基于多源遙感數(shù)據(jù)的森林植被類型分類方法研究 基于多源遙感數(shù)據(jù)的森林植被類型分類方法研究摘要：森林是地球上最大的陸地生態(tài)系統(tǒng)，是人類賴以生存和發(fā)展的必要基礎(chǔ)。它不僅給人類提供豐富的木材和林副產(chǎn)品，而且在調(diào)節(jié)氣候、涵養(yǎng)水源、保護(hù)環(huán)境等方面均起到重要作用。因此，開展森林資源調(diào)查，掌握森林資源現(xiàn)狀及其變化，對于提高林業(yè)發(fā)展決策水平，促進(jìn)林業(yè)和社會經(jīng)濟(jì)乃至全球環(huán)境的可持續(xù)發(fā)展等本文利用云南省迪慶藏族自治州五境鄉(xiāng)、小中甸、光譜影像融合后形成的多遙感數(shù)據(jù)對森林植被類型分類統(tǒng)的監(jiān)督分類中的最小距離法、最大似然法和基于專家知識的決策樹分類法的實(shí)驗(yàn)，而且還嘗試了面向?qū)ο蟮男碌姆诸惙椒ǎ瑢Σ煌姆诸惙椒ㄟM(jìn)行了分類精度的對比，從而提出一個基于多遙感數(shù)據(jù)的森林植被類型分類似然法；面向?qū)ο驝lassificationofForestTypesBasedonMulti-sourceRemoteSensingDataAbstract:Forestisthelargestterrestrialecosystemontheearth,itisanecessarybasisforhumanexistenceanddevelopment.Itisnotonlytoprovidepeoplewithrichtimberandforestby-products,butalsoplayanimportantroleinclimateregulation,waterconservationandprotectenvironment.Therefore,developingforestresourcesinvestigation,gettingthestatusandchangesofforestresources,forimprovingthelevelofdecision-makingtopromotetheforestrydevelopment,forestryandsocialeconomyandeventheglobalenvironmentsustainabledevelopmenthastheextremelyvitalsignificanceBasedonremotesensingdataacquiredbytheDiqingTibetanAutonomousPrefectureinYunnanProvincefiveJingXiang,Zhongdian,JiangXiangwhichisresearchedonthetypesofforestvegetationclassification,includingtheminimumdistancesupervisedclassificationinthetraditionalmethod,maximumlikelihoodmethodanddecisiontreebasedonexpertknowledgeclassificationexperimentsbyENVIandobject-orientedclassificationbyENVIEX，ondifferentclassificationmethodswerecomparedbytheclassificationaccuracy,andputforwardafeasiblesuggestionbasedonthetypesofforestvegetationclassificationmethod.Keywords:Remotesensing;Imageclassification;SPOT5;minimumdistanceclassifier;maximumlikelihoodclassifier;object-orientedclassification.