第三章 遥感图像解译

第3章遥感图像解译与分类

GeographyAnalysisforRemoteSensing遥感地学分析2021/5/91第一节遥感图像解译遥感提供的是一种综合信息，不仅表现在它反映的地学要素---地质、地貌、水文、土壤、植被、社会生态等的综合，是由相互关联的自然及社会现象所构成的。它是不同空间分辨率、波普分辨率和时间分辨率的遥感信息的综合。遥感图像解译是通过遥感图像所提供的各种识别目标的特征信息进行分析、推理与判断，最终达到识别目标或现象的目的。2021/5/92地学环境遥感信息地物信息图像处理人员的认识图像处理符号表示语义生成图像数据库地学信息处理人员的认识应用模型地物识别地学分析数据获取地物信息和知识2021/5/93遥感图像解译地物信息的传递是从数据获取开始的，数据获取实质上是由传感器代替人直接观测地学环境，通常情况下是围绕某项任务，有计划、有目的的开展的。地物影像几何信息辐射信息地物几何位置地物属性地物数量指标模型重建几何测量影像识别定量分析2021/5/94遥感图像解译的对象主要是各类地物或地学现象，在解译时一般会有相关的专业人员的配合，但作为解译者若想得到比较满意的结果，相关的地学知识在解译时应或多或少知道一些。例如，解译与地质构造有关的空间对象，类似下图的知识需要知道。线性构造弧型构造环型构造地学的应用2021/5/95物候学的应用物候是比较特殊的地学现象，与时间和空间都有关系，并具有周期性。在解译与生命现象有关的物体如植物、动物时，对物候的了解程度可能决定解译工作的好坏。例如，华中地区的遥感植被调查就需要知道如下几个关键时段：4月份，展叶期5月份，开花期7~8月份，茂盛期10~11月份果熟期，叶变色期2021/5/96生物学知识的应用农业、林业、海洋及生态调查都与生物有关。在遥感信息中，如植被指数、热惯量等都会应用到生物学知识。其中，植被指数就是通过比较分析叶绿素与光谱反射率之间的关系得出的概念。2021/5/97遥感解译的任务按应用领域，遥感解译的目的可分为普通地学解译和专业解译。普通地学解译是为了取得一定地球圈层范围内的综合性信息，常见的是地理基础信息（居民地、道路、水系、独立地物、植被等）解译和景观解译。专业解译主要是为了解决各部门的任务，用于提取特定的要素或概念的信息，包括地质、林业、农业和军事。2021/5/98遥感解译的分类一般分为两种：目视解译，由专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息。计算机解译，以计算机系统为支撑环境，利用模式识别技术和人工智能技术，根据遥感图像中目标地物的各种影像特征（颜色、形状、纹理与空间位置），结合专家知识库中对目标地物的解译经验和规律等进行分析和推理，实现对遥感图像的理解。2021/5/992021/5/9102021/5/911目视解译1.图像注记2.解译原理与方法3.目视解译

3.1水体 3.2城市

3.3火山3.4土地利用/覆盖

3.5自然灾害3.6水文

3.7考古3.8地质

3.9地貌2021/5/912Landsat图像注记符号1）重叠符号图像四角的“＋”号，影像套准用2）图像中心对角线的交点。3）航线重叠“T”和“－”表示航向承担。4）经纬度注记E:东经；N:北纬5）灰标1级为白色，15为黑色。2021/5/9132021/5/91402May78成像时间CN31-38/E212-41像主点坐标D127-038D表示降轨，轨道号－行号NN31-38/E121-43像底点坐标MMSS多光谱扫描仪（4，5，6，7，8通道）RBV有1，2，3通道SUNEL52A107高度角52度（地面起算）；方位角107度（正北起算）2021/5/915S1SS:系统水平校正；1表示满幅185×185Km；S为空间斜轴麦卡托投影（L兰勃特，U横轴麦卡托等）。-P-NL2P:推测星历计算N:正常处理（A非正常）L:传感器低增益；2为压缩传输NASAERTSNationalAeronauticsandSpaceAdministrationE-21196-01222-5卫星编号和成像时间。E-2:第2颗地球资源卫星；1196：卫星发射天数；01222：格林威治1点22分20秒；5：表示光谱段是5通道。2021/5/916图像编号：轨道号＋行号（Path+Row）轨道号:卫星运行的轨道系列号，由东向西。行号：由北向南，N80o

