遙感圖像分類(lèi)

遙感圖像分類(lèi)2015年4月圖像分類(lèi)基本概念和原理遙感圖像分類(lèi)過(guò)程非監(jiān)督分類(lèi)方法監(jiān)督分類(lèi)方法分類(lèi)后處理內(nèi)容大綱遙感圖像分類(lèi)是圖像信息提取的一種方法遙感圖像分類(lèi)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(dòng)識(shí)別分類(lèi)提取信息的類(lèi)型舉例分類(lèi)土地覆蓋、樹(shù)種識(shí)別、植被和農(nóng)作物變化檢測(cè)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(xiàn)形構(gòu)造、遺跡探察在特征空間中，依據(jù)像元相似度的大小，歸類(lèi)相似的像元，分離不相似的像元，并給每一個(gè)像元賦類(lèi)別值的過(guò)程分類(lèi)的總目標(biāo)是將圖像中所有的像元自動(dòng)進(jìn)行土地覆蓋類(lèi)型或土地覆蓋專(zhuān)題的分類(lèi)什么是遙感圖像計(jì)算機(jī)分類(lèi)？計(jì)算機(jī)分類(lèi)實(shí)例原始遙感圖像對(duì)應(yīng)的專(zhuān)題圖像遙感圖像遙感圖像計(jì)算機(jī)分類(lèi)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(jì)分類(lèi)結(jié)構(gòu)分類(lèi)模糊分類(lèi)神經(jīng)網(wǎng)絡(luò)分類(lèi)小波分析專(zhuān)家系統(tǒng)遙感圖像計(jì)算機(jī)分類(lèi)光譜模式識(shí)別空間模式識(shí)別新方法計(jì)算機(jī)分類(lèi)較目視解譯的優(yōu)勢(shì)？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(hù)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(shí)較目視解譯客觀，在分析大數(shù)據(jù)集時(shí)比較經(jīng)濟(jì)可對(duì)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(lèi)地物在特征空間形成一個(gè)相對(duì)聚集的點(diǎn)集群不同類(lèi)地物的點(diǎn)集群在特征空間內(nèi)一般是相互分離的

SPOT影像真實(shí)二維特征空間示例1-21-31-42-32-43-4特征空間中的距離“物以類(lèi)聚”，而圖像分類(lèi)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(lái)度量。距離可以有不同的具體定義幾何距離：歐式距離、絕對(duì)值距離統(tǒng)計(jì)距離：馬氏距離幾何距離：歐氏距離X到集群中心在多維空間中距離的絕對(duì)值之總和來(lái)表示幾何距離：絕對(duì)值距離統(tǒng)計(jì)距離：馬氏距離馬氏距離幾何意義：X到類(lèi)重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)方差圖像分類(lèi)方法按人工干預(yù)的程度不同，可以分為：非監(jiān)督分類(lèi)法監(jiān)督分類(lèi)法分類(lèi)步驟選擇合適的分類(lèi)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(duì)每一個(gè)像元賦類(lèi)別值對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)在沒(méi)有先驗(yàn)類(lèi)別（訓(xùn)練場(chǎng)地）作為樣本的條件下，即事先不知道類(lèi)別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類(lèi)合并（將相似度大的像元?dú)w為一類(lèi)）的方法根據(jù)圖像數(shù)據(jù)本身的統(tǒng)計(jì)特征及點(diǎn)群的分布情況，從純統(tǒng)計(jì)學(xué)的角度對(duì)圖像數(shù)據(jù)進(jìn)行類(lèi)別劃分非監(jiān)督分類(lèi)利用事先定義的參數(shù)確定特征空間中類(lèi)別的位置，然后確定單個(gè)像元是否屬于某個(gè)類(lèi)別聚類(lèi)一般的聚類(lèi)算法是先選擇若干個(gè)點(diǎn)作為聚類(lèi)的中心每一中心代表一個(gè)類(lèi)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(lèi)中心