第一章緒論森林是地球上最大的陸地生態(tài)系統(tǒng)，是人類賴以生存和發(fā)展的必要基礎(chǔ)，是經(jīng)濟(jì)建設(shè)和生態(tài)環(huán)境建設(shè)中不可缺少的可再生資源。作為陸地覆蓋的重要組成部分，森林不僅給人類提供豐富的木材和林副產(chǎn)品，還具有調(diào)節(jié)氣候、涵養(yǎng)水源、保護(hù)環(huán)境、減緩污染等生態(tài)護(hù)功能，對于保護(hù)生物多樣性、維護(hù)大氣平衡等極為重要。據(jù)會可持續(xù)發(fā)展的重要物質(zhì)基礎(chǔ)。因此，開展森林資源調(diào)查，掌握森林資源現(xiàn)狀和消長變化情況，預(yù)測其發(fā)展變化趨勢，為國家制定重大林業(yè)生產(chǎn)規(guī)劃和林業(yè)生產(chǎn)政策代，遙感技術(shù)作為一種重要的資源監(jiān)測手段，具有宏觀性、綜合等。近三十多年來，國內(nèi)外學(xué)者對遙感技術(shù)在森林資源調(diào)查和監(jiān)測中的運(yùn)用進(jìn)行了大量的探討與研究，取得了非常不錯的成績[2]?；谶b感技術(shù)的森前最小面積過大，森林分類精度不高，遙感估測精度達(dá)不到林業(yè)生產(chǎn)的要求，這些問題在森林分布破碎、類型多樣和結(jié)構(gòu)復(fù)雜的南方地區(qū)尤為突出。司得到廣泛的應(yīng)用。由于不同領(lǐng)域遙感圖像的應(yīng)用對遙感圖像處理提出了不同的要要的環(huán)節(jié)——圖像分類也就顯得尤為重要。遙感圖像通過亮度值或像元值的高低差異(反映地物的光譜信息)及空間變化(反映地物的空間信息)來表示不同地物的差異。這是區(qū)分不同圖像地物的物理基礎(chǔ)。遙感圖像分類就是利用計(jì)算機(jī)通過對遙感圖像中各類地物的光譜信息和空間信息進(jìn)行分析，選擇特征，將圖像中每個像元按照某種規(guī)則或算法劃分為不同的類別，然后獲得遙感圖像中與實(shí)際地物的對應(yīng)信息，從而實(shí)現(xiàn)遙感圖像的分類。目前隨著各種新理論新方法的相繼涌現(xiàn)，遙感圖像存在多種分類方法，所以本文主要是選取幾種常用的監(jiān)督分類方法和ENVIEX提供的面向?qū)ο蠓诸惙椒ㄓ脤?shí)驗(yàn)結(jié)果表明它們之間存在的差異。形化，獲得理想的分類器，達(dá)到提高森林種類分類的精度。為遙感技術(shù)在森林資源調(diào)查、森林資源監(jiān)測和遙感信息提取有借鑒意義。拉縣建堂鎮(zhèn)，距省城昆明市608千米。本實(shí)驗(yàn)以云南省迪慶藏族自治州的森林為研究對象，以多遙感數(shù)據(jù)為基礎(chǔ)，利用不同森林種類的光譜特征及紋理等特征，進(jìn)行類型分類方法的可行性建議。 (1)研究數(shù)據(jù) 分辨率的多光譜影像的融合影像，圖像成像質(zhì)量較好，影像格式為tif格式，投影方式為UTM，坐標(biāo)系統(tǒng)為WGS84。本文采用的分類數(shù)據(jù)為2008年迪慶藏族自治州林相圖和二調(diào)數(shù)據(jù)，并且利用谷歌地球?qū)栴}區(qū)域的分類樣本正確性進(jìn)行了檢 (2)技術(shù)路線運(yùn)用ENVI軟件自帶的監(jiān)督分類方法中的最小距離法、最大似然法對同一區(qū)域采用同一ROI(感興區(qū)域)樣本進(jìn)行土地利用分類。并結(jié)合驗(yàn)證ROI利用混淆矩陣和像進(jìn)行面向?qū)ο筇卣魈崛?。并采用基于圖像信息綜合評價(jià)方法,對該分類結(jié)果圖像特征取最大似然法最小距離法策樹最大似然法最小距離法策樹塊 第二章圖像分類原理監(jiān)督分類方法，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，通過選擇特征參數(shù)(如像素亮度均值、方差等)，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)督分類的關(guān)鍵是訓(xùn)練場地的選擇，其選擇的質(zhì)量將直接影響到分類結(jié)果的可靠性[3]。