为起点。北京幅图像编号：133－32，第133号轨道32景覆盖北京。陆地卫星图像编号2021/5/9172021/5/918AglobalnotationsystemcalledtheWorldwideReferenceSystem2021/5/919Landsat4，5，7：从东到西233圈，依次编233个轨道号。从东向西，编号001~233.Path001于西经64.6度穿过赤道。同一轨每景的间隔约23.92秒，共248景。

Row60coincideswiththeequatorduringthedescendingnodeonthedaysidepartoftheorbitandRow184duringtheascendingnode.北纬80度47分，Row001，南纬81度51分，Row122；2021/5/920SPOT卫星坐标网格参考系统GridReferenceSystem(GRS)

，来确定每一个影像的地理位置，由列号K和行号J标识影像的中心位置。K为1至738的整数；J为从北纬71.7至南纬71.7之间的200至500的整数。N:由西向东，从1至369的参考轨道号；R:在26天内飞经不同轨道的顺序号。影像1：K280,J270;影像2：K279,J2702021/5/921SPOT卫星坐标网格参考系统SPOT可以观测到南、北纬87的范围。GRS以赤道为分界，对称地把地球分为5个区从北纬51.5到南纬51.5是中心区.从北纬或者南纬51.5延伸到71.7度是一个区北极圈和南极圈区域是从71.7度到极点。