所代表的類(lèi)別，形成初始分類(lèi)然后由聚類(lèi)準(zhǔn)則判斷初始分類(lèi)是否合理，如果不合理就修改分類(lèi)，如此反復(fù)迭代運(yùn)算，直到合理為止聚類(lèi)過(guò)程按照某個(gè)原則選擇一些初始聚類(lèi)中心計(jì)算像元與初始類(lèi)別中心的距離，把像素分配到最近的類(lèi)別中聚類(lèi)過(guò)程計(jì)算并改正重新組合的類(lèi)別中心過(guò)程重復(fù)直到滿(mǎn)足迭代結(jié)束的條件聚類(lèi)過(guò)程僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類(lèi)的特性，進(jìn)行“盲目”的分類(lèi)其分類(lèi)的結(jié)果只是對(duì)不同類(lèi)別達(dá)到了區(qū)分，但并不能確定類(lèi)別的屬性；其類(lèi)別的屬性是通過(guò)分類(lèi)結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的非監(jiān)督分類(lèi)簡(jiǎn)單集群分類(lèi)方法K-均值法（K-meansAlgorithm）Cluster分類(lèi)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(lèi)方法K-均值法通過(guò)自然的聚類(lèi)，把它分成8類(lèi)K-均值算法的聚類(lèi)準(zhǔn)則是使每一聚類(lèi)中，像元到該類(lèi)別中心的距離的平方和最小基本思想：通過(guò)迭代，逐次移動(dòng)各類(lèi)的中心，直至得到最好的聚類(lèi)結(jié)果為止K-均值法（1）確定類(lèi)別數(shù)并各類(lèi)的初始中心：z1(0),z2(0),…,zK(0)，K為類(lèi)別數(shù)。初始中心可任意選取初始中心的選擇對(duì)聚類(lèi)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(wèn)題的性質(zhì)，用經(jīng)驗(yàn)的方法確定類(lèi)別數(shù)K，從數(shù)據(jù)中找出從直觀上看來(lái)比較適合的K個(gè)類(lèi)的初始中心②將全部數(shù)據(jù)隨機(jī)地分為K個(gè)類(lèi)別，對(duì)計(jì)算每類(lèi)的重心，將這些重心作為K個(gè)類(lèi)的初始中心K-均值法（2）擇近分類(lèi)，即將所有像元按照與各中心的距離最小的原則分到K個(gè)聚類(lèi)中心（3）計(jì)算新中心。待所有樣本第i次劃分完畢后，重新計(jì)算新的集群中心zj(i+1),j=1,2,…,K（4）如果聚類(lèi)中心不變，則算法收斂，聚類(lèi)結(jié)束；否則回到（2），進(jìn)入下一次迭代K-均值法優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單缺點(diǎn)：過(guò)分依賴(lài)初值，容易收斂于局部極值在迭代過(guò)程中沒(méi)有調(diào)整類(lèi)數(shù)的措施，產(chǎn)生的結(jié)果受到所選聚類(lèi)中心的數(shù)目、初始位置、類(lèi)分布的幾何性質(zhì)和讀入次序等因素影響較大初始分類(lèi)選擇不同，最后的分類(lèi)結(jié)果可能不同K-均值法IterativeSelf-OrganizationDataAnalysisTechniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡(jiǎn)稱(chēng)可以自動(dòng)地進(jìn)行類(lèi)別的“合并”和“分裂”，從而得到比較合理的聚類(lèi)結(jié)果

ISODATA（1）初始化，設(shè)置參數(shù)；（2）選擇初始聚類(lèi)中心；（3）按一定規(guī)則(如距離最小)對(duì)所有像元分配類(lèi)別；（4）計(jì)算并改正重新組合的類(lèi)別中心；（5）類(lèi)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(lèi)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(lèi)別，對(duì)結(jié)果進(jìn)行精度評(píng)估ISODATA基本同K-均值法，但K-均值法的類(lèi)別數(shù)是從始至終固定的，而ISODATA方法則是動(dòng)態(tài)調(diào)整類(lèi)別數(shù)的K：希望得到的類(lèi)別數(shù)θN：所希望的一個(gè)類(lèi)中樣本的最小數(shù)目θS：類(lèi)的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差）θC：類(lèi)間距離的參數(shù)（如最小距離）L：每次允許合并的類(lèi)的對(duì)數(shù)I：允許迭代的次數(shù)ISODATA參數(shù)的設(shè)定決定類(lèi)的“分裂”與“合并”

