遥感导论第8章 数字图像计算机解译
遥感数字图像计算机解译
遥感数字图像计算机解译引言遥感技术是利用航空器、卫星等远离目标的载体获得目标的信息，并通过计算机对图像进行解析与处理的一种技术。
遥感数字图像计算机解译是对遥感数字图像进行分析、解释和提取有用信息的过程，广泛应用于地质勘探、环境监测、农业资源管理等领域。
本文将介绍遥感数字图像计算机解译的基本原理和方法。
一、遥感数字图像计算机解译的基本原理遥感数字图像计算机解译的基本原理是将遥感图像与相应的地学知识模型相结合，通过计算机进行图像处理和分析，最终得到目标物体或地物的相关信息。
其主要步骤包括数据预处理、图像增强、特征提取和分类识别等。
1. 数据预处理数据预处理是遥感数字图像解译的第一步。
这一步骤主要包括辐射校正、大气校正和几何校正等操作。
辐射校正是根据遥感图像的辐射亮度值来计算实际反射率，消除辐射因素的影响。
大气校正是根据大气光传输模型对遥感图像进行校正，消除大气散射的影响。
几何校正则是将遥感图像进行几何变换，去除图像的旋转、平移和拉伸等误差。
2. 图像增强图像增强是遥感图像解译的关键步骤，其目的是增强图像的对比度、清晰度和细节等特征，以便更好地提取目标信息。
常用的图像增强方法包括直方图均衡化、空间域增强、频域滤波等。
3. 特征提取特征提取是遥感图像解译的核心步骤，其目的是从图像中提取出与目标物体或地物相关的特征信息。
特征可以包括颜色、纹理、形状等。
常用的特征提取方法包括基于像素值的特征提取、基于频域变换的特征提取以及基于机器学习的特征提取等。
4. 分类识别分类识别是遥感图像解译的最终目标，其目的是将图像中的像素进行分类，将不同的地物或目标物体分别识别出来。
常用的分类识别方法包括像元分类、目标检测和物体识别等。
二、遥感数字图像计算机解译的应用遥感数字图像计算机解译在地质勘探、环境监测、农业资源管理等领域具有重要应用价值。
1. 地质勘探遥感数字图像计算机解译在地质勘探中可以帮助勘探人员对地质构造、地质体和矿产资源进行分析和解释。
计算机辅助遥感图像解译
计算机辅助遥感图像解译本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！随着计算机技术的发展，遥感技术的应用也越来越广泛。
遥感图像计算机解译是在计算机系统的支持下，综合应用地学分析，遥感图像处理，地理信息系统，来获取遥感图像的信息。
遥感影像具有较强的现势性和综合性，已经成为地图制图重要的数据来源之一。
本论文通过对ERDAS和ArcGIS软件的学习和研究，对遥感图像进行预处理，建立解译标志对高分辨率遥感图像进行计算机辅助解译，对解译后的遥感图像进行矢量化得到矢量图，在ArcGIS软件中对矢量图进行属性和拓撲关系的添加，经矢量图和遥感影像叠加处理，最终得到功能齐全的遥感影像地图。
1 引言伴随着计算机技术的日益发展，会更加迫切要求应用目视解译经和知识知指导遥感图像计算机解译。
遥感数字图像计算机解译是以遥感图像为研究对象，在计算机系统支持下，综合运用地学分析，遥感图像处理，地理信息系统以及模式识别与人工智能技术，实现地学专题信息的智能化获取[1]。
基于遥感图像可以客观真实和快速获取地球表层信息的优势，遥感数据被广泛应用于自然灾害评估，自然资源调查与评价，环境监测与军事侦察上等。
因此，利用计算机进行遥感图像解译，快速获取地表不同专题信息，利用这些专题信息能够迅速更新地理数据库。
这不仅是实现遥感图像自动理解的基础之一，而且也是地理信息系统中数据采集自动化研究的一个方向。
本次论文是在充分了解绵阳地域概况的情况下，并获取绵阳区域的TM影像图，利用遥感软件对该遥感影像进行预处理后，建立解译标志，对遥感影像进行人机交互解译，完成矢量化地图的制作，在GIS软件中进行属性和拓扑关系的添加;矢量地图和遥感影像叠加处理，最终得到功能齐全的遥感影像地图。
2 遥感图像预处理遥感信息是对地表状况的反映，但是卫星姿态、搭载扫描系统引起的遥感图像畸变大。
遥感图像计算机解译
遥感图像计算机解译1. 引言遥感图像是通过遥感技术获得的地球表面信息的数字表达。
利用计算机解译遥感图像可以广泛应用于农业、地质、水资源、环境保护等领域。
本文将介绍遥感图像计算机解译的基本概念、方法和应用。
