7.2.5 分类结果后处理在线视频

今天我们来学习

《遥感数字图像处理理论与方法》

第七章

“遥感图像计算机分类”第二讲

在第一讲

我们介绍了

遥感图像计算机分类的

基本理论和方法

学习了监督分类

非监督分类的

常用算法

第二讲

我们主要介绍

分类结果后处理

分类结果精度评价

并简要介绍其它

遥感图像分类方法

我们来看看如何进行

分类结果后处理

分类结果后处理

包括分类错误的修改

目视解译

和手动编辑等后续处理

也包括细碎图斑处理

分类结果重编码

栅格转矢量格式等处理

本小节主要介绍

细碎图斑处理

监督分类或者非监督分类后

输出的分类图像

不可避免地生成一些零碎像元

我们称之为“细碎图斑”

这些由几个像元组成的“细碎图斑”

无论从专题制图

和实际应用角度

还是从图像美观的角度

都是应该被处理掉的对象

都有必要对这些

“细碎图斑”进行后处理

如图

这里展示了

分类结果图像上的“细碎图斑”

在图上共有A B C D

四个类别

分别使用

深黄色

浅黄色

红色

绿色表示

其中

由2个像元

1个像元

组成的红色图斑

即结果图像上的两处C类别

可视为“细碎图斑”

如何对其进行处理呢

如图

这里展示了原始遥感图像

和分类结果图像

左图是Landsat TM图像

采用标准假彩色方案合成

右图是分类结果图像

分出了

树木

草地

水域

人工建筑物

裸露地表

等不同的地物类别

很明显

分类结果图上

存在大量的“细碎图斑”

可以根据具体应用需求

设定一个具体阈值

当某些斑块的像元总数

小于该阈值时

可以定义为“细碎图斑”