有時僅僅考慮在某特定時間和空間內(nèi)選取訓(xùn)練樣本還是不夠的，為了提高分類的精度，所以有必要研究一些新的分類算法，比如：基于專家知識的決策樹分類、支持向量機(jī)、面向?qū)ο髨D特征提取等方法(本文主要應(yīng)用第三種新分類方法)。數(shù)據(jù)獲取和預(yù)處理特征選擇分類器設(shè)計(jì)圖像分類遙感圖像監(jiān)督分類處理的基本過程，包括原始圖像的預(yù)處理、訓(xùn)練樣本的選擇、特征的選擇和特征提取、分類器設(shè)計(jì)、圖像分類、結(jié)果輸出以及結(jié)果檢驗(yàn)等。本實(shí)驗(yàn)選用基于最小距離和最大似然法的監(jiān)督分類兩種方法。 (1)基于最小距離法的監(jiān)督分類最小距離分類法是以特征空間中的距離作為像素分類的依據(jù)。首先由訓(xùn)練樣本多維空間中的中心位置。計(jì)算輸入圖像中的每個像元到各類的距離，到哪一類中心的別函數(shù)[4]。 (2)基于最大似然法的監(jiān)督分類 最大似然法因有嚴(yán)密的理論基礎(chǔ)，對于呈正態(tài)分布的類別判別函數(shù)易于建立，綜合應(yīng)用了每個類別在各波段中的均值，方差以及各波段之間的協(xié)方差，有較好的統(tǒng)計(jì)特性，一直被認(rèn)為是最先進(jìn)的分類方法之一。最大似然法是建立在貝葉斯準(zhǔn)則基礎(chǔ)上的，其分類錯誤概率較小，是監(jiān)督分類方法中風(fēng)險(xiǎn)最小的判決分析，是典型的和應(yīng)用最廣的監(jiān)督分類方法，偏重于集群分布的統(tǒng)計(jì)特性，并假定訓(xùn)練樣本數(shù)據(jù)在光譜空間服從高斯正態(tài)分布。用最大似然法分類，具體分為三步：首先確定各類的訓(xùn)練樣本，再根據(jù)訓(xùn)練樣本計(jì)算各類的統(tǒng)計(jì)特征值，建立分類判別函數(shù)，最后逐點(diǎn)掃描影像各像元，將像元特征向量代入判別高，是較好的一種分類方法。不足的是傳統(tǒng)的人工采樣方法工作為：分量的位置是否已經(jīng)相互配準(zhǔn)；2)根據(jù)已掌握典型地區(qū)的地面情況，在圖像上選擇訓(xùn)練區(qū)；3)根據(jù)選出的各類訓(xùn)練區(qū)的圖像數(shù)據(jù)，確定先驗(yàn)概率；4)分類，將訓(xùn)練區(qū)以外的圖像像元逐個逐類地代入公式2.2，對于每個像后的像元值用類別值替代，最后得到分類專題圖像，因最大灰階值等于類別數(shù)，在監(jiān)視器上顯示時需要給各類加上不同彩色；果滿意為止。jijijT (3)監(jiān)督分類的主要特點(diǎn)監(jiān)督分類可控制訓(xùn)練樣本的選擇，并可通過反復(fù)檢驗(yàn)訓(xùn)練樣本，以提高分類精度(避免分類中的嚴(yán)重錯誤)；可避免非監(jiān)督分類中對光譜集群組的重新歸類。主要缺點(diǎn)：人為主觀因素較強(qiáng)；訓(xùn)練樣本的選取和評估需花費(fèi)較多的人力、時間；只能識別訓(xùn)練樣本中所定義的類別，對于因訓(xùn)練者不知或因數(shù)量太少未被定義的類別，監(jiān)督分類不能識別，從而影響分類結(jié)果(對土地覆蓋類型復(fù)雜的地區(qū)需特別注意)。3.1基于專家知識的決策樹分類構(gòu)建要利用分類者的生態(tài)學(xué)和遙感知識先驗(yàn)確定、其結(jié)果往往與其經(jīng)驗(yàn)和專業(yè)知識水平密切相關(guān)的問題，而是通過決策樹學(xué)習(xí)過程得到分類規(guī)則并進(jìn)行分類，分類樣本屬于嚴(yán)格“非參”，不需要滿足正態(tài)分布，可以充分利用GIS數(shù)據(jù)庫中的地學(xué)知識輔助分類，大大提高了分類精度。