遥感数字图像处理课件内容.docx

遥感数字图像处理课件内容.docx

《遥感数字图像处理课件内容.docx》由会员分享，可在线阅读，更多相关《遥感数字图像处理课件内容.docx（25页珍藏版）》请在冰豆网上搜索。

遥感数字图像处理课件内容

遥感数字图像处理

1．概论

遥感、遥感过程

遥感：

一种在远离目标，不与目标直接接触的情况下，通过传感器获取其特征信息，并对这些信息进行处理、分析和应用的综合性探测技术

遥感过程：

遥感过程是指遥感信息的获取、传输、处理，以及分析判读和应用的全过程

遥感图像、遥感数字图像、遥感图像的数据量

遥感图像：

是指遥感传感器通过检测、度量地物的电磁波辐射能并进行记录所得到的图像

遥感数字图像：

是指以数字化形式表述的遥感影像。

遥感图像的数据量：

H=M×N×b×n（bit）M、N为行列数，b为波段数，n=lnG/ln2

遥感图像的数字化、采样和量化

遥感图像的数字化：

指光学图像（物理图像）到数字图像的转换过程，包括采样和量化两个过程

采样：

将空间上连续的图像变换为离散的点的操作

量化：

将测量的灰度值用一个整数表示

通用遥感数据格式（BSQ、BIL、BIP）

BSQ，波段序列格式

BIL，波段行交替格式

BIP，波段像元交替格式

遥感图像的模型：

多光谱空间

多光谱空间：

对于n个波段的多光谱图像，这n个波段构成一个n维多光谱空间，多光谱空间就是一个n维坐标系，每一个坐标轴代表一个波段，坐标值为亮度值，坐标系内的每一个点代表一个像元。

描述像素在各个波段中亮度值的分布。

多光谱空间中，像元点在坐标系中的位置可以表示成一个n维向量，其中每个分量xi表示该点在第i个坐标轴上的投影，即亮度值。

多光谱空间只表示各波段光谱之间的关系，而不包括任何该点在原图像中的位置信息，它没有图像空间的几何意义。

遥感图像的信息内容：

波谱信息：

指遥感图像上不同地物之间的亮度值差异及同一地物在不同波段上的亮度值差异

空间信息:

通过图像亮度值在空间上的变化反映出来的信息

时间信息:

指不同时相遥感图像的光谱信息与空间信息的差异

遥感数字图像处理、遥感数字图像处理的内容

遥感数字图像处理:

利用计算机对遥感数字图像进行一系列操作，以求达到预期目的

遥感数字图像处理的内容：

图像增强、图像校正、信息提取

Ì遥感图像的获取方式主要有哪几种?

摄影成像、扫描成像、雷达成像

Ì如何估计一幅遥感图像的存储空间大小?