2. 遥感图像计算机解译的基本概念遥感图像计算机解译是利用计算机进行遥感图像分析和解释的过程。
它包括图像预处理、特征提取、分类和结果分析等步骤。
2.1 图像预处理图像预处理是指对遥感图像进行修正和增强，使其适合进行后续的特征提取和分类。
常见的图像预处理方法包括辐射校正、几何校正和噪声去除等。
2.2 特征提取特征提取是指从遥感图像中提取出代表不同地物或目标的特征信息。
常用的特征包括色调、纹理、形状和空间分布等。
2.3 分类分类是将遥感图像按照一定的规则分成不同的类别。
常见的分类方法包括监督分类和无监督分类。
监督分类利用训练样本进行分类，而无监督分类则根据图像中的统计信息进行分类。
2.4 结果分析结果分析是对分类结果进行评估和验证。
常见的结果分析方法包括精度评定、验证样本和混淆矩阵等。
3. 遥感图像计算机解译的方法遥感图像计算机解译的方法主要包括基于像元的解译和基于对象的解译。
3.1 基于像元的解译基于像元的解译是基于图像的像素级别信息进行解译。
该方法主要利用图像的光谱信息，通过像素的颜色和亮度等特征进行分类。
3.2 基于对象的解译基于对象的解译是将图像中的像素组织成具有空间邻近关系的对象，再利用对象的形状、纹理和上下文信息进行分类。
该方法能够提取出地物的空间信息，并更好地克服图像中的噪声和不连续性问题。
4. 遥感图像计算机解译的应用遥感图像计算机解译在农业、地质、水资源和环境保护等领域有着广泛的应用。
4.1 农业利用遥感图像计算机解译可以对农业作物进行监测和评估。
通过提取农田的植被信息可以判断植被的生长状态和产量，并提供农业生产的决策支持。
4.2 地质遥感图像计算机解译可以用于地质勘查和矿产资源的调查。
《遥感导论》教案.doc
1 单波段摄影像片的解译(1) 可见光黑白像片和黑白红外像片的解译(2) 彩色像片与彩红外像片的解译2 多光谱扫描图像的解译(1) 多光谱扫描图像的特点(2) 多光谱扫描图像的解译方法3 热红外图像的解译4 雷达图像的解译(1) 雷达图像的解译要素及其特点(2) 雷达图像的处理3 目视解译的认知过程(3) 典型地物的散射特征与图像解译第八章遥感图像的计算机分类一、章节教案1.教学目标及基本要求（1）回顾数字图像的性质与特点、表示方法；（2）掌握数字图像分类原理、监督分类、非监督分类的具体方法及两种分类方法的区别；（3）了解遥感图像多种特征的抽取；（4）了解基于知识的分类、面向对象的分类、人工神经网络分类、模糊分类等分类方法的原理与过程；（5）掌握遥感图形分类结果的误差与精度评价方法。
2.教学内容及学时分配第一节概述第二节监督分类（2学时）第三节非监督分类（2学时）第四节其他分类方法（2学时）第五节误差与精度评价（2学时）3.教学重点和难点重点：数字图像的性质与特点、表示方法、数字图像分类原理、监督分类、非监督分类、遥感图像多种特征的抽取、遥感图像分类的其他先进方法。
难点：监督分类和非监督分类。
4.教学内容的深化和拓宽利用ENVI软件和Landsat数据进行演示。
5.教学方式（手段）及教学过程中应注意的问题教学方式（手段）：讲授法、演示法教学过程中应注意的问题：注重培养从的软件操作能力。
6.主要参考书目及网络资源《遥感技术基础与应用》，张安定等，科学出版社，2014。
《遥感导论》，梅安新，彭望琭，秦其明，等编著，北京：高等教育出版社，2001年。
《遥感概论》，彭望碌主编著，北京：高等教育出版社，2002年。
《遥感概论》修订版，吕国楷、洪启旺、郝允充等编著，北京：高等教育出版社，1995年。
《遥感应用分析原理与方法》，赵英时等编著.北京：科学出版社，2003年。
7.思考题和习题比较监督分类和非监督分类的优缺点？二、每课时单元教案1.教学时数2学时2.教学方式（手段）讲授法、演示法3.师生活动设计教师提问，学生回答。
遥感原理实验报告4数字图像与计算机解译
《遥感原理》实验报告实验名称：遥感数字图像计算机解译专业：地理信息科学学号：姓名：指导老师：1、实验目的（1）了解并掌握非监督分类的过程和方法；（2）了解并掌握最大似然比分类法的过程和方法。
2、实验材料ENVI5.13、实验内容与过程3.1非监督分类首先打开ENVI 5.1，然后点击File/open ,打开待分类影像tmsub.img，在Layer Manager中右击图像选择Change RGB Bands改变显示波段5-4-3，之后选择进行影像分析，大体上估计影像主要类别的数量。
