ENVI：分类后处理三件套：Majority/Minority 消孤立像元、聚类合并小图斑、转矢量

一、为什么分类结果需要“后处理”：问题定义与主线

任何基于像元的分类器，本质上都在做一个“逐像元独立判断”：给定该像元的光谱（有时加上纹理、地形、时序）特征向量，输出一个类别标签。这种范式从最大似然分类（MLC）到支持向量机（SVM）、随机森林（RF），再到近年主流的卷积神经网络（CNN）与 Transformer，虽然特征表达能力天翻地覆，但“独立判断”的内核在输出层面并没有根本改变——除非模型显式引入空间上下文。

于是问题就来了：真实地表是连续、成片、有边界的，而分类输出是离散、破碎、带噪声的。二者之间的落差，正是分类后处理要解决的问题。笔者把这类问题归纳为三类典型“病症”：

• 孤立像元（Salt-and-pepper noise）：某个像元被误判为与周围完全不同的类别，形成“孤岛”。常见于混合像元、阴影、云边缘、训练样本重叠区。
• 碎小图斑（Small patches / Fragmentation）：同一地物被切割成大量零散小斑块，导致图斑数量虚高、面积统计碎片化、矢量边界极其复杂。
• 边界锯齿（Jagged boundaries）：栅格化边界呈阶梯状，直接转矢量会产生大量冗余节点，制图不美观，几何运算效率低。

本文确立的独创性分析主线是：“从像元噪声到地理对象”。也就是说，后处理三件套并不是三个孤立的按钮，而是一条逐级抽象、逐级语义化的流水线——Majority/Minority 在像元层面做局部投票去噪；Clump/Sieve 在图斑层面做连通性合并与面积过滤；Raster to Vector 在对象层面完成栅格到地理要素的语义跃迁。三级抽象对应三种空间尺度，也对应三类误差来源。理解了这条主线，参数就不再是“凭感觉填”，而是有明确的物理与统计含义。

本文评述：很多教程把后处理当作“让图好看一点”的收尾步骤，这是对后处理价值的低估。从信息论角度看，后处理是在引入先验——即“地表具有空间自相关性”这一地理学第一定律（Tobler, 1970）。后处理的本质，是用空间先验去修正逐像元分类的条件独立假设偏差。因此它不是“美颜”，而是“空间推理”。

二、理论基础：从像元到对象的空间上下文建模

2.1 空间自相关与地理学第一定律

Tobler 提出的地理学第一定律指出：一切事物都与其他事物相关，但近处的事物比远处的事物更相关。这条定律是几乎所有空间后处理方法的理论基石。Majority 滤波假设“邻域内多数像元的类别更可信”，本质上是把空间邻近性转化为类别投票权重；Clump 假设“相邻且同类别的像元属于同一对象”，本质上是把空间连通性转化为对象聚合规则。

从统计学角度，空间自相关可以用 Moran's I、Geary's C 等指标度量。分类结果的 Moran's I 通常显著为正，说明类别标签在空间上聚集。后处理正是利用这种正自相关结构去压制随机噪声。笔者提醒：如果研究区本身地物高度破碎（如城郊过渡带、喀斯特地貌），空间自相关较弱，此时过度后处理反而会“抹掉”真实细节。

2.2 马尔可夫随机场（MRF）视角

MRF 是分类后处理最经典的概率框架。它把类别标签场建模为马尔可夫随机场，通过能量函数同时约束“数据项”（与光谱观测一致）和“平滑项”（与邻域标签一致）。ICM、模拟退火、图割（Graph Cut）是常见求解方法。ENVI 的 Majority/Minority 可以看作 MRF 平滑项的一个极简特例——只做硬投票，不做概率优化。

本文评述：把 ENVI 的 Majority 滤波放到 MRF 框架下理解，就能明白它的局限：它只利用了邻域标签，没有利用原始光谱似然，也没有全局能量优化。因此当分类器本身置信度很低时，Majority 可能“以错纠错”。工程上更稳妥的做法是保留分类置信度图层，在投票时引入置信度加权，或直接使用 MRF/CRF 后处理工具。