Ì遥感图像的信息内容包括哪几个方面？

Ì多光谱空间中，像元点的坐标值的含义是什么？

Ì与通用图像处理技术比较，遥感数字图像处理有何特点？

Ì遥感数字图像处理包括那几个环节？

各环节的处理目的是什么？

2.遥感图像的统计特征

2.1图像空间的统计量

灰度直方图：

概念、类型、性质、应用

概念：

用来描述图像中每一灰度级与其出现频率间的关系的图表

类型：

直方图：

横坐标为的灰度级，纵坐标为等于各个灰度级像元的出现频率（像元数）

累计直方图：

横坐标为的灰度级，纵坐标为小于等于各灰度级的像元的出现频率（像元数）

性质：

直方图反映表示不同灰度像元的出现频率，不包含像元的位置信息

同一图像的直方图唯一，同一直方图可以对应不同的图像

一幅图像的直方图等于其各部分图像直方图之和

同类地物的直方图接近正态分布

应用：

1.直方图是图像分析的重要工具。

通过分析直方图可以了解图像的质量及其它相关信息

2.通过调整直方图形态可以改善图像对比度

最大值、最小值、均值、方差的意义

最大值、最小值、变差：

反映图像的动态范围

均值：

反映图像的总体亮度

方差：

指各波段亮度值的方差，反映图像信息量的大小

2.2多光谱空间的统计特征

均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义

均值向量：

描述象元矢量x在多光谱空间中的平均（中心）位置

协方差矩阵：

N个波段相互间的协方差排列在一起所组成的矩阵

意义：

描述象元矢量x在均值向量m附近的分布情况

描述影像波段间的相关性

相关系数：

描述影像波段间的相关程度的统计量

反映了两个波段图像所包含信息的重叠度

相关矩阵：

N个波段相互间的相关系数排列在一起所组成的矩阵

反映了波段间包含信息的重叠度

波段散点图概念及分析

概念：

散点图是表示两个变量之间关系的图，又称相关图。

通过作散点图对数据的相关性进行直观地观察，不但可以得到定性的地论，而且可以通过观察剔除异常数据。

通过观察相关图主要是看点的分布状态，概略地估计两因素之间有无相关关系，从而得到两个变量的基本关系。

Ì主要遥感图像的统计特征量的意义

Ì两个重要的图像分析工具：

直方图、散点图

3.遥感数字图像增强处理

图像增强：

概念、方法

概念：

用于改善图像质量或突出图像中感兴趣的信息，加强图像判读和识别效果的图像处理方法

方法：

图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制（掩盖）图像中某些不需要的特征，使图像与视觉响应特性相匹配。