個內(nèi)樹的葉結(jié)點(diǎn)對應(yīng)一個類別屬性值，不同的葉結(jié)點(diǎn)可以對應(yīng)相同的分類修剪決策評估決策待分?jǐn)?shù)劇分類結(jié)則集決策樹技術(shù)應(yīng)用于遙感影像的土地利分類過程中的優(yōu)點(diǎn)：決策樹方法不需要假設(shè)先驗(yàn)概率分布，這種非參數(shù)化的特點(diǎn)使其具有更好的靈活性，因此，當(dāng)遙感影像數(shù)據(jù)特征的空間分布很復(fù)雜，或者多源數(shù)據(jù)各維具有不同的統(tǒng)計(jì)分布和尺度時，用決策樹分類法能獲得理想的分類結(jié)果；決策樹技術(shù)不僅可以利用連續(xù)實(shí)數(shù)或離散數(shù)值的樣本，而且可以利用“語義數(shù)據(jù)”，比如離散的語義數(shù)值：東、南、西、北、東南、東北、西南、西北；。決策樹方法生成的決策樹或產(chǎn)生式規(guī)則集具有結(jié)構(gòu)簡單輸入到專家系統(tǒng)中，而且對于大數(shù)據(jù)量的遙感影像處理更有優(yōu)勢；決策樹方法能夠有效地抑制訓(xùn)練樣本噪音和解決屬性缺失問題，因此可以解決由于訓(xùn)練樣本存在噪精度降低的問題。 (1)決策樹的規(guī)則分析征。對遙感影像的特征生成來說，如何由原始特征逐漸衍生 出各種不同層次的特征。特征選擇是提取最佳的特征即既有最大區(qū)分能力的數(shù)據(jù)集進(jìn)行分類。不同地物在相同波段上表現(xiàn)得灰度值不一樣，同時不同地物在多波段影像上呈現(xiàn)的灰度值也不一樣。平均灰度值平均灰度值用地 (2)決策樹規(guī)則構(gòu)建通過對各波段各分類樣本的平均灰度值進(jìn)行對比，發(fā)現(xiàn)以下可行規(guī)則：1)植被的NDVI波段最小值為0.112，而非植被的NDVI波段最大值為﹣0.0085，可以考慮以此波段進(jìn)行第一步分類，將所有影像地物分為植被與非植2)在非植被的各個類別中，以平均灰度值差值最大為最優(yōu)波段，可以考慮選擇PCA1波段將非植被進(jìn)一步分類為水體、陰影和裸地、雪地及建筑用地。3)在植被的各個類別中，也是以平均灰度值差值最大為最優(yōu)波段，可以考慮A 面向?qū)ο蠓诸惣夹g(shù)集合臨近像元對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜的空間、紋理和光譜信息對圖像分割和分類，以高精度的分類結(jié)果或者矢量輸出。它主要分為兩部分過程：影像對象構(gòu)建和對象的分類。影像對象構(gòu)建主要用了影像分割技術(shù)，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法，這種方法綜合遙感圖像的光譜特征和形狀特征，計(jì)算圖像中每個波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個波段所占的權(quán)重，計(jì)算圖像所有波段的加權(quán)值，當(dāng)分割出對象或基元的光譜和形狀綜合加權(quán)值小于某個指定的圖像的多尺度分割操作[7]。表2-3：傳統(tǒng)基于光譜、基于專家知識決策樹與基于面向?qū)ο蟮挠跋穹诸悓Ρ扔跋竦淖钚∮跋竦淖钚卧m用數(shù)據(jù)源基本原理地物的光譜信息地物的光譜信息空間關(guān)系和其他上下文關(guān)系歸類幾何信息、結(jié)構(gòu)信息以及光譜信息譜和高光譜影像譜和全色影像豐富的空間信息利用率幾乎為零知識獲取比較復(fù)雜速度比較慢單個的影像像元單個的影像像元一個個影像對象傳統(tǒng)基于光譜的分類方法基于專家知識的決策樹面向?qū)ο蟮姆诸惙椒ɑ谙裨姆诸惙椒?，依?jù)主要是利用像元的光譜特征，大多應(yīng)用在中低分辨率遙感圖像。