2.3 数学形态学与连通性

Clump 与 Sieve 的理论根基是数学形态学与图论中的连通分量分析。栅格图可以视为一张图：每个像元是节点，4 邻域或 8 邻域相邻且同类别则连边。连通分量即“图斑”。Clump 的操作可以理解为：先做类别内的连通分量标记，再对小于阈值的分量做合并或消除。Sieve 则是直接按面积阈值删除小分量，用邻域最大类别填充。

三、第一件套：Majority/Minority 分析消孤立像元

3.1 工具定位与入口

ENVI 中该工具位于 Classification → Post Classification → Majority/Minority Analysis。它接收一张分类图（Classification Image），输出一张经过邻域投票修正的分类图。注意：该工具要求输入是分类结果，而不是原始多光谱影像。

3.2 参数逐项拆解

其中 Class Threshold 是最容易被忽视、却最关键的参数。它允许你为每个类别单独设定“被替换的门槛”。例如城市不透水面占主导，若不加约束，Majority 会把小片林地、水体吞掉。通过给林地、水体设置较低的替换门槛（即更难被替换），可以保护稀有地物。

3.3 操作步骤（可复现）

1. 在 ENVI 中打开分类结果，确认类别名称与颜色表已正确加载。
2. 进入 Majority/Minority Analysis，选择输入分类图。
3. Kernel Size 设为 3×3，勾选 Center Pixel，Method 选 Majority。
4. 在 Class Threshold 面板中，为稀有类别（水体、湿地）设置更高保留权重。
5. 指定输出路径，运行并对比处理前后分类图。
6. 用 Confusion Matrix 或面积统计对比处理前后差异。

笔者认为：Majority 滤波的“副作用”常被低估。它本质上是在做局部众数替换，对细长地物（道路、沟渠、田埂）极不友好。一条 2 像元宽的道路，在 3×3 窗口下很容易被两侧农田“投票吃掉”。因此，若研究目标包含线状地物，建议先做线状地物掩膜保护，或改用保边滤波（如中值滤波结合边缘检测）。

3.4 与中值滤波、众数滤波的关系

从信号处理角度看，Majority 滤波是“类别域的中值/众数滤波”。它与灰度中值滤波的区别在于：中值滤波在数值域取中位数，Majority 在类别域取众数。二者都属排序统计滤波器。近年有研究把保边滤波思想引入分类后处理，例如引导滤波（Guided Filter）用于概率图平滑，能在去噪同时保留边界。这类方法在 ENVI 中需借助 IDL 二次开发实现。

四、第二件套：聚类合并与过滤（Clump / Sieve）

4.1 Clump：连通分量合并

Clump 工具位于 Classification → Post Classification → Clump Classes。它的核心逻辑是：对每个类别，找出所有连通分量（图斑），然后按面积阈值把过小的图斑合并到相邻的、面积更大的同类图斑中。注意，Clump 只在同一类别内部合并，不会跨类别。

参数主要有两个：Operator（通常选 Clump）和 Kernel Size（决定合并时的邻域搜索范围）。Kernel 越大，合并越激进。工程上常用 3×3 或 5×5。

4.2 Sieve：面积阈值过滤

Sieve 工具位于 Classification → Post Classification → Sieve Classes。它按图斑面积阈值删除小图斑，并用邻域最大类别填充。与 Clump 的区别在于：Clump 是“合并同类”，Sieve 是“删除并填充”。

4.3 阈值怎么定：从像元数到最小成图单元

阈值不是拍脑袋定的，而应由最小成图单元（MMU, Minimum Mapping Unit）反推。MMU 是制图学概念，指地图上能表达的最小图斑面积。若你的制图规范要求 MMU 为 0.5 公顷，影像空间分辨率为 10 m，则一个像元面积 100 m²，0.5 公顷 = 5000 m² = 50 个像元。那么 Sieve 阈值就应设为 50 像元左右。

这个换算看似简单，却是很多工程事故的根源：有人直接填“10”，结果 10 m 分辨率下只过滤了 1000 m²，远小于规范要求；有人填“100”，又把真实小地物全删了。笔者建议：先把 MMU 写进技术设计书，再反算像元阈值，并在报告中注明。