除了两极区域，列K平行于卫星轨道，行J平行于纬线。两极地区，与轨道无关。2021/5/922解译原理与方法1.影像选择分辨率：空间分辨率；时间分辨率；光谱分辨率季相影响：植被差异；太阳高度角；水分影响图像显示真彩色合成；假彩色合成2021/5/923各种遥感目的对空间分辨率的要求1）巨型地物与现象：要求的图像空间分辨率低，但涉及的范围很广，通常会牵扯到多个国家，有些会是世界范围的。地壳10km；成矿带2km大陆架2km；洋流5km自然地带2km；生长季节2km2021/5/924中国自然地带2021/5/9252）大型地物与现象主要用于较大范围的区域调查。地热资源：1km冰与雪：1km大气：1km土壤水分：150m海洋资源：100m环境质量评价：100m区域覆盖类型：400m沙尘暴监测：400m2021/5/9262021/5/9273）中型地物与现象与人们生产、生活比较密切，特别是与各种资源调查关系密切，因而对图像空间分辨率要求也较高。作物估产：50m植物群落：50m洪水灾害：50m水库监测：50m污染监测：50m森林火灾监测：50m港湾悬浮物调查：50m2021/5/928主要耕地分类2021/5/9294）小型地物与现象涉及各种人工地物或较小的人类活动区域，对图像分辨率要求很高。交通设施：1m建筑物：1m道路：1m污染物识别：10m2021/5/930分辨率选择分辨率适用范围1000m大地构造，台风移动，海面温度，全球变化250m区域地质构造，森林火灾，沙尘监测，流域研究80m地质成图，土地类型，植被调查30m矿产调查，地表温度，土地利用，流域成图，海水污染，森林祥查10m侵蚀调查，渔场调查，水污染3m土壤调查，土壤温度，森林密度，树种调查，人工建筑，1：5万地形图<1m军事侦察2021/5/9312.季相影响1）植被差异冬季成像有利于突出地表信息；夏季有利植被解译。2）太阳高度角冬季太阳高度低，物体阴影长，辐射强度低，地物形态信息丰富。夏季太阳高度高，阴影短，有利地物光谱特征的反映。3）水分影响2021/5/9323.图像显示黑白影像（全色）真彩色（天然彩色）：影像上地物的颜色是地物天然色彩的再现。如RGB:TM3,2,1。标准假彩色（彩色红外）falsecolor：与地物的天然色相比，都向短波方向移动了一个色向。如RGB:TM4,3,2。地物反差增大有利于解译。伪彩色（Pseudocolor）:1张黑白图像的灰阶分为若干等级，在每个等级上赋予颜色，就成为最简单的伪彩色。2021/5/933黑白影像IKONOS_Pan(1m)2021/5/934真彩色RGB(3,2,1)2021/5/935标准假彩色RGB(4,3,2)2021/5/936伪色彩表示的DEM2021/5/937目视解译的方法和步骤先图外后图内先整体后局部先宏观后微观从已知到未知2021/5/938目视解译要素大小Size根据比例尺推算出地物大小形状Shape人工与非人工地物的区别阴影Shadow利用阴影推算高度色调Tone灰度，反射率从白－黑的密度变化颜色Color颜色的差别有利于地物判读纹理Texture色调配合呈平滑或粗糙程度，草场与针叶林图案Pattern有规律排列形成的图案位置地理背景知识，综合分析2021/5/939123456789101112131415161718192021222324252627282930313233343536IKONOS的样本1-3:newresidential4-9:oldresidential10-12:downtowncommercial13-15:suburbanshoppingmall 16-18:industrial19-21:institutional22-24:golfcourse25-27:forest 28-30:cornfield31-33:beanfield34-36:harvestedfield2021/5/940目视解译的判读1.水体在标准假彩色图像上，深而清澈的水体层黑或蓝黑色；水浅者多为浅蓝色；含泥沙者颜色更浅，含沙量过高则呈乳白色；有水生植物者呈红色斑点。水系树枝状水系主要分布在冲积平原、侵蚀平原等基岩软弱地区。放射状水系主要分布在火山，孤山或穹形隆起地区。2021/5/9412.植被植被色调随其品种、环境和成像波段而变。在Landsat4,5波段植被呈深色调，在6，7波段为浅色调，阔叶林比针叶林色调浅。在标准假彩色图像，植被为红色，幼嫩植被带粉红色，成熟时是鲜红色，受虫灾时呈暗红色。阔叶林比针叶林更鲜红，灌丛颜色较浅，水稻呈暗红色。目视解译的判读2021/5/9423.城镇和铁路城镇的光谱特征是各类建筑物与周围裸地的综合反映，当面积较大或与周围环境的光谱特征有显著差异时，可从影像上识别。在多波段黑白图像上，城镇多呈深暗色调；在标准假彩色图像上，中心色调深暗、边缘略浅的灰蓝或蓝灰色。由于铁路路基材料与周围土地的光谱差异较大，其因地基有较宽阴影，在卫星图像上呈色调深暗，较为清晰地线状影像。目视解译的判读2021/5/943假彩色合成2021/5/944红外遥感图像1）红外图像物体色调特征色调差别反映地物辐射温度的差别。红外图像上灰度反映的不是地物对可见光的反射程度，而是其辐射温度。2）红外图像物体形态特征与可见光相比，地物冷暖信息构成的模糊轮廓。红外图像可用于对物体解译，不能用于对物体制图。2021/5/945ETM+Thermalbandin1999水陆差异2021/5/946城市热岛119/39,98-8-11120/38,97-9-212021/5/9473.1水体解译2021/5/948咸海的变化：30年间，多于60%的水面消失了。Landsat影像（1973~2000年）2021/5/9493.2城市解译Baltimore,MD

April4,2000

巴尔的摩是马里兰最大的城市，同时也是美国最繁忙的港口。2021/5/950第二节遥感图像分类2.1概述2.2遥感影像分类基本原理2.3遥感影像分类方法2.4分类后处理2.5影像解译专家系统2021/5/9512.1概述遥感影像计算机分类以遥感数字影像为研究对象，在计算机系统支持下，综合运用地学分析、遥感影像处理、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。其基本目标是将人工目视解译遥感影像发展为计算机支持下的遥感影像理解。2021/5/9522.1概述1计算机遥感影像分类的概念计算机遥感影像分类是统计模式识别技术在遥感领域中的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字影像予以识别。遥感影像分类的主要依据是地物的光谱特征和空间特征。遥感影像中的同类地物在相同的条件下（纹理、地形、光照以及植被覆盖等等），应具有相同或相似的光谱特征和空间特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域。2021/5/9532.1概述分类是对影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影像中多种地物的目的。遥感影像分类是将影像的所有像元按其性质分为若干个类别的技术过程（朱述龙等，遥感图象获取与分析）。性质指地物光谱特征和空间特征。2021/5/9542.1概述2计算机分类遇到的困难（1）遥感影像是从遥远的高空成像的，成像过程要受传感器、大气条件、太阳位置等多种因素的影响。影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声，因此人们需要从不完全的信息中尽可能精确地提取出地表场景中感兴趣的目标物。2021/5/955（2）遥感影像信息量丰富，与一般的影像相比，其包含的内容远比普通的影像多，因而内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。（3）遥感影像的地域性、季节性和不同成像方式更增加了计算机对遥感数字影像进行解译2.1概述2021/5/9563.计算机分类发展的前景由于利用遥感影像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感影像智能化解译，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，这是实现遥感影像自动理解的基础研究之一，也是地理信息系统中数据采集自动化研究的一个方向，因此具有重要的理论意义和应用前景。2.1概述2021/5/9572.2计算机遥感影像分类的原理分类过程中采用的统计特征变量包括：全局统计特征变量和局部统计特征变量。全局统计特征变量是将整个数字影像作为研究对象，从整个影像中获取或进行变换处理后获取变量，前者如地物的光谱特征，后者如对TM的6个波段数据进行K－T变换（缨帽变换）获得的亮度特征，利用这两个变量就可以对遥感影像进行植被分类。局部统计特征变量是将数字影像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。例如，纹理是在某一影像的部分区域中，以近乎周期性或周期性的种类、方式重复其自身局部基本模式的单元，因此可以利用矩阵作为特征对纹理进行识别。2021/5/958

