图像分类结果后处理方法介绍

应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
6.5.2 majority和minority分析
Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，用变换核中占主要地位（像元素最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。
在主菜单中，选择Classification->Post Classification->Majority/Minority Analysis。在打开的文件选择对话框中，选择分类图像。打开Majority/Minority Parameters对话框（图6.28），下面填写Majority/Minority Parameters对话框中的参数。
（1） 选择分类类别（Select Classes）：单击Select All Items按钮，选择所有类别。
（2） 选择分析方法（Analysis Method）：Majority。
（3） 选择变换核（Kernel Size）：5x5。必须是奇数且不必为正方形，变换核越大，分类图像越平滑。
（4） 中心像元权重（Center Pixel Weight）：1。在判定在变换核中哪个类别占主体地位时，中心像元权重用于设定中心像元类别将被计算多少次。例如：如果输入的权重为1，系统仅计算1次中心像元类别；如果输入5，系统将计算5次中心像元类别。
（5） 选择输出路径及文件名，单击OK执行majority和minority分析。
图6.28 Majority/Minority Parameters对话框
6.5.3 聚类处理(clump)
聚类处理（clump）是运用形态学算子将临近的类似分类区域聚类并合并。分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。首先将被选的分类用一个扩大操作合并到一块，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。
在主菜单中，选择 Classification->Post Classification->Clump Classes。在Classification Input File 对话框中，选择一个分类图像，单击击OK按钮，打开Clump Parameters对话框（图6.29）。下面填写Clump Parameters对话框中的参数。
（1） 选择分类类别（Select Classes）：单击Select All Items按钮，选择所有类别。
（2） 输入形态学算子大小（Rows和Cols）：3，3。
（3） 选择输出路径及文件名，单击OK执行Clump处理。
图6.29 Clump Parameters对话框
6.5.4 过滤处理(Sieve)
过滤处理（Sieve）解决分类图像中出现的孤岛问题。过滤处理使用斑点分组方法来消除这些被隔离的分类像元。类别筛选方法通过分析周围的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数少于输入的阈值，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（Unclassified）。
在主菜单中，选择Classification ->Post Classification->Sieve Classes。在Classification Input File对话框时，选择一个分类图像，点击OK按钮，打开Sieve Parameters对话框。下面填写Sieve Parameters对话框中的参数。
（1） 选择分类类别（Select Classes）：单击Select All Items按钮，选择所有类别。
（2） 输入过滤阈值（Group Min Threshold）：6。一组中小于该数值的像元将从相应类别中删除。
（3） 确定聚类领域大小（Number of Neighbors）：8。
（4） 选择输出路径及文件名，单击OK执行Sieve处理。
图6.30 Sieve Parameters对话框
摘自《ENVI遥感图像处理方法》科学出版社2010.06
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0100ryvz.html