4.4 操作步骤（可复现）

1. 先做 Majority 去噪，得到相对干净的分类图。
2. 打开 Clump Classes，Kernel 设 3×3，运行，观察碎斑减少情况。
3. 再打开 Sieve Classes，按 MMU 反算阈值，运行。
4. 对比三次结果（原始 / Clump 后 / Sieve 后）的图斑数量与总面积。
5. 若仍有明显碎斑，可迭代一次 Clump，但避免超过两次以防过度平滑。

本文评述：Clump 与 Sieve 的先后顺序有讲究。先 Clump 再 Sieve，能先把同类碎斑“抱团”，再用面积阈值统一清理，效率更高、副作用更小。反过来先 Sieve，可能把本可合并的小斑直接删掉，损失信息。这是工程经验，也是连通性分析的自然推论。

五、第三件套：栅格转矢量（Raster to Vector）

5.1 工具定位

ENVI 中位于 Classification → Post Classification → Classification to Vector。它把分类栅格转为 Shapefile 或 GeoJSON 等矢量格式，每个类别生成一个多边形图层，属性表记录类别 ID、名称、面积等。

5.2 边界追踪算法简析

栅格转矢量的核心是边界追踪（Boundary Tracing），常用算法包括 Moore 邻域追踪、Square Tracing、Theo Pavlidis 算法等。其基本思路是：从图斑边界像元出发，按固定方向搜索下一个边界像元，直到回到起点，形成闭合环。ENVI 内部实现会做节点简化（Douglas-Peucker）以减少冗余顶点。

笔者认为：转矢量不是“格式转换”这么简单，它是一次语义升级——从“像元集合”升级为“具有拓扑关系的地理对象”。一旦成为矢量，就可以做叠加分析、拓扑检查、面积量算、与 GIS 数据库挂接。这也是后处理三件套的终点价值所在。

5.3 参数与注意事项

特别提醒：面积字段务必在投影坐标系下计算，地理坐标系（经纬度）下直接算面积会因纬度不同产生严重偏差。这是 GIS 入门经典坑，也是分类成果交付时最常见的错误之一。

六、完整工程路径：从分类图到可用矢量成果

把三件套串成一条流水线，是本文主线的落地形态。下面给出一个可复用的工程路径，适用于 Landsat、Sentinel-2、GF 系列等常见数据。

6.1 流水线设计

原始影像
  ↓ 辐射定标 / 大气校正 / 裁剪
分类（MLC / SVM / RF / CNN）
  ↓
[第1级] Majority 滤波（3×3，保护稀有类）
  ↓
[第2级] Clump 合并（3×3）
  ↓
[第2级] Sieve 过滤（按 MMU 反算阈值）
  ↓
[第3级] Raster to Vector（投影坐标，Merge=ON）
  ↓
拓扑检查 / 面积统计 / 制图输出

6.2 每一步的输入输出与检查点

6.3 与 GIS 平台的衔接

ENVI 转出的矢量可无缝进入 ArcGIS Pro、QGIS、SuperMap 等平台。QGIS 中可用 v.clean（GRASS）做拓扑清理，用 Eliminate 工具做碎斑合并。ArcGIS Pro 中可用 Eliminate、Integrate、Repair Geometry 做后处理。

拓展学习可参考：NV5 Geospatial 官方 Majority/Minority 文档、Clump Classes 官方说明、Classification to Vector 文档、QGIS GRASS 矢量清理工具。

七、精度评估：后处理到底改变了什么

7.1 分类精度 vs 制图精度

后处理对精度的影响是双面的。一方面，它通过空间先验压制噪声，通常能提升总体精度（OA）和Kappa 系数；另一方面，它可能降低用户精度（UA）——因为稀有类别被吞并，漏分增加。因此，评估后处理效果不能只看 OA，必须看混淆矩阵的完整变化。

（注：上表为方法学趋势示意，非某次具体实验数据；实际数值随数据、分类器、参数变化。）

7.2 面积一致性检验

工程上常用“后处理前后各类面积变化率”作为快速体检指标。经验阈值：单类面积变化超过 5% 需警惕，超过 10% 需回查参数。若某类面积骤降，多半是 Majority 或 Sieve 把它“吃”了。