一般非监督分类的分类数量比最终分类数量多2—3倍为宜，这样有利于提高分类精度。
然后进行非监督分类，在软件右侧Toolbox/Classification /Unsupervised Classification,然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的Classification Input File对话框中选择tmsub.img ，如下图；注：分类器的选择——IsoData重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据新均值，对像元进行再分类。
K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的，然后迭代地重新配置他们，完成分类过程。
点击ok，弹出ISODATA Paramenters对话框，分类的数量Number of Classes:5-15（因为该幅影像最终想要分5类），迭代次数Maximum Iterations：20（迭代次数越多越精确，同样处理的也较慢），其他的阈值、最小像素、标准差等都保持默认设置就可以，然后选择输出路径和文件名，设置参数如下图：点击ok，软件开始分类，下图为自动分类后的图：然后进行类别合并，选择Toolbox/Classification/Post Classification/Combine Classes,在弹出的对话框中选择非监督分类后的影像点击ok，把同一类合并成一类，如下图，点击ok后，选择输出文件和Remove Empty Class 选择YES，可以得到结果。
第八章遥感数字图像计算机解译(分类)
教学目的和教学要求：
1.了解：遥感数字图像计算机分类原理
2.掌握：遥感数字图像计算机分类过程
3.重点掌握：遥感数字图像计算机分类方法 本章知识点和教学内容： 一、分类原理 二、分类过程 三、分类方法 学时：2学时
授课方法：讲授
遥感图像多种特征的提取
地物边界跟踪法 点状和面状 形状特征提取
线状
空间关系特征提取
方位关系 包含关系 相邻关系
相交关系
相贯关系
组统计特征值，然后按照一定准则作出决策，
从而对数字图像予以识别。
分类过程中采用的统计特征变量包括：
全局统计特征变量——整个
局部统计特征变量——各个单元
分类的依据是遥感图像像素的相似度
度量特征空间中的距离经常采用以下算法：
（1）绝对值距离：
（2）欧氏距离
（感数字图像计算机解译
以遥感数字图像为研究对象，在计算机系统
支持下，综合运用地学分析、遥感图像处理、
地理信息系统、模式识别与人工智能技术，
实现地学专题信息的智能化获取。
一、分类原理
遥感数字图像分类
——是通过模式识别理论，利用计算机将遥感
图像自动分成若干地物类别的方法。
统计模式识别的关键是提取待识别模式的一
（5）相关系数
二、分类基本过程
监督分类
又称训练分类法：
分析者在图像上对每一种 类别选取一定数量的训 练区，
1.平行算法
2.最小距离分类法
3.最大似然法
监督分类的实例
非监督分类
分级集群法 动态聚类法
（ISODATA）
遥感图像计算机解译
遥感图像计算机解译
一个对象可以具有多个特征值，多个特征值构成 多维的特征空间。 遥感图像计算机分类的基础是遥感像素的相似度。 常使用距离和相关系数来衡量相似度。 距离及相关系数的算法： 1）绝对值距离 dij=∑∣xik-xjk︱
遥感图像计算机解译
2）欧氏距离 dij= （∑（xik-xjk）2）0.5 3）马氏距离 d2=（Xi-Xj）Cov-1（Xi-Xj） 4）特征空间中一点i到g类均值间距离 dig= ∑∣xik-Mgk︱ 5）相关系数
遥感图像计算机解译
Lk（x）={（2∏）n/2 *（det∑k）1/2}-1 * exp{（-1/2）*（x-uk）t ∑k-1 （x-uk）}P（k） 式中， n为特征空间的维数； P（k）为的先验概率； Lk（x） 为像素归并到类别的判别函数； x 为像素向量；uk为类别的均值向量（n维）； det为行列式函数； ∑k为类别k的方差、协方差矩阵（n*n维） 各类别的训练数据要达到特征维数的3倍以上； 如果有的波段相关性很强，则先要采取主成分变