空间域增强、频率域增强

空间域增强：

直接对图像象素灰度值进行处理

频率域增强：

将图像经傅立叶变换后的频谱成分进行处理，然后逆傅立叶变换获得所需的图像，达到增强的目的

3.1辐射增强：

概念、实现原理

概念：

一种直接通过改变图像中象元的亮度值来改变图像的对比度，从而改善图像质量的处理方法

实现原理：

点运算：

逐个象元进行处理，处理结果与邻近象元无关

查找表：

用以描述图像变换前后象元亮度值关系的图表

影响直方图：

是影像灰度值的函数，是描述影像中各灰度值象元个数的图表，其横坐标表示象元的灰度，纵坐标表示象元的个数

直方图修正，线性变换、分段线性变换算法原理

直方图修正：

图像直方图修正是指通过修改影像直方图来改善图像对比度。

图像直方图修正是通过指定原始图像与新图像象元值间的变换关系来实现的

线性变换：

在曝光不足或过度的情况下，图像灰度会局限在一个很小的范围，是一个模糊不清、似乎没有灰度层次的图像。

采用线性变换对图像每一个像素灰度作线性拉伸，可有效地改善图像视觉效果。

分段线性变换算法：

不同亮度范围采用不同线性变换函数

直方图均衡化、直方图匹配的应用

直方图均衡化：

将原图像的直方图通过变换变为均匀直方图，从而得到一幅灰度均匀分布的图像

直方图匹配：

将原直方图修正到指定的结果（形状）-直方图规定化

应用：

图像镶嵌

3.2空间增强

邻域、邻域运算、模板、模板运算

邻域：

对于图像中的任一象元（i,j），把象元集合{i+p,j+q}（p,q为任意整数）叫该象元的邻域

邻域运算：

基于输入像素的一个邻域的像素灰度确定该像素输出灰度的图像处理运算

模板：

是一个大小为M×N的数值矩阵，如3×1、2×2、3×3、5×5等。

模板运算：

用于实现邻域运算，其数学涵义是一种卷积运算，运算结果称为模板响应。

图像卷积运算：

在图像的左上角开一个与模板同样大小的活动窗口，图像窗口与模板像元的亮度值相乘再相加，得到新像元的灰度值。

空间增强的概念

概念：

或称几何增强、空间滤波，是一种基于邻域运算的影像处理技术，主要用于实现图像空间几何特征的增强处理，包括平滑和锐化

平滑（均值滤波、中值滤波）原理、特点、应用

平滑：

用于去除遥感图像中的噪声或减小图像灰度变化幅度。

也称低通滤波，用于抑制图像中的高频分量，模糊图像细节

均值滤波：

对图像边缘的影响较大

适合用于去除零均值的随机噪声

随着邻域的加大，图像的模糊程度也愈加严重

中值滤波：

处理结果为图像窗口中象元值按大小顺序排列的中间数

能较好地保持大多数边缘特征

适合用于去除脉冲噪声

锐化、边缘增强概念

锐化：

通过增强高频分量来减少图象中的模糊度，因此又称为高通滤波。

主要用于增强图像的边缘和灰度跳变部分，又称边缘增强

方法主要有空间梯度法和方向模板

方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点

方向模板：

用于增强与模板方向一致的边缘。

据方向，分为三类：

–垂直（Vertical）模板

–水平（Horizontal）模板

–对角（Diagonal）模板

•计算图像经过下列操作后，其中心象元的值：

–3×3中值滤波

–

采用3×3平滑图像的减平滑边缘增强

–域值为2的3×1平滑模板

–Sobel边缘检测

–Roberts边缘检测

–模板

3.3频率域处理

高频和低频的意义

•高频和低频是频率域中的概念

•高频对应亮度快变部分；低频对应亮度变化平缓部分

图像的傅里叶频谱

傅里叶变换是把一个信号分解为许多不同频率正弦波之和

频率域增强的一般过程

频率域低通滤波

•低通滤波通过衰减F（u,v）中的高频成分来实现

–基本模式：

G（u,v）=F（u,v）H（u,v）

–主要是选择滤波函数H（u,v）

•低通滤波器：

–理想低通滤波器

–巴特沃思（Butterworth）滤波器

由于高频部分包括大量噪声和边缘信息，因此理想低通过滤器处理后可平滑图像，但是会导致边缘损失，使图像边缘模糊

频率域高通滤波

•对F（u,v）的高频成分的衰减可以使图象模糊

•反之对高频成分的通过可以使图象锐化

–频率域的这种处理不会影响低频成分

•高通和低通的关系可以表示为

–Hhp（u,v）=1-Hlp（u,v）

–即低通阻塞的频率是能够通过高通的

•三种高通滤波器：

–理想高通滤波器

–巴特沃思（Butterworth）高通滤波器

由于高频部分包括大量噪声和边缘信息，因此理想高通过滤器处理后可锐化图像

同态滤波的应用

应用：

采用图像同态滤波方法，如果使用合适的滤波特性函数，可以达到既压缩灰度动态范围，又能让感兴趣的物体部分灰度级扩展，从而使图像清晰

3.4彩色增强

彩色影像的类型：

真彩色、假彩色、伪彩色

真彩色（truecolor）：

红绿蓝三波段合成

假彩色（falsecolor）：

真彩色之外的其它彩色合成方案

伪彩色（pseudocolor）：

灰度图象的彩色显示

将不同的灰度值赋予不同的颜色显示

标准假彩色影像

彩色变换的概念及应用

概念：

RGB和HIS两种色彩模式可以相互转换。

把RGB系统变换为HIS系统称为HIS正变换；HIS系统变换成RGB系统称为HIS逆变换。

应用：

分别调整图像的色调、饱和度和亮度时，其它成分不受影响

不同空间分辨率图像融合

4.多光谱变换

图像运算：

加法运算、差值运算、比值运算的概念及应用

图像运算：

是指对两幅或两幅以上的输入图像的对应像元逐个地进行和、差、积、商的四则运算，以产生有增强效果的图像

加法运算：

指两幅或多幅同样大小的图像对应象元的灰度值相加。

可用于削弱图像的加性噪声。

差值运算：

指两幅同样大小的图像对应象元的灰度值相减。

用于动态监测、运动目标检测和跟踪及目标识别等

比值运算：

两个波段对应像元的灰度值之比或几个波段组合的对应像元灰度值之比。

应用：

可以扩大不同地物的光谱差异，区分在单波段中容易发生混淆的地物

可以消除或减弱地形阴影、云影影响和植被干扰以及显示隐伏构造等

植被指数

植被指数：

是基于植被在红光波段（R）的强吸收和近红外波段（IR）的强反射，通过这两个波段影像的比值或线性组合来表达植被信息（如叶面指数、植被覆盖度、生物量等）的参考量

–

差值植被指数

–比值植被指数

–

归一化差值植被指数

–绿度植被指数：

KT变换中的绿度

主成分变换的目的和特点

即主成分分析（PCA）、卡夫林－列夫变换（KL变换），是根据各波段之间的协方差或相关系数构建的一种正交线性变换方法

目的：

把原来多波段图像中的有用信息集中到数目尽可能少的新的主成分图像中，并使这些主成分图像之间互不相关，也就是说各个主成分包含的信息内容是不重叠的，从而大大减少总的数据量并使图像信息得到增加

