)分類實例原始遙感圖像對應(yīng)的專題圖像89遙感圖像遙感圖像計算機(jī)分類流程框圖色調(diào)、顏色、陰影、形狀、紋理、大小、位置、圖型、相關(guān)布局遙感圖像特征集基于光譜的基于空間關(guān)系的統(tǒng)計分類結(jié)構(gòu)分類模糊分類神經(jīng)網(wǎng)絡(luò)分類小波分析專家系統(tǒng)遙感圖像計算機(jī)分類光譜模式識別空間模式識別新方法遙感圖像遙感圖像計算機(jī)分類流程框圖色調(diào)、顏色、陰影、形狀、紋90計算機(jī)分類較目視解譯的優(yōu)勢？將影像數(shù)據(jù)的連續(xù)變化轉(zhuǎn)化為地圖模式，以提供給用戶有意義的信息獲得關(guān)于地面覆蓋和地表特征數(shù)據(jù)的更深刻的認(rèn)識較目視解譯客觀，在分析大數(shù)據(jù)集時比較經(jīng)濟(jì)可對復(fù)雜的多波段數(shù)據(jù)及其相互關(guān)系進(jìn)行有效分析計算機(jī)分類較目視解譯的優(yōu)勢？將影像數(shù)據(jù)的連續(xù)變化轉(zhuǎn)化為地圖模91光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標(biāo)軸組成的空間同類地物在特征空間形成一個相對聚集的點(diǎn)集群不同類地物的點(diǎn)集群在特征空間內(nèi)一般是相互分離的

光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標(biāo)軸組成92SPOT影像SPOT影像93真實二維特征空間示例1-21-31-42-32-43-4真實二維特征空間示例1-21-31-42-32-43-494特征空間中的距離“物以類聚”，而圖像分類的依據(jù)通常是像元之間的相似性。相似性通常又采用“距離”來度量。距離可以有不同的具體定義幾何距離：歐式距離、絕對值距離統(tǒng)計距離：馬氏距離特征空間中的距離“物以類聚”，而圖像分類的依據(jù)通常是像元之間95幾何距離：歐氏距離幾何距離：歐氏距離96X到集群中心在多維空間中距離的絕對值之總和來表示幾何距離：絕對值距離X到集群中心在多維空間中距離的絕對值之總和來表示幾何距離：97統(tǒng)計距離：馬氏距離馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)方差統(tǒng)計距離：馬氏距離馬氏距離幾何意義：X到類重心之間的加權(quán)距98圖像分類方法按人工干預(yù)的程度不同，可以分為：非監(jiān)督分類法監(jiān)督分類法圖像分類方法按人工干預(yù)的程度不同，可以分為：99分類步驟選擇合適的分類算法用所選算法分割特征空間根據(jù)像元在特征空間中的定位對每一個像元賦類別值對分類結(jié)果進(jìn)行精度評價分類步驟選擇合適的分類算法100在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類合并（將相似度大的像元?dú)w為一類）的方法根據(jù)圖像數(shù)據(jù)本身的統(tǒng)計特征及點(diǎn)群的分布情況，從純統(tǒng)計學(xué)的角度對圖像數(shù)據(jù)進(jìn)行類別劃分非監(jiān)督分類在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別101利用事先定義的參數(shù)確定特征空間中類別的位置，然后確定單個像元是否屬于某個類別聚類利用事先定義的參數(shù)確定特征空間中類別的位置，然后確定單個像元102一般的聚類算法是先選擇若干個點(diǎn)作為聚類的中心每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各點(diǎn)歸于各聚類中心所代表的類別，形成初始分類然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運(yùn)算，直到合理為止聚類過程一般的聚類算法是先選擇若干個點(diǎn)作為聚類的中心聚類過程103按照某個原則選擇一些初始聚類中心計算像元與初始類別中心的距離，把像素分配到最近的類別中聚類過程按照某個原則選擇一些初始聚類中心聚類過程104計算并改正重新組合的類別中心過程重復(fù)直到滿足迭代結(jié)束的條件聚類過程計算并改正重新組合的類別中心聚類過程105僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進(jìn)行“盲目”的分類其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的非監(jiān)督分類僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進(jìn)行106簡單集群分類方法K-均值法（K-meansAlgorithm）Cluster分類法迭代自組織數(shù)據(jù)分析技術(shù)方法（IterativeSelf-OrganizationDataAnalysisTechniques，ISODATA）主要的非監(jiān)督分類方法簡單集群分類方法主要的非監(jiān)督分類方法107K-均值法通過自然的聚類，把它分成8類K-均值法通過自然的聚類，把它分成8類108K-均值算法的聚類準(zhǔn)則是使每一聚類中，像元到該類別中心的距離的平方和最小基本思想：通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止K-均值法K-均值算法的聚類準(zhǔn)則是使每一聚類中，像元到該類別中心的距離109（1）確定類別數(shù)并各類的初始中心：z1(0),z2(0),…,zK(0)，K為類別數(shù)。