2.4 分类后处理
监督分类和非监督分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、小斑块去除、分类统计分析、分类叠加、分类结果转矢量等操作。 在本实习中主要进行小斑块去除(采用聚类方法)和分类统计，并最终制作土地分类专题图。
2.4.1 小斑块去除 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)。这些工具都在Toolbox/Classification/Post Classification中。 未进行小斑块去除前
①Majority/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，先定义一个变换核尺寸，主要分析(Majority Analysis)用变换核中占主要地位(像元数最多)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。
进行Majority/Minority 分析后：
②聚类分析(clump) 聚类处理(clump)是运用数学形态学算子(腐蚀和膨胀)，将临近的类似分类区域聚类并进行合并。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。可以很好的保证空间连续性。 进行聚类分析后：
③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)。这个方法会产生很多未分类像元，所以很少用。
进行过滤处理后：
在本实习中采用可以很好的保证空间连续性的聚类分析来消除小斑块，对监督分类和非监督分类的共计8种分类方法进行处理。
具体步骤如下：
(1)在Toolbox工具箱中，双击Classification/Post Classification/Clump Classes工具，在Classification Input File对话框，选择要进行聚类处理的分类结果图像，单击OK按钮，打开Classification Clumping面板，设置如下参数：
(2)聚类结果展示 ①监督分类-平行六面体聚类结果
②监督分类-最小距离法聚类结果
③监督分类-马氏距离聚类结果
④监督分类-最大似然聚类结果
⑤监督分类-神经网络聚类结果
⑥监督分类-支持向量机聚类结果
⑦非监督分类-ISODATA聚类结果
⑧非监督分类-K-Means分类结果
2.4.2 分类统计 分类统计(Classstatistics)可以基于分类结果计算源分类图像的统计信息。基本统计包括：类别中的像元数、最小值、最大值、平均值以及类中每个波段的标准差等。可以绘制每一类对应源分类图像像元值的最小值、最大值、平均值以及标准差，还可以记录每类的直方图，以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录。 分类统计仅对6种监督分类和2种非监督分类中，通过混淆矩阵的结果得到的分类精度最好的最大似然法的分类结果进行，因为最大似然法的分类精度最高，得到的分类统计也最能代表真实值，采用去除小图斑前(即聚类处理前)的原始分类结果进行统计。
详细步骤如下：
(1)打开分类结果(最大似然分类结果_裁剪.dat)和原始影像(Landsat8-GS1_subset.dat)。
(2)打开分类统计工具，路径为Toolbox/Classification/Post Classification/Class Statistics，在弹出的Classification Input File对话框中选择分类结果“最大似然分类结果_裁剪.dat”，点击 OK；在弹出的Statistics Input File 对话框中， 选择原始影像“Landsat8-GS1_subset.dat”，点击 OK；在弹出的ClassSection对话框中点击 Select All Items，统计所有分类的信息，点击OK；在弹出的 Compute Statistics Parameters对话框中设置统计信息如下图，点击 OK。(右下角的Report Precision…按钮可以设置报告的精度，这里按照默认值Data Precision为6，FloatingReport为Normal)。