计算机分类包括监督和非监督分类
监督分类方法：根据已知训练场地提供的样本，
通过选择特征参数，建立判别函数对各待分类点 进行分类的方法。 非监督分类方法：事先不知道类别特征，根据 像元间相似度的大小进行归类合并的方法。 监督分类包括两个阶段：建立判别函数的学 习过程、把待分像元代入判别函数进行判别的过 程。 “学习”时训练场地的选取有要求：样本种 类与待分区域的类别一致、样本要具有代表性、 采用最大似然法的样本应尽量满足正态分布、样 本得有足够的数量。
遥感图像计算机解译
由于受到天气情况、大气散射等因素的影响，同 类地物所呈现的特征曲线并不完全相同，而是在 标准特征曲线附近摆动。因此以标准特征曲线为 中心条带构造一个窗口，落入其中的被认为是同 类，否则不是。 特征曲线可以是吸收特征曲线，也可以 是亮度特征曲线。 4）最大似然比分类法 通过计算每个像素对于各类别的归属概率， 把该像素分到概率最大的类别中去。
遥感数字图像计算机解译
（2）属性量化
遥感像片离散采样后，可得到由多个离散像点组合表示的 图像。每个像素点对应的仍然是连续变化的亮度、颜色， 他们还要进一步离散并归并到各个区间，才能被计算机识 别，分别用有限个整数来表示，这称之为量化。在实际操 作中，一般把遥感像片上连续变化的黑－灰－白的亮度量 化为64级或256个灰度级。 为了便于处理和分析，遥感像片数字化一般采用均匀采样 和等距量化处理。 遥感像片的数字化可以利用扫描仪将像片进行扫描到计算 机中实现，现在一般在传感器接收光谱信息的时侯直接采 用数字形式来存储数据。
➢ 就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地 表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差 值处理、主成分变换以及K-T变换等），以寻找能有效描述地物类别 的特征变量，然后利用这些特征变量对数字图像进行分类。分类是对 图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥 感图像中多种地物的目的。
由于利用遥感图像能够快速、真实、客观地获取地球表 层信息，因此，利用计算机进行遥感图像智能化解译，快速 获取地表不同专题信息，并利用这些专题信息迅速地更新地 理数据库，是实现遥感图像自动解译的基础研究，具有重要 的理论意义和应用前景。
主要内容
1 遥感数字图像的性质和特点 2 遥感数字图像的计算机分类（重点，难点） 3 遥感数字图像多种特征的抽取（了解） 4 遥感图像解译专家系统（了解概念）
Landsat数据的内容
头文件
1.3 遥感像片的数字化
由于计算机只能处理数字信息，因此遥感像片 必须经过数字化才能被计算机处理和分析。遥 感像片数字化的过程包括：
➢ 空间采样 ➢ 属性量化
（1）空间采样
确定空间采样间距，例如在水平和垂直方向上分别以1／ 100cm间距作为采样间距。将图像进行空间分割，使之成为 由多个格网单元构成的图像，每个格网单元分别代表一个像素 点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
地球信息系 赵珊珊
概述
精度评价
•
混淆矩阵
• • • •
运行误差（Commit Error） =(E+F)/G 用户精度（User’s Accuracy） =A/G =100%-运行误差 结果误差（Omission Error） = (B+C)/D 生产者精度(Producer’s Accuracy)= A/D =100%-结果误差
地球信息系 赵珊珊
概述
新分类方法
• 计算机解译主要技术发展趋势
• • 计算机解译新方法的应用 混合像元的分解
地球信息系 赵珊珊
概述
影响分类的有关因素
• 未能充分利用遥感图像的多种信息
地球信息系 赵珊珊
概述
影响分类的有关因素
• • • • • 提高遥感图像分类精度受到限制 大气效应 下垫面 地物复杂，地形起伏，边界不规律 实地调研
地球信息系 赵珊珊
概述
地球信息系 赵珊珊
概述
数字图像分类方法
► ► 最小距离判别法 最近邻域分类法
• 监督分类
1. 最小距离分类法
地球信息系 赵珊珊
概述
数字图像分类方法
• 监督分类
2.