初始中心可任意選取初始中心的選擇對聚類結(jié)果有一定影響，初始中心的選擇一般有以下方法：①根據(jù)問題的性質(zhì)，用經(jīng)驗的方法確定類別數(shù)K，從數(shù)據(jù)中找出從直觀上看來比較適合的K個類的初始中心②將全部數(shù)據(jù)隨機(jī)地分為K個類別，對計算每類的重心，將這些重心作為K個類的初始中心K-均值法（1）確定類別數(shù)并各類的初始中心：z1(0),z2(0),110（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到K個聚類中心（3）計算新中心。待所有樣本第i次劃分完畢后，重新計算新的集群中心zj(i+1),j=1,2,…,K（4）如果聚類中心不變，則算法收斂，聚類結(jié)束；否則回到（2），進(jìn)入下一次迭代K-均值法（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到111優(yōu)點(diǎn)：實現(xiàn)簡單缺點(diǎn)：過分依賴初值，容易收斂于局部極值在迭代過程中沒有調(diào)整類數(shù)的措施，產(chǎn)生的結(jié)果受到所選聚類中心的數(shù)目、初始位置、類分布的幾何性質(zhì)和讀入次序等因素影響較大初始分類選擇不同，最后的分類結(jié)果可能不同K-均值法優(yōu)點(diǎn)：實現(xiàn)簡單K-均值法112IterativeSelf-OrganizationDataAnalysisTechniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡稱可以自動地進(jìn)行類別的“合并”和“分裂”，從而得到比較合理的聚類結(jié)果

ISODATAIterativeSelf-OrganizationDa113（1）初始化，設(shè)置參數(shù)；（2）選擇初始聚類中心；（3）按一定規(guī)則(如距離最小)對所有像元分配類別；（4）計算并改正重新組合的類別中心；（5）類別的分裂和合并；（6）如果達(dá)到迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值，則結(jié)束迭代；否則，重復(fù)（3）-（6）；（7）確認(rèn)類別，對結(jié)果進(jìn)行精度評估ISODATA基本同K-均值法，但K-均值法的類別數(shù)是從始至終固定的，而ISODATA方法則是動態(tài)調(diào)整類別數(shù)的（1）初始化，設(shè)置參數(shù)；ISODATA基本同K-均值法，但K114K：希望得到的類別數(shù)θN：所希望的一個類中樣本的最小數(shù)目θS：類的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差）θC：類間距離的參數(shù)（如最小距離）L：每次允許合并的類的對數(shù)I：允許迭代的次數(shù)ISODATA參數(shù)的設(shè)定決定類的“分裂”與“合并”

結(jié)束迭代的條件K：希望得到的類別數(shù)ISODATA參數(shù)的設(shè)定決定類的“分115合并（類數(shù)-1）每一類中的像元個數(shù)少于期望的類別最少像元數(shù)θN類別的個數(shù)大于期望的類別數(shù)K的2倍分裂（類數(shù)+1）類別的標(biāo)準(zhǔn)差大于類別標(biāo)準(zhǔn)差閾值θS類別的個數(shù)小于期望的類別數(shù)K的1/2當(dāng)類別數(shù)在一定范圍內(nèi)，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值在閾值以下ISODATA調(diào)整類別數(shù)的準(zhǔn)則合并（類數(shù)-1）ISODATA調(diào)整類別數(shù)的準(zhǔn)則116兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個閾值，說明聚類結(jié)束如果迭代次數(shù)達(dá)到了預(yù)設(shè)值I，那么即使不收斂，也強(qiáng)行結(jié)束ISODATA判斷迭代結(jié)束兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個117類別數(shù)：20迭代次數(shù)：20ISODATA類別數(shù)：20ISODATA118類別數(shù)：10迭代次數(shù)：10ISODATA類別數(shù)：10ISODATA119優(yōu)點(diǎn)：不需要預(yù)先對待分類區(qū)域有廣泛的了解需要較少的人工參與，人為誤差的機(jī)會減少小的類別能夠被區(qū)分出來缺點(diǎn)：盲目的聚類難以對產(chǎn)生的類別進(jìn)行控制，得到的類別不一定是想要的類別計算