在很多情况下，利用少量特征就可以进行遥感影像的地学专题分类，因此需要从遥感影像n个特征中选取k个特征作为分类依据，我们把从n个特征中选取k个更有效特征的过程称为特征提取。特征提取要求所选择的特征相对于其他特征更便于有效地分类，使影像分类不必在高维特征空间里进行，其变量的选择需要根据经验和反复的实验来确定。2.2计算机遥感影像分类的原理2021/5/959

遥感影像计算机分类的依据是遥感影像像素的相似度。相似度是两类模式之间的相似程度。在遥感影像分类过程中，常使用距离和相关系数来衡量相似度。距离:特征空间中象元数据和分类类别特征的相似程度。距离最小即相似程度最大。度量特征空间中的距离经常采用以下几种算法:绝对值距离欧氏距离2.2计算机遥感影像分类的原理x为像元数据矢量类别k的平均值矢量2021/5/9602.2计算机遥感影像分类的原理绝对值距离欧氏距离2021/5/961马氏距离（Mahalanobis，既考虑离散度，也考虑各轴间的总体分布相关)混合距离（像元i到第g类类均值的距离）为g类k变量的均值m表示g类的像元数2021/5/962马氏距离是X到类重心之间的加权距离，其权系数为协方差。2021/5/963相关系数是指像素间的关联程度。采用相关系数衡量相似度时，相关程度越大，相似度越大。两个像素之间的相关系数rij可以定义为：2021/5/9642.计算机遥感分类过程1）首先明确遥感影像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字影像，影像选取时应考虑影像的空间分辨率、光谱分辨率、成像时间、影像质量等。（2）根据研究区域，收集与分析地面参考信息与有关数据。为提高计算机分类的精度，需要对数字影像进行辐射校正和几何纠正（这部分工作也可能由提供数字影像的卫星地面站完成）。2021/5/965（3）对影像分类方法进行比较研究，掌握各种分类方法的优缺点，然后根据分类要求和影像数据的特征，选择合适的影像分类方法和算法。根据应用目的及影像数据的特征制定分类系统，确定分类类别，也可通过监督分类方法，从训练数据中提取影像数据特征，在分类过程中确定分类类别。（4）找出代表这些类别的统计特征。（5）为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在无监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。2021/5/966（6）对遥感影像中各像素进行分类。包括对每个像素进行分类和对预先分割均匀的区域进行分类。（7）分类精度检查。在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。（8）对判别分析的结果统计检验。2021/5/9672.3分类方法根据分类过程中人工参与程度分为监督和非监督分类分类方法包括监督分类、非监督分类、混合分类。监督和非监督是最常用的两种常规分类方法。非监督分类：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进行归类合并（将相似度大的像元归为一类）的方法。根据图像统计本身的统计特点及点群的分布情况，从纯统计学的角度进行类别划分。2021/5/968监督分类方法（又称训练分类法）：首先需要从研究区域选取有代表性的训练区作为样本。根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。简单说，用被确定类别的样本像元去识别其他未知类别像元的过程。2021/5/969监督分类：最小距离法、特征曲线窗口法、最大似然法非监督分类：多级集群法、K-均值法、动态聚类法（ISODATA）、等2021/5/970监督分类1.最小距离法是用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。包括：最小距离判别法最近邻域分类法2021/5/971最小距离判别法这种方法要求对遥感影像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。最近邻域分类法这种方法是上述方法在多波段遥感影像分类中的推广。在多波段遥感影像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分像元到每一类中每一个统计特征量间的距离，这样，该像元到每一类都有几个距离值，取其中最小的一个距离作为该像元到该类别的距离，最后比较该待分像元到所有类别间的距离，将其归属于距离最小的一类。2021/5/972最小距离分类法原理简单，分类精度不高，但计算速度快，可以在快速浏览分类概况中使用。2021/5/9732.多级切割法是根据设定在各轴上的值域分割多维特征空间的分类方法。这种方法要求通过选取训练区，详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。如落入某个特征子空间中，则属于该类，如落入所有特征子空间之外，则属于未知类型，2021/5/974因此多级切割分类法要求训练区样本的选择必须覆盖所有的类型，在分类过程中，需要利用待分类像素光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像素的分类。2021/5/975用多级切割法分割三维特征空间