特点：

（1）由于是正交线性变换，所以变换前后的方差总和不变，变换只是把原来的方差（方差大说明信息量大）不等量的再分配到新的主成分图像中

（2）第一主成分包含了总方差的绝大部分（一般在80%以上），信息最丰富，图像对比度大，其余各主成分的方差依次减小

（3）变换后各主成分之间的相关系数为零，也就是说各主成分间的内容是不同的，是“正交”的

（4）是一种数据压缩和去相关技术，即把原来的多变量数据在信息损失最少的前提下，变换为尽可能少的互不相关的新的变量，以减少数据的维数，便于显示和分析。

（5）第一主成分相当于原来各波段的加权和，而且每个波段的加权值与该波段的方差大小成正比。

其余各主成分相当于不同波段组合的加权差值图像。

（6）第一主成分还降低了噪声，有利于细部特征的增强和分析，适用于进行高通滤波，线性特征增强和提取以及密度分割等处理。

（7）在几何意义上相当于进行空间坐标的旋转，第一主成分取波谱空间中数据散布最大的方向；第二主成分则取与第一主成分正交且数据散布次大的方向，其余依此类推。

（8）可以在图像中局部地区或者选取训练区的统计特征基础上作整个图像的K-L变换，则所选部分图像的地物类型就会更突出。

（9）可以将所有波段分组进行K-L变换，再选主成分进行假彩色合成或其它处理。

缨帽变换概念和特点（图像分析）

概念：

是Kauth和Thomas通过分析陆地卫星MSS图像反映农作物和植被生长过程的多时相数据，提出的一种经验性的、固定核的多波段图像的线性组合变换，又称K-T变换

•u1为“亮度（Brightness）”特征，反映地物总体辐射强度，土壤亮度；

•u2为“绿度（Greenness）”特征，反映地面植被状况；

•u3为“黄度（Yellowness）”特征，反映地面黄色物质；

•u4无明确物理意义。

最小噪声分离变换：

目的、实现、特点

•主分量变换（PCT）的原理和特点

•缨帽变换的物理意义

•MNF变换的特点

5遥感影像融合

概念、目的

概念：

是将同一区域的多源遥感图像按统一的坐标系统，通过空间配准和内容复合，生成一幅比单一信息源更准确、更完全、更可靠的新图像的技术

目的：

消除多源信息之间可能存在的冗余和矛盾，降低其不确定性，减少模糊度，形成更清晰、完整、准确的图像。

多光谱影像与全色波段影像融合：

目的

•对于光学系统的遥感影像,其空间分辨率和光谱分辨率是一个矛盾,一般在一定的信噪比的情况下,光谱分辨率的提高是以牺牲空间分辨率为代价的。

•通过将较低空间分辨率的多光谱影像和较高空间分辨率的全色波段影像融合,可以产生具有多光谱和高空间分辨率的影像。

•由于遥感应用需要更高的光谱分辨率和空间分辨率,若将多光谱影像与较高空间分辨率的全色波段影像进行融合,则能满足这一要求

多光谱影像与全色波段影像融合的基本过程

常用遥感影像融合算法：

HSI变换法、主分量变换（PCT）法的基本原理

HIS变换法：

指定多光谱影像中三个波段作为RGB空间的红（R）、绿（G）、蓝（B）分量，合成彩色图像，变换到HSI空间，然后用高分辨率全色波段替代亮度（I）分量，再反变换回RGB空间