而高分辨率遙感圖像的細(xì)節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾。而面向?qū)ο蠓诸惙椒梢岳酶叻直媛蕡D像豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息，可以結(jié)合專家知識進(jìn)行分類，可以顯著提高分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來 后模式實(shí)時獲得立體像對，運(yùn)營性能有很大改善，在數(shù)據(jù)壓縮、存儲和傳輸?shù)确矫鎸挾让Q段近紅外波段短波紅外)地物本身的存在、變化和差異等特征是通過地物發(fā)射的波譜信息來反映的，遙感信息就是記錄地表物體電磁波輻射數(shù)量與性質(zhì)變化的數(shù)據(jù)，實(shí)際上它所獲取的主要是地物的光譜特征值，屬譜類，而地面的實(shí)際信息屬信息類。理論上光譜類和信譜特征值，據(jù)此遙感信息將地面上的復(fù)雜地類區(qū)別開來。但由于遙感影性，而且不同時相不同地域表現(xiàn)出不同的特點(diǎn)[10]。同時，地物光譜特征又是大氣校正、傳感器波段選擇、計(jì)算機(jī)自動分類以及用戶判讀、識別和分析等遙感過程的在不同的地理位置上進(jìn)行采樣，計(jì)算典型地類的樣本灰度均值，最后得到每種植被類型在9個波段上的光譜響應(yīng)值和光譜變化曲線。I從上述統(tǒng)計(jì)資料中可發(fā)現(xiàn)： (1)各個植被類型之間，光譜響應(yīng)曲線在部分波段上相近且表現(xiàn)出相似的變(2)地類不同其光譜響應(yīng)曲線就不同，而且表現(xiàn)出不同的光譜變化規(guī)律。光譜曲線相離越近則其光譜變化規(guī)律越相似，則其地物區(qū)分度越小。從圖8可以看出，松類、杉類具有良好的可分性，但是在樟樹/楠樹/其他硬闊類和樺木/木荷/其他闊葉類之間的可分性較差。 (3)在SPOT5影像不同波段上，地物之間光譜差異不均衡，各森林類型在近紅外波段上差異明顯，在影像上，第7波段剛好處于這個范圍，因此在波段選擇和后(4)通過觀察各地類的光譜響應(yīng)特征，發(fā)現(xiàn)同種地物有時也存在著明顯的光譜差異。因此在后期遙感信息提取過程中，為了保證訓(xùn)練樣本的代表性和典型性，應(yīng)盡可能多的選取訓(xùn)練樣本。在監(jiān)督分類中，訓(xùn)練樣本的選擇是非常重要的，而且分類結(jié)果往往會因訓(xùn)練樣本的不同而出現(xiàn)極大的差異。因此正確選擇有代表性的訓(xùn)練樣本是分類能否取得良好結(jié)果的一個關(guān)鍵性問題。一般情況下，為了使訓(xùn)練樣本具有較好的代表性，應(yīng)盡可能多地利用一些已知資料來確定訓(xùn)練樣本，從而提高監(jiān)督分類的精度。選擇訓(xùn)練樣本的目的是為了從統(tǒng)計(jì)識別模式的角度分析遙感影像地類的光譜分布特征，因此訓(xùn)練樣本的選擇應(yīng)遵循如下規(guī)則：(1)訓(xùn)練樣本必須具有代表性和典型性，即訓(xùn)練區(qū)選出的類別應(yīng)與遙感影像要區(qū)分的類別保持一致。因此為了保證選出的訓(xùn)練樣本能很好地代表地物類型的光譜特征，一般要求在地物類別的中心部分選擇訓(xùn)練樣本，避開地物類別的混交地區(qū)和邊緣地區(qū)，從而能正確地進(jìn)行監(jiān)督分類；(2)對于光譜特征變化較大的地物，即“同物異譜"現(xiàn)象，則選擇的訓(xùn)練樣本數(shù)目要更多一些，目的是使選擇的樣本能正確地反映整個研究區(qū)內(nèi)每種地類的光譜特征訓(xùn)練樣本數(shù)據(jù)；在監(jiān)督分類中，訓(xùn)練樣本往往是認(rèn)為選取的，因此分類完成后可能分到各個已知類中；二是將所有無類可歸的像元組成一個未知類。m擇一定數(shù)量的純凈像元作為某一地類的訓(xùn)練樣本。