最大似然比分类法
通过求出每个像素对于各类别的归属概率，把该 像素分到归属概率最大的类别中去。 假定训练区地物的光谱特征和自然界大部分随机 现象一样，近似服从正态分布。
地球信息系 赵珊珊
概述
影响分类的有关因素
• 提高分类策略
• 优化特征变量 • 优化训练区 • 充分利用空间信息
地球信息系 赵珊珊
概述
作业
• 监督分类和非监督分类常见的方法有哪几 种？试比较监督分类与非监督分类的优缺 点。
地球信息系 赵珊珊
概述
本章结束
地球信息系 赵珊珊
概述
精度评价
地球信息系 赵珊珊
概述
新分类方法
• 计算机解译主要技术发展趋势
• 计算机解译新方法的应用
（1）人工神经网络(Artificial Neural Networks)在遥感图 像识别中的应用。 （2）小波分析在遥感图像识别中的应用。 （3）分形技术在遥感图像识别中的应用。 （4）模糊分类方法遥感图像识别中的应用。
地球信息系 赵珊珊
概述
数字图像分类方法
• 分类后处理与误差分析
1. 2. 3. 4. 聚类统计（小斑的类别的合并） 过滤分析（筛滤） 去除分析（临近类别的归并） 分类重编码（非监督分类）
地球信息系 赵珊珊
数字图像分类方法
• 精度评价
地球信息系 赵珊珊
概述
精度评价
•
检验数据
检验数据主要来自于地面实况的调查或 更高空间分辨率的航空图像的目视解译 结果。 根据航空影像解译结果往往产生保守的 精度。
地球信息系 赵珊珊
m
i
概述
精度评价
• Kappa统计用到了混淆矩阵中每一个元素， 用来度量实际吻合（Actual Agreement） 和变化吻合（Change Agreement），比只 计算总体精度要合理些。它在评价不同分 类器的分类精度上耕具有统计意义上的辨 析能力。 • Kappa统计的意义是：如果Kappa统计为0.7， 则表示所用的分类方法比随机赋予各点某 一类别的方法优越70%。目前kappa统计也 成为评价分类结果的一个标准参数。 地球信息系 赵珊珊
► ► ► ►
•
概述
地球信息系 赵珊珊
2. 数字图像分类方法
• 非监督分类
2.