主分量变换：

将多光谱波段主分量变换，将变换得到的各波段进行重采样，使之与高分辨率全色波段空间分辨率一致，用高分辨率全色波段代替第一主分量，进行逆变换，实现影像融合。

6.遥感数字影像误差校正和配准

辐射校正，系统辐射校正、大气校正的概念

辐射校正：

由于传感器响应特性和大气的吸收、散射及其它随机因素影响，导致图象模糊失真，造成图象分辨率和对比度相对下降。

消除图像数据中依附在辐射亮度中的各种失真的过程称为辐射校正。

系统辐射校正：

去条带算法、噪声消除

大气校正：

消除主要由大气散射、吸收引起的辐射误差的处理过程

几何校正的概念

概念：

从图像中消除几何变形的过程

几何粗校正的概念

概念：

几何粗校正是针对卫星运行和成像过程中引起的几何畸变进行的校正，即卫星姿态不稳、地球自转、地球曲率、地形起伏、大气折射等因素引起的变形。

几何精校正的概念

概念：

几何粗校正是针对卫星运行和成像过程中引起的几何畸变进行的校正，即卫星姿态不稳、地球自转、地球曲率、地形起伏、大气折射等因素引起的变形。

几何精校正的一般步骤、两个基本环节

一般步骤：

①选择控制点：

在遥感图像和地形图上分别选择同名控制点，以建立图像与地图之间的投影关系，这些控制点应该选在能明显定位的地方，如河流交叉点等。

②建立整体映射函数：

根据图像的几何畸变性质及地面控制点的多少来确定校正数学模型，建立起图像与地图之间的空间变换关系，如多项式方法、仿射变换方法等。

③重采样内插：

为了使校正后的输出图像像元与输入的未校正图像相对应,根据确定的校正公式，对输入图像的数据重新排列。

在重采样中，由于所计算的对应位置的坐标不是整数值，必须通过对周围的像元值进行内插来求出新的像元值。

两个基本环节：

（1）象元坐标变换；

（2）象元灰度值重新计算（重采样）。

灰度值的重采样，三种方法

几何校正过程中，由于校正前后图象的像元大小可能变化、象元点位置的相对变化等，不能简单用原图象象元灰度值代替输出象元灰度值。

对应的坐标值可能不是整数。

因此，需要插值（重采样）。

三种方法：

最邻近法、双线性法、三次卷积法

最近邻法：

用距离投影点（采样点）最近象元灰度值代替输出象元灰度值

优点：

1保留大量原始灰度值，没有经过平滑处理，对于区分植被类型、识别线性特征等有重要意义

2简易、省时

缺点：

1锯齿状、不平滑

2某些值重复、某些值丢失

3对线性地物，可能出现不连续

双线性法：

考虑投影点（采样点）周围4个相邻象元的灰度值，并根据各自权重计算输出象元灰度值

优点

1较平滑，没有锯齿状

2与最邻近法相比，空间信息更准确些

3常用于改变象元大小时，如数据融合

缺点：

象元值被平均化，某些地物边缘更平滑，某些极值可能丢失

三次卷积法：

取与投影点邻近的16个象元灰度值（4*4），计算输出象元的灰度值

优点：

1与其它重采样方法相比，均值和标准偏差与原始象元的相一致

2改变象元大小时使用（改变幅度更大时）

TM/航片

3可能锐化图象、平滑噪声，实际的效应与数据有关

缺点：

1数据的值可能被改变

2计算费时

多项式纠正法的基本原理

基本原理：

不考虑成像的空间几何过程，而直接对图象变形本身进行数学模拟。

把遥感图象的变形看作是平移、缩放、旋转、仿射、偏扭、弯曲及更高次基本变形综合作用的结果，将纠正前后同名象点间的坐标关系用一个多项式表达

控制点的选择

地面控制点（GCP，GroundControlPoint）:

一些特定的象元，其地图坐标或其它输出坐标为已知

•人工地物

•线性地物交叉点

•不易随时间变化的目标

大比例尺的图象：

道路交叉点、机场跑道、建筑物

小比例尺的图象：

城区、一些线性地物交叉点（河流、道路）

分布：

较均匀分布与图象范围内，保证足够数量

最小个数：

（t+1）*（t+2）/2t:

多项式的次数

注意问题：

1.多项式纠正法的精度与地面控制点（GCP）的精度、分布、数量及纠正范围有关；

GCP的位置精度越高，则几何纠正的精度越高；GCP的个数不少于多项式的系数个数；适当增加GCP的个数，可以提高几何纠正的精度。

20-30个GCP，一般可以满足需求

2GCP分布应尽可能在整幅图像内均匀分布，否则在GCP密集区精度较高，在GCP分布稀疏区出现较大误差

•遥感图像为何要进行辐射校正和几何校正？

•影像重采样的方法有哪些，各有何特点？

•几何校正控制点在数量和分布上有何要求？

7.遥感图像分类

遥感图像计算机分类的概念、基本原理、一般步骤

概念：

是通过模式识别理论，利用计算机将遥感图象自动分成若干地物类别的方法。

基本原理：

不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征

一般步骤：

分类预处理：

大气校正、几何校正

特征选择（提取）

分类

分类后处理，包括精度评价

专题图制作

监督分类、非监督分类的概念

监督分类：

通过分析代表各类别的已知样本（训练区）象元的光谱特征，取得各类别的识别参数，确定判别函数，进行分类。

非监督分类：

根据事先指定分类器，进行计算机自动判别归类，无须人为干预，分类后需确定地面类别

非监督分类的方法：

K-均值法的算法，ISODATA

K-均值法的算法：

在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件,分类完毕.

1.确定最初类别数和类别中心;

2.计算每个像元所对应的特征矢量与各聚类中心的距离;

3.选与其中心距离最近的类别作为这一矢量（像元）的所属类别;

4.计算新的类别均值向量;

5.比较新的类别均值与原中心位置的变化,形成新的聚类中心;重复2,反复迭代;

6.如聚类中心不再变化,停止计算.

ISODATA：

与K-均值类似，在迭代过程中加入了类合并和删除处理

监督分类的一般步骤，主要方法

一般步骤：

确定分类区域的地面覆盖类型，即确定信息类；

选取训练区（TrainingField），即在每个信息类中选择一定数量有代表性的象元集作为样本数据；

训练分类器，即利用训练数据估计分类器参数；

使用训练好的分类器对影像象元逐个进行归类；

输出分类结果。

包括用以描述分类结果的统计表格或专题图。

主要方法：

⏹最小距离法

⏹平行管道法

⏹最大似然法

⏹光谱角填图法（SpectralAngleMapper，SAM）

⏹人工神经网络法（ANN）

最小距离法,平行管道法,最大似然法的基本思想

平行管道法：

1使用简单的分类规则进行多光谱遥感图像的分类。

2决策线在n维光谱空间中是一个平行的管道。

3管道的直径根据距离平均值的标准差确定。

4如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。

5如果落在多个类中，则将这个像元划分到最后匹配的类别。

6落不到任何管道中，则标识为未分类像元。

最小距离法：

⏹一种相对简化了的分类方法。

前提是假设图象中各类地物光谱信息呈多元正态分布。

⏹假设N维空间存在M个类别，某一像元距哪类距离最小，则判归该类

⏹通过训练样本事先确定类别数、类别中心，然后进行分类。

分类的精度取决与训练样本的准确与否

最大似然法：

⏹建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法

⏹判别函数：

gi（x）=p（wi/x）p（wi/x）:

后验概率

根据贝叶斯公式：

gi（x）=p（wi/x）=p（x/wi）p（wi）/p（x）

p（x/wi）为在wi观测到x的条件概率，p（wi）为类别wi的先验概率，p（x）为变量x与类别无关情况下的出现概率。

当待分图像存在m个类别时，需要计算并比较m个p（x/wi）,根据贝叶斯准则，取其中最大者所代表的类别为待判像元的归属类别。

假设：

训练区光谱特征服从正态分布

计算每个像元属于每一类的概率gi（x）,找出gi（x）最大者,将该像元归为概率最大的这一类

8.分类后处理

主要目的：

消除类别噪声、类别统计、精度评价

众数分析、少数分析、类聚块、类过滤的目的

众数分析：

用于去除单个类中的虚假象元

利用模板运算实现，模板中心象元被赋值为模板窗口中占多数的象元的值

少数分析：

模板中心象元将被赋值为模板窗口中占少数的象元的值

类聚块：

使空间上邻近的同一类的区域连成块

用于消除类别图中空间上的不一致（如小斑块、空洞等）

通常采用形态学方法进行

类过滤：

用于消除类别图中孤立象元

通过查找象元8邻域或4邻域中是否存在同一类别的象元来进行，如有则保留，没有则去除

分类精度的评价：

混淆矩阵法

•混淆矩阵是通过比较分类结果和地面真实情况得到的数值矩阵。

列表示地面真实类（ground