本文在研究區(qū)共選取了100多塊訓(xùn)練區(qū)(AOI)，分別是松類、闊葉類、杉類、雪地、陰影、裸地以及建筑用地。分析：基于最小距離法的監(jiān)督分類對水體、裸地及建筑用地、森林等類別分類較為理想，且分類速度快，但是對森林種類的分類精度不論從目視解譯還是精度指標(biāo)來看都較低，特別是森林種類中兩類地理位置接近但光譜反射特征相對差別較大的兩類森林種類的分類精度較低，類別的區(qū)分邊界不夠明顯。分析：基于最大似然法的監(jiān)督分類是監(jiān)督分類中精度最高的一種，而且計(jì)算速度也比較快，分類后不管是在目視解譯還是在分類精度指數(shù)方面都要優(yōu)于基于最小距離的監(jiān)督分類，而且森林種類分類的結(jié)果較為理想，但是對建筑用地及裸地的分類精度不高，可能是優(yōu)于該區(qū)域房屋低矮，分布不均勻，與裸地的光譜反射率相近導(dǎo)致，分類樣本選取是否經(jīng)典和數(shù)量是否足夠也是影響其分類精度的重要因素。分析：通過對決策樹分類的成果圖進(jìn)行目視解譯發(fā)現(xiàn)，總體分類效果良好，達(dá)到中等一致性，但是在決策樹規(guī)則建立時，同一波段個別相似類別具有相似的平均灰度值，兩種類別平均灰度值即使在差值的峰值也較為接近,分類情況不理想。而且建立決策樹規(guī)則時需要根據(jù)各樣本光譜響應(yīng)值和光譜變化曲線進(jìn)行多次實(shí)驗(yàn)，尋找最優(yōu)的分類規(guī)則。起初建立規(guī)則時波段的選擇不合理，用來評估分類精度的0.5以上，但是由于同譜異物情況存在，嘗試多次改善分類規(guī)則后仍無法繼續(xù)提高分析：先從目視判讀的方法看，面向?qū)ο蟮姆诸惙椒ㄟh(yuǎn)好于上述傳統(tǒng)的分類方法，分類后圖像更加清晰，樣本尋找更加容易，判讀也更加準(zhǔn)確，森林種類的分類精度得到了提高，但是房屋和裸地的分類精度與傳統(tǒng)的分類方法相比要差一些或者持平，因?yàn)?.5米的分辨率影像對森林不同種類的紋理特征提取并參與分類決策，但是裸地與地面的建筑物由于分布稀疏，建筑物又多以占地面積較小的低矮房屋為主，紋理特征區(qū)分不明顯，導(dǎo)致兩類別分類精度不理想。較圖像選擇驗(yàn)證樣本(驗(yàn)證AOI)，對分類結(jié)束后的樣本進(jìn)行精度評估，后再分類結(jié)果進(jìn)行統(tǒng)計(jì)，分 分類方法最小距離法最大似然值法決策樹分類面向?qū)ο蟮姆诸惙椒ūO(jiān)督分類對以上實(shí)驗(yàn)結(jié)果進(jìn)行對比分析，可以得出這幾種分類方法中，面向?qū)ο蠓诸惙椒ú还懿捎媚姆N分類算法所得到的結(jié)果都具有相當(dāng)高的分類精度，對于容易錯分的地物也得到了比較好的區(qū)分，能更準(zhǔn)確地提取出目標(biāo)地物。但是由于該地區(qū)房屋稀米的SPOT5影像難以提取較好的紋理特征，對裸地和建筑用地的分類精度較差，而且使用面向?qū)ο蟮姆诸惙椒ㄓ?jì)算時間較長，產(chǎn)生的中間數(shù)據(jù)過多，對計(jì)算機(jī)配置要求較高。在傳統(tǒng)的監(jiān)督分類中，最小距離分類法的分類精度也比較低，容易出現(xiàn)大面積結(jié)果中仍然存在錯誤分類，但其分類精度卻是監(jiān)督分類方法中精度最高的。決策樹精度不理想。所以基于多遙感數(shù)據(jù)的森林種類分類選用基于最大似然法的監(jiān)督分類或者面向?qū)ο蟮姆诸惖玫降姆诸惥瓤赡軙咭恍?。而且?jīng)過試驗(yàn)發(fā)現(xiàn)，分類后圖像進(jìn)行小碎圖斑合并處理后分類精度會有稍許提高，而且一定程度上減少了分類后的目視判讀工作的難度。紋理特征，分類過程中存在相互錯分的現(xiàn)象。 對于以上幾種分類方法的總體分類精度和Kappa系數(shù)而言，監(jiān)督分類的計(jì)算結(jié)果都相對較高，而且相差不大。