| 右图中参数的介绍： ①基本统计(Basic Stats)：基本统计信息包括所有波段的最小值、最大值、均值和标准差，若该文件是多波段的，还包括特征值。 ②直方图统计(Histograms)：生成一个关于频率分布的统计直方图，列出图像直方图(如果直方图的灰度小于或等于 256)中每个 DN 值的 Npts(点的数量)、 Total(累积点的数量)、Pct(每个灰度值的百分比)、和Acc Pct(累积百分比)。 ③协方差统计(Covariance)：协方差统计信息包括协方差矩阵和相关系数矩阵以及特征值和特征向量，当选择这一项时，还可以将协方差结果输出为图像(Covariance Image)。 ④输出到屏幕显示(Output to the Screen)、生成一个统计文件(.sta)和生成一个文本文件。Toolbox/Statistics/View Statistics File可打开统计文件 |
(3)统计结果如下：
①结果1
②结果2：类别统计
由上图可以看出，耕地占得像元数最多，占到33.54%，其次是居民用地占9.33%，林地占5.96%，裸地占1.15%，水域占0.61%，其他类别为0，另外这6类土地类型像元数的百分比之和并不等于1，是因为统计时自动把背景也统计了进去。 ③结果3：基本统计
④结果4：协方差
⑤结果5：相关系数
⑥结果6：特征向量
⑦结果7：特征值
2.5 土地分类专题图的制作
因为对acrgis制作专题图比较熟练，所以用Arcgis制作每种6种监督分类和2种非监督分类分类方法进行分类后处理(聚类处理)之后的土地利用分类图，由于基于专家知识的决策树分类方法分类的结果不好，所以不进行专题图的制作。
(1)在Acgis中打开分类并聚类完成后的dat格式的文件，在视图-布局视图中进行专题图的制作 (2)利用插入-指北针/图例/比例尺/标题，可以进行指北针、图例、和比例尺、标题的插入，双击插入的要素还可以更改符号样式、字体和文字大小。 (3)右击地图，在属性-格网中进行经纬网的绘制，可以将经纬网转换为图形，并在地图上点击经纬网，选择取消分组，可以对经纬度进行字体和文字大小及旋转角度的调整。 生成的土地利用专题图：
①平行六面体方法分类专题图(监督分类)
②最小距离分类方法专题图(监督分类)
③马氏距离分类方法专题图(监督分类)
④最大似然分类方法专题图(监督分类)
⑤神经网络分类方法专题图(监督分类)
⑥支持向量机分类方法专题图(监督分类)
⑦ISODATA分类方法专题图(非监督分类)
⑧K-Mean分类方法专题图(非监督分类)
3 分析及总结 利用混淆矩阵方法对不同的分类方法进行评价，从总体分类精度(OverallAccuracy)和Kappa系数看，针对我的研究区域，监督分类的分类效果要好于非监督分类。监督分类中分类效果最好的是最大似然分类器(总体分类精度达到96.6714%，Kappa系数为0.9518)；分类结果较好的是监督分类的马氏距离分类器(总体分类精度96.5021%，Kappa系数为0.9501)、神经网络分类器(总体分类精度95.4584%，Kappa系数为0.9341)、支持向量机分类器(总体分类精度93.4838%，Kappa系数为0.9052)，分类结果较一般的是平行六面体分类器(总体分类精度69.9295%，Kappa系数为0.5898)、最小距离分类器(总体分类精度65.8674%，Kappa系数为0.5470)。非监督分类两种分类器的分类精度都很一般，ISODATA分类器的总体分类精度为69.6756，Kappa系数为0.5803；K-Means分类器的总体分类精度62.9760%，Kappa系数为0.3830。监督分类中的最大似然分类器和马氏距离分类器的分类结果较突出，最大似然分类器分类规则(Rule Images)中像元值代表像元属于该类的概率，而马氏距离分类器分类规则中像元值代表像元到类中心的距离，说明这两种规则比较适合我们的研究区。
通过混淆矩阵的结果得到的分类精度最好的是最大似然分类器，因为最大似然法的分类精度最高，得到的分类统计也最能代表真实值，所以对最大似然分类器采用去除小图斑前(即聚类处理前)的原始分类结果进行统计。从分类统计的结果可知，耕地占得像元数最多，占到33.54%，其次是居民用地占9.33%，林地占5.96%，裸地占1.15%，水域占0.61%，其他类别为0，另外这6类土地类型像元数的百分比之和并不等于1，是因为统计时自动把背景也统计了进去。
主要参考资料
1.邓书斌. ENVI遥感图像处理方法(第二版)[M]. 高等教育出版社, 2017.
2.纪仰慧, 李国春, 关宏强. 土地利用/覆盖遥感分类研究综述[J].农业网络信息,2005(08):36-38.
3.张银辉，赵庚星.土地利用/土地覆盖遥感分类方法的研究综述[J].中国农业资源与区划，2003(03)：21-25.
4.费鲜芸，高祥伟.土地利用/土地覆盖遥感分类研究综述[J].山东农业大学学报 (自然科学版),2002(03)：391-394.