7.3 抽样验证设计

建议采用分层随机抽样，按类别面积比例分配样本点，每类不少于 50 个，用高分辨率影像或野外调查做参考。Olofsson 等（2014）提出的基于误差矩阵的面积估计与置信区间方法，是目前国际主流做法，值得在工程报告中采用。

八、国内外研究进展与前沿趋势

8.1 面向对象后处理的兴起

传统后处理是“先分类、后处理”。近年兴起的面向对象影像分析（OBIA）主张“先分割、后分类”，从源头减少碎斑。eCognition、ENVI 的面向对象工具、以及基于超像素（SLIC、SEEDS）的方法都属于这一路线。笔者认为，OBIA 与后处理并非替代关系，而是互补：OBIA 在分割尺度合适时能大幅减少碎斑，但分割参数敏感；后处理则作为“兜底”，保证成果满足 MMU 要求。

8.2 深度学习分类结果的后处理

CNN、Transformer 分类结果同样存在碎斑，且因下采样—上采样结构，边界往往更“糊”。近三年研究热点包括：CRF（条件随机场）作为网络后处理层、超像素引导的边界精修、以及把后处理嵌入端到端训练（如可微分形态学）。这些方法在语义分割竞赛中表现优异，但工程落地仍受算力与可解释性制约。

8.3 时序一致性与变化检测后处理

在时序分类与变化检测中，后处理还要考虑时间维一致性。例如某像元在 t1、t2 被分为不同类，但 t3 又回到 t1 类别，这种“闪烁”需用时序滤波（如 HMM、时序 Majority）修正。这是三件套之外的新维度，也是当前研究活跃方向。

8.4 自动化参数优化

传统后处理参数靠人工试错。近年有研究用遗传算法、贝叶斯优化、强化学习自动搜索最优 Kernel 与阈值，以 OA 或 F1 为目标函数。这类方法能减轻调参负担，但需注意过拟合验证集的风险。

本文评述：后处理技术正在从“手工规则”走向“可学习模块”。但无论方法如何演进，其内核始终是“引入空间先验”。理解了这一点，就不会被层出不穷的新名词迷惑——它们大多是在用更聪明的方式回答同一个问题：如何让分类结果更符合地表的空间结构。

九、常见坑与参数调优经验

• 坑1：把后处理当万能药。如果分类器本身精度只有 60%，后处理救不回来，反而可能掩盖问题。先保证分类精度，再谈后处理。
• 坑2：Kernel 越大越好。大 Kernel 会过度平滑，吞掉真实小地物。3×3 是安全起点。
• 坑3：忽略稀有类别保护。水体、湿地、建设用地中的绿地，最容易被 Majority 吃掉。
• 坑4：Sieve 阈值拍脑袋。必须由 MMU 反算，并写进技术设计。
• 坑5：地理坐标系算面积。转矢量后面积字段务必用投影坐标。
• 坑6：不做前后对比。每一步都要留中间成果，便于回溯与精度评估。

参数调优的实用策略：固定其他参数，单变量扫描。例如固定 Clump=3×3，Sieve 阈值从 5、10、20、50 依次试，观察图斑数与总面积曲线，找“拐点”。这个拐点通常就是兼顾去噪与保真的较优值。

十、结语：后处理不是“美颜”，而是空间推理

回到本文主线：从像元噪声到地理对象。Majority/Minority 在像元层面做局部投票，Clump/Sieve 在图斑层面做连通与面积约束，Raster to Vector 在对象层面完成语义跃迁。三级抽象，层层递进，共同回答一个问题——如何让逐像元分类的离散结果，逼近连续、成片、有边界的真实地表。

后处理不是“美颜”，而是空间推理。它引入地理学第一定律作为先验，用空间结构约束分类噪声。理解了这一点，工具参数就不再神秘，工程路径也不再盲目。希望本文能为从事遥感分类、国土调查、生态监测、城市制图的同行，提供一条清晰、可复现、可评估的技术路径。