（1）意大利米拉贝洛5.9级地震灾区。本节以表3.3中对应初始训练样本和测试样本为例，对比基于不同特征的灾场地物分类结果，并分析不同特征对灾场地物的分类能力。
表3.5为基于光谱+纹理特征分类的混淆矩阵。结果表明：基于光谱+纹理的灾场地物分类总体精度（Overall Accuracy，OA）和Kappa系数均较低，分别为67.42%和0.56；该特征组合对地面和植被的分类效果较好，其用户精度分别为87.52%和91.67%，说明这两种地物的光谱+纹理特征与其他几类地物差异较大，尤其对植被而言，其分类的用户精度最高，为91.67%；墙面和屋顶的分类精度接近且均较低，分别为41.90%和68.33%；墙面和屋顶的相互错分明显，这是导致两类地物分类精度低的主要原因；此外，碎屑的分类精度最低，仅为28.48%，约70%的碎屑物被错分为屋顶（50%，5 872/12 319）和墙面（20%，2 245/12 319）。分析碎屑、屋顶和墙面错分的原因为：该研究区建筑类型单一，均为砌体结构，且建筑材料基本相同，导致三者地物的光谱特征基本一致，单纯基于光谱+纹理特征对三者的可分性低。
表3.5 米拉贝洛震区基于光谱+纹理特征初始分类的混淆矩阵
表3.6为基于几何特征对灾场地物分类的结果，其地物分类的总体精度和Kappa系数较前者更低，分别为63.16%和0.50。此外，相对于光谱+纹理特征的分类结果，几何特征对屋顶和墙面的分类精度均有明显提高，其用户精度分别为89.00%和72.88%，这主要得益于两者之间错分率大幅下降。此外，植被的分类精度下降幅度较大，其用户精度仅为33.63%，被大量错分为屋顶、墙面和地面。究其原因：植被种类多，高大树木的树冠高度与建筑物基本一致，低矮建筑高度上与地面接近，据此可认为导致屋顶、地面和屋顶错分几何特征主要为“绝对高差”；此外，高大植被在空间分布上呈垂直分布，其“高程方差”的值与墙面基本一致，均较大，由此推断造成植被与墙面错分的主要几何特征为“高程方差”。因此，在后续研究以几何特征为主导的分类问题时需考虑新的几何特征，如点云密度等，来避免植被与其他地物的错分。表3.6中碎屑的分类结果依然最差，其用户精度为28.88%，与基于光谱+纹理特征的分类结果几乎相同。然而，本次分类中造成碎屑精度低的原因与表3.5中原因不同。本次分类中，50%以上的碎屑物被错分为地面点，主要原因为绝大多数碎屑物散落在地面上，导致两者在空间上分布上差别较小，几何特征相近，但并不完全相同。
表3.6 米拉贝洛震区基于几何特初始征分类的混淆矩阵
续表
表3.7为基于光谱+纹理+几何特征对灾场地物分类的混淆矩阵。相比上述两类特征的分类结果，该组合特征对地物分类的总体精度和Kappa有明显提高，分别为87.08%和0.82。此外，各种地物的用户精度均有一定程度的提高。其中，屋顶、地面和植被的分类精度均在90%以上，植被的分类精度最高，达97.21%。虽然碎屑的分类精度仍最低，为63.89%，但其相对于上述两类特征的分类精度有明显提高，约3倍。
图3.9（a）为基于光谱+纹理特征的分类结果。与表3.5中混淆矩阵结果一样，建筑屋顶和墙面、碎屑物之间错分严重。大量建筑屋顶被错分为碎屑和墙面，而墙面和碎屑物之间的错分现象较弱；相反，植被和地面的分类效果较好且类内均匀。
表3.7 基于光谱+纹理+几何特征分类的混淆矩阵
图3.9（b）为单纯基于几何特征的分类结果。图3.9（b）存在大量的椒盐噪声，主要为地面、碎屑和植被之间相互错分导致。图3.9（b）大量建筑屋顶和墙面被错分为植被，而且这些被错分的点高程较大且在空间分布上与植被保持一致；高程较低的墙面基本全部被正确分类。图3.9（c）为基于光谱+纹理+几何特征的分类结果。从视觉上看，除少量屋顶被错分为地面之外，其他地物均分类正确。
综合分析，基于几何特征分类的结果椒盐现象严重，而其他两类特征的分类结果类内较均匀；光谱+纹理特征对植被和地面分类效果较好，而几何特征对低矮墙面的分类效果较好；虽然基于光谱+纹理+几何特征对各种地物的分类精度均有一定程度的提高，但是其分类结果中引入了新的错分类别，如图3.9（c）中部分屋顶点被错分为地面，而这种错分情况在图3.9（a）和图3.9（b）中均并未出现。因此，对多个特征的线性组合不等同于各自特征分类结果的绝对互补。此外，上述分类的结果种均有一定的错分，说明初始训练样本中可能包含一定的错点，这在后文基于主动学习的分类结果中得到验证。
(www.xing528.com)
图3.9 基于初始训练样本分类结果（米拉贝洛震区）
（a）基于光谱+纹理特征；（b）基于几何特征；（c）基于光谱+纹理+几何特征
（2）芦山7.0级地震灾区。
表3.8为芦山震区基于光谱+纹理特征初始分类的混淆矩阵，总体分类精度和Kappa系数分别为72.78%和0.61。与米拉贝洛震区分类的结果类似，光谱+纹理特征对地面和植被的分类精度较高，其中植被的分类精度为100%；虽然碎屑的分类精度较米拉贝洛震区实验中的28.46%明显提高，为43.62%，但是其被错分的地物类型几乎全部为屋顶，进一步验证了碎屑与屋顶的从属关系，即碎屑是屋顶破碎了的表现形式，其光谱特征保持一致，单纯依靠光谱+纹理特征对两类地物的可分性低；屋顶与低矮地物间的错分比较严重。
表3.8 芦山震区基于光谱+纹理特征初始分类的混淆矩阵
表3.9为芦山震区基于几何特征初始分类的混淆矩阵，总体分类精度和Kappa系数分别为68.57%和0.55，较光谱+纹理特征的初始分类精度稍低。结果表明，几何特征对屋顶的分类精度较高，为84.09%，而对植被和碎屑的分类精度较低，分别为28.16%和22.80%。
表3.9 芦山震区基于几何特征初始分类的混淆矩阵
表3.10为基于光谱+纹理+几何特征初始分类的混淆矩阵，总体分类精度和Kappa系数较上述两组特征分类结果均有明显提高，分别为93.23%和0.90。结果显示，除了部分低矮地物被错分为屋顶和碎屑导致其用户精度较低（75.18%），其他地物的分类精度均在90%左右，最高为屋顶和植被，分别为96.61%和99.38%。
表3.10 芦山震区基于光谱+纹理+几何特征初始分类的混淆矩阵
图3.10为芦山震区基于不同特征的初始训练样本分类结果。与米拉贝洛震区的初始分类结果相似，各类地物之间存在着明显的错分。图中椭圆标识范围显示，即使各类地物的用户精度接近100%，植被、地面和屋顶三类地物仍有显著错分。
图3.10 基于不同特征初始训练样本分类结果（芦山震区）
（a）基于光谱+纹理特征；（b）基于几何特征；（c）基于光谱+纹理+几何特征
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
