分类的误差分析

分类误差来源和特征的分析既是对分类过程的检验,也是对分类结果进行改进的重要前提。任何图像分类过程中都会有误差,通常造成分类误差的原因是多样的，如所研究区域内土地覆盖类型与自然景观的多样性、遥感数据空间分辨率的影响,分类时所采用的分类系统与数据资料的匹配程度,以及分类所采用的算法与步骤等。总的来说,误差主要有两类:一类是位置误差,即各类别边界不准确;另一类是属性误差,即类别识别错误。在目视解译中,往往由于解译者的错误判断、过度的边界平滑、图像配准误差或者不同解译者的标准不同以及其他因素,引起位置误差。不同地物由于其光谱反射相似,而很容易造成属性识别错误。另外一些是略为复杂的错误,如位于不同类别边界上的一些混合像元,由于其像元亮度值不接近任何一类有代表性的类别,在多数分类过程中都容易引起分类错误。

图像中各类别的特性直接影响分类精度。一般来说，简单、均一的地表景观比较容易取得高的分类精度,而复杂、异质、破碎的地表景观则容易形成高的分类误差。因此图像各类别的大小,数目、形状、组合方式,各类别之间的差异性、对比度等,都会影响分类精度。通常,这些因素在不同区域、不同时间是不一样的,因此一幅图像的分类精度是很难从不同区域的其他图像,或者同一区域、不同时期的图像分类中来预测的。这些因素在时间与空间上均可变化,进而影响到分类的精度与误差的分布。