結(jié)束迭代的條件合并（類(lèi)數(shù)-1）每一類(lèi)中的像元個(gè)數(shù)少于期望的類(lèi)別最少像元數(shù)θN類(lèi)別的個(gè)數(shù)大于期望的類(lèi)別數(shù)K的2倍分裂（類(lèi)數(shù)+1）類(lèi)別的標(biāo)準(zhǔn)差大于類(lèi)別標(biāo)準(zhǔn)差閾值θS類(lèi)別的個(gè)數(shù)小于期望的類(lèi)別數(shù)K的1/2當(dāng)類(lèi)別數(shù)在一定范圍內(nèi)，類(lèi)別中心間的距離在閾值以上，類(lèi)別內(nèi)的方差的最大值在閾值以下ISODATA調(diào)整類(lèi)別數(shù)的準(zhǔn)則兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個(gè)閾值，說(shuō)明聚類(lèi)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)束類(lèi)別數(shù)：20迭代次數(shù)：20ISODATA類(lèi)別數(shù)：10迭代次數(shù)：10ISODATA優(yōu)點(diǎn)：不需要預(yù)先對(duì)待分類(lèi)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(huì)減少小的類(lèi)別能夠被區(qū)分出來(lái)缺點(diǎn)：盲目的聚類(lèi)難以對(duì)產(chǎn)生的類(lèi)別進(jìn)行控制，得到的類(lèi)別不一定是想要的類(lèi)別計(jì)算速度慢非監(jiān)督分類(lèi)方法的特點(diǎn)確定每個(gè)類(lèi)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(jì)算未知類(lèi)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(lèi)的思想監(jiān)督法分類(lèi)首先需要從研究區(qū)域選取有代表性的訓(xùn)練場(chǎng)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(duì)樣本像元進(jìn)行分類(lèi)，依據(jù)樣本類(lèi)別的特征來(lái)識(shí)別非樣本像元的歸屬類(lèi)別監(jiān)督法分類(lèi)主要步驟選擇訓(xùn)練樣本區(qū)確定類(lèi)別數(shù)對(duì)每類(lèi)選擇足夠多的有代表性的樣本分類(lèi)前分析樣本區(qū)質(zhì)量選擇合適的分類(lèi)算法分類(lèi)結(jié)果的精度評(píng)價(jià)準(zhǔn)確性——確保選擇的樣區(qū)與實(shí)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(lèi)地物光譜特性的波動(dòng)情況統(tǒng)計(jì)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)的選擇選擇訓(xùn)練區(qū)訓(xùn)練區(qū)與特征空間的聯(lián)系水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域建立類(lèi)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(lèi)主要的監(jiān)督分類(lèi)方法距離判別函數(shù)和距離判別規(guī)則最小距離分類(lèi)法最近鄰分類(lèi)算法平行六面體分類(lèi)法概率判別函數(shù)和貝葉斯判別規(guī)則最大似然分類(lèi)法基本思想是設(shè)法計(jì)算未知矢量X到有關(guān)類(lèi)別集群之間的距離，哪類(lèi)距離它最近，該未知矢量就屬于那類(lèi)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(lèi)法最小距離分類(lèi)法以一個(gè)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(lèi)，否則再與其它盒子比較這種分類(lèi)法在盒子重疊區(qū)域有錯(cuò)分現(xiàn)象，錯(cuò)分與比較盒子的先后次序有關(guān)平行六面體分類(lèi)法基本思想平行六面體分類(lèi