速度慢非監(jiān)督分類方法的特點(diǎn)優(yōu)點(diǎn)：非監(jiān)督分類方法的特點(diǎn)120確定每個類別的樣區(qū)學(xué)習(xí)或訓(xùn)練確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則計算未知類別的函數(shù)值按規(guī)則進(jìn)行像元的所屬判別監(jiān)督分類的思想確定每個類別的樣區(qū)監(jiān)督分類的思想121監(jiān)督法分類首先需要從研究區(qū)域選取有代表性的訓(xùn)練場地作為樣本根據(jù)已知訓(xùn)練區(qū)提供的樣本，建立判別函數(shù)，據(jù)此對樣本像元進(jìn)行分類，依據(jù)樣本類別的特征來識別非樣本像元的歸屬類別監(jiān)督法分類首先需要從研究區(qū)域選取有代表性的訓(xùn)練場地作為樣本122監(jiān)督法分類主要步驟選擇訓(xùn)練樣本區(qū)確定類別數(shù)對每類選擇足夠多的有代表性的樣本分類前分析樣本區(qū)質(zhì)量選擇合適的分類算法分類結(jié)果的精度評價監(jiān)督法分類主要步驟123準(zhǔn)確性——確保選擇的樣區(qū)與實際地物的一致性代表性——考慮到地物本身的復(fù)雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況統(tǒng)計性——選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元訓(xùn)練樣區(qū)的選擇準(zhǔn)確性——確保選擇的樣區(qū)與實際地物的一致性訓(xùn)練樣區(qū)的選擇124選擇訓(xùn)練區(qū)選擇訓(xùn)練區(qū)125訓(xùn)練區(qū)與特征空間的聯(lián)系訓(xùn)練區(qū)與特征空間的聯(lián)系126水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域水新城區(qū)老城區(qū)耕地植被選擇樣本區(qū)域127建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍(lán)255

將樣本數(shù)據(jù)在特征空間進(jìn)行聚類建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????128主要的監(jiān)督分類方法距離判別函數(shù)和距離判別規(guī)則最小距離分類法最近鄰分類算法平行六面體分類法概率判別函數(shù)和貝葉斯判別規(guī)則最大似然分類法主要的監(jiān)督分類方法距離判別函數(shù)和距離判別規(guī)則129基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類距離判決函數(shù)偏重于集群分布的幾何位置距離判別規(guī)則是按最小距離判別的原則最小距離分類法基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距130最小距離分類法最小距離分類法131以一個包括該集群的“盒子”作為該集群的判別函數(shù)判決規(guī)則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象，錯分與比較盒子的先后次序有關(guān)平行六面體分類法基本思想以一個包括該集群的“盒子”作為該集群的判別函數(shù)平行六面體分類132平行六面體分類法平行六面體分類法133最大似然分類法地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點(diǎn)群，每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布，各類的多維正態(tài)分布模型各有其分布特征利用各類的已知數(shù)據(jù)（訓(xùn)練區(qū)），求出均值、方差及協(xié)方差等特征參數(shù)，從而求出總體的概率密度函數(shù)在此基礎(chǔ)上，對于任何一個像元，通過求出每個像素對于各類別的歸屬概率（對于待分像元x，從屬于分類類別k的概率），把該像素分到歸屬概率最大的類別中去最大似然分類法地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點(diǎn)群，每一類的134最大似然分類法最大似然分類法135最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進(jìn)行分類優(yōu)點(diǎn)：考慮特征空間中類別的形狀、大小和定位缺點(diǎn)：計算量大，計算時間長假定地物光譜特征呈正態(tài)分布最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進(jìn)行分類136根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別可以控制訓(xùn)練樣本的選擇可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類，從而避免分類中的嚴(yán)重錯誤，分類精度高避免了非監(jiān)督分類中對光譜集群的重新歸類分類速度快監(jiān)督法分類的優(yōu)點(diǎn)根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要137主觀性由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性訓(xùn)練樣本的獲取和評估花費(fèi)較多人力時間只能識別訓(xùn)練中定義的類別監(jiān)督法分類的缺點(diǎn)主觀性監(jiān)督法分類的缺點(diǎn)138面向?qū)ο蟮姆诸惙椒ㄈ斯ど窠?jīng)網(wǎng)絡(luò)分類法決策樹分類法專家系統(tǒng)分類法基于GIS的遙感圖像分類方法模糊分類方法數(shù)字圖像分類新技術(shù)面向?qū)ο蟮姆诸惙椒〝?shù)字圖像分類新技術(shù)139基于像素級別的信息提取以單個像素為單位，過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息提取的精度面向?qū)ο蟮姆诸惙椒ㄊ紫葘D像數(shù)據(jù)進(jìn)行影像分割，影像的最小單元不再是單個的像素，而是一個個對象(圖斑)，后續(xù)的影像分析和處理也都基于對象進(jìn)行優(yōu)點(diǎn)：面向?qū)ο蟮倪b感信息提取，綜合考慮了光譜統(tǒng)計特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果面向?qū)ο蟮姆诸惙椒ɑ谙袼丶墑e的信息提取以單個像素為單位，過于著眼于局部而忽略140遙感圖像分類課件141遙感圖像分類課件142遙感圖像分類課件143遙感圖像分類課件144決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一大類再作進(jìn)一步的劃分，直到所有類別全部分出為止在不同層次可以更換分類方法，也可以更換分類特征，以提高這類別的可分性決策樹分類法城市非建筑物建筑物裸地植被樹木草地決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一145將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗性知識綜合集成用于新的遙感圖像的分類中，不僅可以促進(jìn)GIS數(shù)據(jù)更新的自動化，而且還可以得到比常規(guī)最大似然法高的分類精度基于GIS的遙感圖像分類方法將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗性知識綜合集成146遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別分類后處理原始遙感圖像對應(yīng)的專題圖像遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各147用光譜信息對影像逐個像元地分類，在結(jié)果的分類地圖上會出現(xiàn)“噪聲”分類后處理用光譜信息對影像逐個像元地分類，在結(jié)果的分類地圖上會出現(xiàn)“噪148產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類，以及其它原因等另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失分類后處理產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括149分類后處理多數(shù)平滑：平滑時中心像元值取周圍占多數(shù)的類別（少數(shù)服從多數(shù)原則）分類后處理多數(shù)平滑：平滑時中心像元值取周圍占多數(shù)的類別（少數(shù)150平滑前后的一個例子平滑前后的一個例子151分類精度評價混淆矩陣Kappa系數(shù)制約分類精度的因素提高分類精度的方法分類后的誤差分析分類精度評價分類后的誤差分析152混淆矩陣是由n行n列組成的矩陣，用來表示分類結(jié)果的精度混淆矩陣是通過將每個像元的位置和地面參考驗證信息與計算機(jī)分類結(jié)果中的相應(yīng)位置和類別來比較計算的混淆矩陣（ConfusionMatrix）混淆矩陣是由n行n列組成的矩陣，用來表示分類結(jié)果的精度混淆矩153混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中的數(shù)值等于地表真實像元在分類圖像中對應(yīng)于相應(yīng)類別的數(shù)量混淆矩陣的每一行代表了計算機(jī)的分類信息，每一行中的數(shù)值等于計算機(jī)分類像元在地表真實像元相應(yīng)類別中的數(shù)量混淆矩陣混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中的154有150個樣本數(shù)據(jù)，這些數(shù)據(jù)在計算機(jī)分類結(jié)果中被分成3類，每類50個。分類結(jié)束后得到的混淆矩陣為：類1的50個樣本有43個分類正確，5個錯分為類2，2個錯分為類3類2的50個樣本有45個分類正確，2個錯分為類1，3個錯分為類3類3的50個樣本有49個分類正確，0個錯分為類1，1個錯分為類2混淆矩陣實際類別類1類2類3行和分類類別類1435250類2245350類3014950列和455154有