概述
动态聚类法
►
在初始状态给出图像粗糙的分类，然后基于一定 原则在类别间重新组合样本，直到分类比较合 理为止。 ► ISODATA （Iterative-Orgnizing Data Analysize Technique ） ► 迭代过程中有类别的合并和分裂，类别总数可变。
地球信息系 赵珊珊
概述
数字图像分类方法
• 监督分类与非监督分类比较
• 根本区别在于是否利用训练场地来获取先验的 类别知识。 监督分类的关键是选择训练场地。训练场地要有 代表性，样本数目要能够满足分类要求。此为监 督分类的不足之处。 非监督分类不需要更多的先验知识，据地物的光 谱统计特性进行分类。当两地物类型对应的光谱 特征差异很小时，分类效果不如监督分类效果好
地球信息系 赵珊珊
概述
监 遥 督 图 感 分 例 影 类 像 图
地球信息系 赵珊珊
概述
数字图像
• • • • •
单位：像素 方法：灰度量化；数字化 特点：便于处理；信息损失小；抽象 存储：二维矩阵 分类：波段数量
地球信息系 赵珊珊
概述
2.计算机分类
• 统计模式识别技术 • 分类依据：地物光谱特征 • 统计特征变量
地球信息系 赵珊珊
概述
本章主要内容
• 计算机分类的基本概念 • 非监督分类 • 监督分类 • 分类后处理
地球信息系 赵珊珊
概述
计算机解译
• 以遥感数字图像为研究对象，在计算机系 统支持下，综合运用地学分析、遥感图像 处理、地理信息系统、模式识别与人工智 能技术，实现地学专题信息的智能化获取。
• ——自动分类
地球信息系 赵珊珊
精度评价
• Kappa统计
• 总体精度并不能排除偶然一致性，因此一 些研究人推荐使用Cohen（1960）提出的 Kappa统计评价方法。 Kappa统计也是根据混淆矩阵来计算。
•
ˆ k
N X X X
ii i i 1 i 1
m
m
i
N X X
2 i i 1
地球信息系 赵珊珊
数字图像分类基本过程
1. 2. 3. 4. 5. 6. 7. 8. 根据图像分类目的选取特定区域的遥感数字图像，需考 虑图像的空间分辨率、光谱分辨率、成像时间、图像质 量等。 根据研究区域，收集和分析地面参考信息和有关数据。 根据分类要求和图像数据的特征，选择合适的图像分类 方法和算法。 找出代表这些类别的统计特征。 为测定总体特征，在监督分类中可选择据有代表性的训 练场地进行采样，测定其特征。在非监督分类中，可用 聚类等方法对特征相似的像素进行归类，测定其特征。 对遥感图像中各像素进行分类。 分类精度检查。 对判别分析的结果统计检验。
► ►
地球信息系 赵珊珊
概述
数字图像分类方法
• 监督分类
3.
特征曲线窗口法
特征曲线是地物光谱特征曲线参数构成的曲线。 以特征曲线为中心取一个条带，构造一个平行管 道，凡是落在此管道内的地物即被认为是一类， 反之，则不属于该类。
► ►
地球信息系 赵珊珊
概述
数字图像分类方法
• 监督分类步骤
1. 选择有代表性的训练场，确定各地物范围界限 2. 统计各类地物光谱值，提取各地物的数值特征 3. 确定分类判别函数 4. 确定分类参数、阈值等；各类地物像元数值分 布都围绕一个中心特征值散布在空间的一定范 围，因此给出各类地物的判别阈值，限定分布 范围，即可构成分征中选取k个更有效特征的过程
• 特征空间
地球信息系 赵珊珊
概述
•
计算机分类的依据是图像像素的相似度。
1. 使用距离衡量相似度时，距离越小相似度越大
2. 使用相关系数衡量相似度时，相关程度越大，相 似度越大
•
1.
计算机分类方法（模式识别：光谱，时间）
监督分类法：首先从研究区域选取有代表性的训练场地
作为样本。根据已知训练区提供的样本，通过选择特征参 数，建立判别函数，据此对样本像元进行分类，依据样本 类别特征来识别非样本像元的归属类别。
2.
非监督分类法：在没有先验类别（训练场地）作为样本
的条件下，即事先不知道类别特征，主要根据像元间相似 度的大小来进行归类合并（将相似度大的像元归为一类） 的方法。
地球信息系 赵珊珊
概述
2. 数字图像分类方法
• 非监督分类
1.
概述
分级集群法(均值)
确定评价各样本相似程度所采用的指标 初定分类总数N 计算样本间的距离，据距离最近原则将样本归并 到相应地类 归并后的类别作为新类，与剩余的类别重新组合， 重新计算改正距离值。 分级进行，初始像元操作次序会影响分类结果。 地球信息系 赵珊珊
遥感处理软件中通过定义ROI来实现。
地球信息系 赵珊珊
概述
精度评价
• 采样方法
①简单随机采样（Simple Random Sampling） ②分层随机采样（Stratified Simple Random Sampling） ③聚类采样（Cluster Sampling） ④系统采样（System Sampling） ⑤分层系统采样（Stratified System Sampling）