)法最大似然分類(lèi)法地物類(lèi)數(shù)據(jù)在特征空間中構(gòu)成特定的點(diǎn)群，每一類(lèi)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(lèi)的多維數(shù)據(jù)就構(gòu)成了一個(gè)多維正態(tài)分布，各類(lèi)的多維正態(tài)分布模型各有其分布特征利用各類(lèi)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(duì)于任何一個(gè)像元，通過(guò)求出每個(gè)像素對(duì)于各類(lèi)別的歸屬概率（對(duì)于待分像元x，從屬于分類(lèi)類(lèi)別k的概率），把該像素分到歸屬概率最大的類(lèi)別中去最大似然分類(lèi)法最大似然分類(lèi)法利用概率判別函數(shù)與貝葉斯判別規(guī)則進(jìn)行分類(lèi)優(yōu)點(diǎn)：考慮特征空間中類(lèi)別的形狀、大小和定位缺點(diǎn)：計(jì)算量大，計(jì)算時(shí)間長(zhǎng)假定地物光譜特征呈正態(tài)分布根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類(lèi)類(lèi)別，避免出現(xiàn)一些不必要的類(lèi)別可以控制訓(xùn)練樣本的選擇可以通過(guò)檢查訓(xùn)練樣本來(lái)決定訓(xùn)練樣本是否被精確分類(lèi)，從而避免分類(lèi)中的嚴(yán)重錯(cuò)誤，分類(lèi)精度高避免了非監(jiān)督分類(lèi)中對(duì)光譜集群的重新歸類(lèi)分類(lèi)速度快監(jiān)督法分類(lèi)的優(yōu)點(diǎn)主觀性由于圖像中間類(lèi)別的光譜差異，使得訓(xùn)練樣本沒(méi)有很好的代表性訓(xùn)練樣本的獲取和評(píng)估花費(fèi)較多人力時(shí)間只能識(shí)別訓(xùn)練中定義的類(lèi)別監(jiān)督法分類(lèi)的缺點(diǎn)面向?qū)ο蟮姆诸?lèi)方法人工神經(jīng)網(wǎng)絡(luò)分類(lèi)法決策樹(shù)分類(lèi)法專(zhuān)家系統(tǒng)分類(lèi)法基于GIS的遙感圖像分類(lèi)方法模糊分類(lèi)方法數(shù)字圖像分類(lèi)新技術(shù)基于像素級(jí)別的信息提取以單個(gè)像素為單位，過(guò)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?lèi)方法首先對(duì)圖像數(shù)據(jù)進(jìn)行影像分割，影像的最小單元不再是單個(gè)的像素，而是一個(gè)個(gè)對(duì)象(圖斑)，后續(xù)的影像分析和處理也都基于對(duì)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(jì)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(lèi)結(jié)果面向?qū)ο蟮姆诸?lèi)方法決策樹(shù)分類(lèi)采取逐次分類(lèi)的方法，先確定特征明顯的大類(lèi)別，對(duì)每一大類(lèi)再作進(jìn)一步的劃分，直到所有類(lèi)別全部分出為止在不同層次可以更換分類(lèi)方法，也可以更換分類(lèi)特征，以提高這類(lèi)別的可分性決策樹(shù)分類(lèi)法城市非建筑物建筑物裸地植被樹(shù)木草地將原有的GIS數(shù)據(jù)和各種土地利用類(lèi)型變化的先驗(yàn)性知識(shí)綜合集成用于新的遙感圖像的分類(lèi)中，不僅可以促進(jìn)GIS數(shù)據(jù)更新的自動(dòng)化，而且還可以得到比常規(guī)最大似然法高的分類(lèi)精度基于GIS的遙感圖像分類(lèi)方法遙感影像經(jīng)分類(lèi)后形成的專(zhuān)題圖，用編號(hào)、字符、圖符或顏色表示各種類(lèi)別分類(lèi)后處理原始遙感圖像對(duì)應(yīng)的專(zhuān)題圖像用光譜信息對(duì)影像逐個(gè)像元地分類(lèi)，在結(jié)果的分類(lèi)地圖上會(huì)出現(xiàn)“噪聲”分類(lèi)后處理產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類(lèi)交界處的像元中包括有多種類(lèi)別，其混合的幅射量造成錯(cuò)分類(lèi)，以及其它原因等另外還有一種現(xiàn)象，分類(lèi)是正確的，但某種類(lèi)別零星分布于地面，占的面積很小，我們對(duì)大面積的類(lèi)型感興趣，因此希望用綜合的方法使它從圖面上消失分類(lèi)后處理