目前

常用的细碎图斑处理方法包括

邻域分析

过滤处理

归并处理等

下面

我们一一讲解

我们来看看

如何使用邻域分析

开展分类结果后处理

第五章我们介绍过

邻域分析是

数字图像空间增强的

处理方法之一

这里将其应用于

分类结果的细碎图斑处理

基本思路是

在定义的邻域窗口内

利用众数函数

将窗口中心位置的

像元判为该窗口中

最多像元数的类别

通过卷积处理

遍历整个图像

实现图像邻域处理

如图

这里展示的是

3×3窗口的众数分析

在示例的3×3窗口内

包含有

人工建筑物（3个像元）

裸露地表（3个像元）

水域（1个像元）

植被（1个像元）

等4种地物类型

按照众数判别规则

3×3窗口中心位置处的像元

应该替换为

最多像元数的类别

即人工建筑物

或裸露地表类别

具体判别规则

依赖应用软件的具体算法

右图是该局部图像

完成全部邻域分析后的结果

可以看出

该3×3窗口中心位置处的像元

是采用人工建筑物类别替换的

这里展示的是3×3窗口的

众数分析后的输出结果图像

很明显

经过邻域分析处理后

结果图像的细碎图斑明显减少

目测处理后的图像

邻域分析达到了

我们去除细碎图斑的效果

这些细碎像元到哪里去了呢

稍加分析可以发现

细碎像元可能判别为

其他任何一种类别

主要依赖所处

卷积运算窗口内

像元空间分布特征

这种处理方式

是否存在缺点呢

我们来看看邻域分析

用于细碎图斑后处理有何问题

如图

这里展示的是

分类图像的众数分析结果

及邻近类别的

编码干扰示意图

左图是分类结果

右图是众数分析后的输出结果

对比两图可以发现

由于邻近类别的干扰

众数分析结果

相比分类的原始图像

已经产生了

较多像元数值变化

虽目视效果较好地实现

细碎像元归并

但对原始分类结果的精度保持

做的不够好

所以

邻域分析后

不可避免地带来归并后

图斑内的像元数值变化

能否只处理细碎像元

保留其它像元数值不变

我们来看看如何实现

只处理细碎像元

我们有两种处理办法

①将细碎像元剔除

设置为0值

即不参与分类

在处理细碎像元的同时

保留其它非细碎像元

数值不变

②根据地理事物的空间连续性原则

将细碎像元归并到

和它相邻类别

其它非细碎像元不参与处理

如图

这里展示的示意图是

原始分类结果图像

剔除处理后的结果图像

归并处理后的结果图像

在（a）图上

被剔除的两处C类别像元

都赋值为0

表示为黑色

在（b）图上

依据归并原则

分别被归入A类 B类中

接下来我们了解一下

剔除处理

归并处理的具体算法

我们来看看

过滤处理（即剔除处理）的

主要步骤和算法

主要步骤包括

第一步 邻近性分析

第二步 筛选

为何要开展邻近性分析

通过对分类专题图像

计算每个分类图斑的面积

记录相邻区域中

最大图斑面积的分类值等操作

产生一个

邻近性分析结果图像

其中每个图斑都包含

后续处理需要的类别属性

邻近性分析的输出结果

是中间结果

供下一步筛选处理使用

这里展示的是

分类专题图像和邻近性分析结果图像

左图是分类专题图像

包括

树木

草地

水域

人工建筑物

裸露地表等

不同的地物类别

由不同类别的像元

组成大小不一的不同图斑

该图像从图斑形态特征来看

和分类结果图像是一致的

但各个图斑的亮度值

呈现从上到下

从左至右

逐渐增加趋势

也即斑块的数值

是逐渐增大的

这是由图像的图斑的

编码特点决定的

邻近性分析结果图像的像元编码

是从图像左上角开始

从左至右

从上至下

按照图斑顺序编号

如图

每个图斑还包括多个类别属性

比如类别值

像元个数

文件坐标

地图坐标等

具备了这个邻近性分析

图像及其属性数据

后续筛选和归并等处理

就很容易实现了

我们来看看过滤处理的第二步

筛选

对经邻近性分析输出的结果图像

进行处理

按照定义的数值大小

筛选输出图像中较小的类别图斑

并给所有删除的小图斑

赋予新的属性值0

看图

左图展示了

在邻近性分析输出结果图像上

筛选出细碎像元

并将其对应图斑数值设置为0值

所以凡是细碎图斑存在区域

都呈现像元亮度为黑色

右图展示了

对左图进一步处理

恢复了经过筛选细碎像元后的

分类类别图像

其中

所有小图斑赋予新的属性值0

即不参与分类

显然

这里引出了一个新的问题

就是小图斑的归属问题

通常的处理方法是

可以与原分类图对比

确定其新属性

也可以通过空间建模方法

继续进行处理

我们来看看

归并处理和过滤处理

有何不同

过滤处理是用于删除

原始分类图像中的

细碎像元或细碎图斑

而归并处理

可以将删除的小图斑

合并到相邻的最大的分类当中

看图

这里展示了

归并处理和邻域分析的

结果图像对比

左图是原始分类图像

中图是经过

3×3窗口大小的

邻域分析处理后的分类图像

右图是经过

最小图斑设置为3个像元阈值

归并处理后的分类图像

从分类结果的细碎图斑处理结果

对比分析可以看出

归并处理比邻域分析的

像元类别精度保持度要高

各图斑的形态特征变化不大

同时细碎图斑也得到了有效合并

我们来简要介绍一下

后处理的分类重编码

和栅格到矢量的格式转换

分类重编码

修改初始分类赋给的类别值

并将其编码为另一类别值

该后处理在非监督分类中

应用较多

通常情况下

非监督分类的聚类数

在设定时

用户一般要比

类别数多一倍以上

因而需要在后处理过程中

将相同类别的分类结果归并

首先

将分类结果

与原始遥感图像分析对比

判断初始非监督聚类结果

输出每个类别的属性

然后

将具有相同属性类别

重新编码为同一数字

通过重编码进行归并

并定义类别名称和类别颜色

最后

输出分类结果重编码图像

另外

遥感图像分类的结果

有时需要转换为矢量数据格式

便于地理信息系统软件的

分析和制图

栅格到矢量格式转换的具体算法

请参考其它书籍