前言
在完成地物的逐像元分类后，分类结果易受噪声、影像质量、算法特性等多种因素的干扰，往往会出现孤点、细碎图斑等问题。这些问题会显著降低分类结果的准确性和实用性，因此对分类结果进行后处理十分必要。
常见的分类后处理方法包括滤波、聚类、形态学处理等。这些方法能够有效剔除不合理的像元，让分类结果更加平滑、连续。此外，根据实际需求，有时还需将处理后的结果转换为矢量格式。
为确保分类结果的可靠性，还需要开展精度评价工作。通过混淆矩阵、Kappa系数等指标量化分类结果的准确性，从而为后续的分析与应用提供科学依据。本文将详细介绍在MapGIS中进行分类后处理的具体流程。
分类后处理
滤波与小斑块合并
在遥感影像完成分类后，往往需要通过后处理来提升分类结果的质量与可用性。其目标是消除噪声、减少碎片斑块，使分类图更加规整、连续，从而提高制图效果和统计精度。
在 MapGIS 中，分类后处理-统计分析-分类结果分析处理工具实现该功能。首先通过聚类统计对分类影像进行邻域分析，得到各类别在局部范围内的分布情况文件，作为后续处理的依据。然后利用过滤分析对分类结果进行平滑，去除孤立像元和椒盐噪声，使区域更加连续。最后通过去除分析，检测并清理面积较小的斑块，将其合并到邻近的主要类别中，减少零碎区域，得到更合理的分类结果。
分类结果合并
通过分类后处理-小区合并工具实现该功能，将多个分类结果文件合并为一个，方便后续的分析和应用。
栅格转矢量
将经过后处理的分类结果转换为矢量格式，便于进行属性编辑、制图等操作。
精度评价
支持通过抽样点或AOI对分类结果进行精度评价，精度评价指标包括误差矩阵、各类精度、总精度和Kappa系数。
- 误差矩阵是一种用于评估分类结果准确性的工具，它展示了分类器将样本分配到不同类别的情况。矩阵的行代表实际类别，列代表分类器预测的类别。每个单元格中的数值表示该分类器将该样本分配到对应类别的次数。通过分析误差矩阵，可以了解分类器在不同类别上的分类性能。
- 各类精度是指分类器在每个类别上的分类准确率，计算公式为该类别被正确分类的次数除以该类别总样本数。
- 总精度是指分类器在所有类别上的平均分类准确率，计算公式为所有类别精度的平均值。
- Kappa系数是一种用于评估分类结果准确性的指标，它考虑了分类器的随机分类准确率和分类结果的绝对准确率。Kappa系数的取值范围为[-1, 1]，值越接近1表示分类结果越准确，值越接近-1表示分类结果越随机。