第1个回答 2022-06-13
类似于采取卷及滤波的方法将较大类别中的虚假像元归到该类中，定理一个变换核尺寸，主要分析用变换核中占主要地位的像元类别代替中心像元类别；次要分析是将变换核中占次要地位的像元的类别代替中心像元的类别。
工具位置：Toolbox/Classification/Post Classification/
空间连续性不太好的可以使用
聚类处理解决了这个问题。首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类图像进行腐蚀操作
工具位置：Toolbox/Classification/Post Classification/Clump Classes
解决图像中的孤岛问题，通过分析周围的4个或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分析的像元小于输入的阈值，这些像元就会被从该类中删除，删除的像元归为未分类的像元。【用的很少】
工具位置：Toolbox/Classification/Post Classification/Sieve Classes
工具位置：Toolbox/Classification/Post Classification/class statistics
（1）打开分类结果和原始影像——"\13.分类后处理\数据\can_tmr_class.dat"和"can_tmr.img"；
（2）打开分类统计工具，路径为Toolbox/Classification/Post Classification/Class Statistics，在弹出对话框中选择"can_tmr_class.dat"，点击OK；
（3）在Statistics Input File面板中，选择原始影像"can_tmr.img"，点击OK；
（4）在弹出的Class Selection面板中，点击Select All Items，统计所有分类的信息，点击OK；
注：可根据需要只选择分类列表中的一个或多个类别进行统计。
（5）在Compute Statistics Parameters面板可以设置统计信息（如下图所示），按照图中参数进行设置，点击Report Precision…按钮可以设置输入精度，按默认即可。点击OK；
为显示统计结果的窗口，统计结果以图形和列表形式表示。从Select Plot下拉命令中选择图形绘制的对象，如基本统计信息、直方图等。从Stats for标签中选择分类结果中类别，在列表中显示类别对应输入图像文件DN值统计信息，如协方差、相关系数、特征向量等信息。在列表中的第一段显示的为分类结果中各个类别的像元数、占百分比等统计信息。
工具位置：Toolbox/Classification/Post Classification/Overlay Classes
将各种类别叠加在一幅RGB彩色合成图或灰度图像上，从而生产一幅RGB图像，如果要想得到较好的效果，在叠加前背景图像经过拉伸并保存为字节型图像
（1）打开拉伸工具（Toolbox/Raster Management/ Stretch Data ），在弹出的对话框中选择"can_tmr.img"文件，然后点击下方的Spectral Subset（如下图所示），在弹出面板中选择波段1、2、3，（真彩色）点击OK；
图：选择拉伸文件和波段选择。在Data Stretching面板中，按照下图进行参数设置，点击OK即可
工具位置：Toolbox/Classification/Post Classification/Classification to Vector
将一定范围内像元都并入其他一个类别中
（1）在Interactive Class Tool面板中，选择Edit > Mode: Polygon Add to Class；
（2）在Interactive Class Tool面板中，鼠标左键单击"Unclassified"前面的方型色块，让"Unclassified"类别处于激活状态；
（3）选择一个编辑窗口：Image，在Image窗口中绘制多边形，多边形以内的像元全部归于"Unclassified"一类。
将一定范围内某一类像元并入其他一类中
(1)在Interactive Class Tool面板中，选择Edit > Mode: Polygon Delete from Class；
（2）选择Edit > Set delete class Value，选择并入的目标类，
（3）在Interactive Class Tool面板中，鼠标左键单击"Unclassified"前面的方型色块，让"Unclassified"类别处于激活状态。
（4）选择一个编辑窗口：Image，在Image窗口中绘制多边形，多边形以内的类别"Unclassified"全部归于"林地"。
注：浏览修改效果，需要勾选林地，在视图中显示林地这一类。
（5）选择Edit > Undo Changes，可以取消修改，选择File > Save changes to File，可以将修改结果保存。
总体分类精度
等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = (2258/2346) 96.2489%
Kappa 系数
它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。Kappa计算公式如下：
错分误差
指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，总共划分为林地有441个像元，其中正确分类418个，23个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为23/441=5.22%。
漏分误差
指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的林地类，有真实参考像元419个，其中418个正确分类，其余1个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差1/419=0.24%
制图精度
是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。如本例中林地有419个真实参考像元，其中418个正确分类，因此林地的制图精度是418/419= 99.76 %。
用户精度
是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。如本例中林地有418个正确分类，总共划分为林地的有441，所以林地的用户精度是418/441=94.78%。
监督分类中的样本选择和分类器的选择比较关键。在样本选择时，为了更加清楚的查看地物类型，可以适当的对图像做一些增强处理，如主成分分析、最小噪声变换、波段组合等操作，便于样本的选择；分类器的选择需要根据数据源和影像的质量来选择，比如支持向量机对高分辨率、四个波段的影像效果比较好。