2021/5/976多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换，然后进行多级分割。2021/5/9773.最大似然法求出像元数据对于各类别的似然度（likelihood），把该像元分到似然度最大的类别中去的方法。似然度是指，当观测到像元数据x时，它是从分类类别k中得到的（后验）概率。它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，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然比分类法。2021/5/978利用概率判别函数和贝叶斯判别规则进行分类通过训练区，可求出其平均值及方差、协方差等特征参数，从而得出总体的先验概率密度函数，此时像素X归为K类的归属概率表示如下：2021/5/9792021/5/980最大似然法原始图像分类图像2021/5/981最大似然法的优缺点：优点：考虑特征空间中类别的形状、大小和定位。缺点：计算量大，计算时间长

假定地物光谱特征呈正太分布。2021/5/982非监督分类前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。2021/5/9831.分级集群法当同类物体聚集分布在一定的空间位置上，它们在同样条件下应具有相同的光谱信息特征，这时其他类别的物体应聚集分布在不同的空间位置上。分类过程：①确定评价各样本相似程度所采用的指标②初定分类总数③计算样本间的距离，据距离最近的原则判定样本归并到不同类别。④归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离2021/5/9842.动态聚类法（ISODATA）在初始状态给出影像粗糙的分类，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，这种聚类方法就是动态聚类。ISODATA(IterativeOrgnizingDataAnalysizeTechnique迭代自组织数据分析技术）方法在动态聚类法中具有代表性。2021/5/985按照某个原则选择一些初始类聚类中心。在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别对数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。在用计算机编制分类程序时，初始聚类中心可按如下方式确定：设初始类别数为n，这样共有n个初始聚类中心，求出影像的均值M和方差σ，按下式可求出初始聚类中心:k=1,2,…,n，为初始类中心编号，n为初始类总数。2021/5/986动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。计算并改正重新组合的类别中心，如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看做动态聚类的结束。当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到上一步，重复进行组合的过程。2021/5/987动态聚类法中有类别的合并或分裂，这说明迭代过程中类别总数是可变的。如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。类别的分裂也有两种情况：某一类像元数太多，就设法分成两类；如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。2021/5/988432假彩色合成图像聚类分类结果（10类）香港九龙2021/5/989聚类结果合并（5类）2021/5/990监督分类和非监督分类方法比较非监督分类优点：不需要预先对待分类区有广泛的了解。

需要较少的人工参与，人为误差的机会减少

小的类别能够被区分出来

缺点：盲目的聚类

难以对产生的类别进行控制，得到的类别不一定是想要的类别。

计算速度慢2021/5/991监督分类优点：①根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别。②可以控制训练样本的选择③可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误，精度高。④避免了分监督分类中对光谱集群的重新归类⑤分类速度快缺点：①主观性②由于中间类别的光谱差异，使训练样本没有很好的代表性③只能识别训练中定义的类别2021/5/9922.4分类后处理

无论是监督分类还是非监督分类，其结果都会产生一些面积很小的图斑。无论从专题制图的角度还是实际应用的角度，都有必要对这些小图斑进行剔除。处理方法：