分類(lèi)后處理多數(shù)平滑：平滑時(shí)中心像元值取周?chē)级鄶?shù)的類(lèi)別（少數(shù)服從多數(shù)原則）平滑前后的一個(gè)例子分類(lèi)精度評(píng)價(jià)混淆矩陣Kappa系數(shù)制約分類(lèi)精度的因素提高分類(lèi)精度的方法分類(lèi)后的誤差分析混淆矩陣是由n行n列組成的矩陣，用來(lái)表示分類(lèi)結(jié)果的精度混淆矩陣是通過(guò)將每個(gè)像元的位置和地面參考驗(yàn)證信息與計(jì)算機(jī)分類(lèi)結(jié)果中的相應(yīng)位置和類(lèi)別來(lái)比較計(jì)算的混淆矩陣（ConfusionMatrix）混淆矩陣的每一列代表了地表實(shí)測(cè)值（參考驗(yàn)證信息），每一列中的數(shù)值等于地表真實(shí)像元在分類(lèi)圖像中對(duì)應(yīng)于相應(yīng)類(lèi)別的數(shù)量混淆矩陣的每一行代表了計(jì)算機(jī)的分類(lèi)信息，每一行中的數(shù)值等于計(jì)算機(jī)分類(lèi)像元在地表真實(shí)像元相應(yīng)類(lèi)別中的數(shù)量混淆矩陣有150個(gè)樣本數(shù)據(jù)，這些數(shù)據(jù)在計(jì)算機(jī)分類(lèi)結(jié)果中被分成3類(lèi)，每類(lèi)50個(gè)。分類(lèi)結(jié)束后得到的混淆矩陣為：類(lèi)1的50個(gè)樣本有43個(gè)分類(lèi)正確，5個(gè)錯(cuò)分為類(lèi)2，2個(gè)錯(cuò)分為類(lèi)3類(lèi)2的50個(gè)樣本有45個(gè)分類(lèi)正確，2個(gè)錯(cuò)分為類(lèi)1，3個(gè)錯(cuò)分為類(lèi)3類(lèi)3的50個(gè)樣本有49個(gè)分類(lèi)正確，0個(gè)錯(cuò)分為類(lèi)1，1個(gè)錯(cuò)分為類(lèi)2混淆矩陣實(shí)際類(lèi)別類(lèi)1類(lèi)2類(lèi)3行和分類(lèi)類(lèi)別類(lèi)1435250類(lèi)2245350類(lèi)3014950列和455154矩陣主對(duì)角線(xiàn)上的數(shù)字就是分類(lèi)正確的像元數(shù)，主對(duì)角線(xiàn)上的數(shù)字越大，分類(lèi)精度越高；主對(duì)角線(xiàn)以外的數(shù)字就是錯(cuò)分的像元數(shù)，這些數(shù)字越小，錯(cuò)分率就越小，精度就越高精度評(píng)估的指標(biāo)總精度用戶(hù)精度生產(chǎn)者精度（制圖精度）混淆矩陣總精度：由正確分類(lèi)的總像元數(shù)（沿著主對(duì)角線(xiàn)上的元素的和）除以所包含的總像元數(shù)來(lái)計(jì)算(43+45+49)/150=91.3%混淆矩陣用戶(hù)精度由每一類(lèi)別被正確分類(lèi)的像元數(shù)目除以被分作該類(lèi)的總像元數(shù)（行元素之和）這個(gè)數(shù)字表示一個(gè)像元被分到指定類(lèi)別的可能性，這個(gè)指定類(lèi)別代表了地面的實(shí)際類(lèi)別類(lèi)1的用戶(hù)精度：43/50=86%類(lèi)2的用戶(hù)精度：45/50=90%類(lèi)3的用戶(hù)精度：49/50=98%混淆矩陣生產(chǎn)者精度由每一類(lèi)中正確分類(lèi)的像元數(shù)（位于主對(duì)角線(xiàn)上）除以該類(lèi)用做訓(xùn)練樣區(qū)的像元數(shù)目（列元素之和）這個(gè)數(shù)字表明指定覆蓋類(lèi)型的訓(xùn)練樣區(qū)集的像元被分類(lèi)后，它的效果有多好類(lèi)1的生產(chǎn)者精度：43/45=96%類(lèi)2的生產(chǎn)者精度：45/51=88%類(lèi)3的生產(chǎn)者精度：49/54=91%混淆矩陣?yán)荷诸?lèi)別的生產(chǎn)者精度為84%，用戶(hù)精度為60%。表示在分類(lèi)結(jié)果中有84%的森林被正確的分類(lèi)為森林，但所有分類(lèi)為森林的地區(qū)只有60%的地區(qū)真正屬于森林這個(gè)類(lèi)別混淆矩陣m=誤差矩陣中行的數(shù)量（即總的類(lèi)別數(shù)）xii=第i行第i列上的像元數(shù)量（即主對(duì)角線(xiàn)上正確分類(lèi)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(píng)估的總像元數(shù)量Kappa系數(shù)分類(lèi)總體精度與Kappa的區(qū)別：總體精度只用到了位于對(duì)角線(xiàn)上的像元數(shù)量Ka