分类后处理三件套：Majority/Minority、Clump、Sieve 消除椒盐噪声

一、椒盐噪声的本质：像素级分类的空间失配

1.1 椒盐噪声不是“错误”，而是“碎片”

在遥感影像分类的语境里，“椒盐噪声”（salt-and-pepper noise）这个借自图像处理的术语，其实描述得并不完全准确。传统意义上的椒盐噪声指的是传感器或传输环节引入的随机极值像素，而分类图上的“椒盐”绝大多数并非随机错误，而是分类器在类别边界附近、混合像元区域或纹理复杂区域做出的局部不一致判断。一个两像素宽的田埂、一栋孤立建筑、一片稀疏灌丛，在30米分辨率的Landsat影像上可能只占一两个像素，分类器把它们判成相邻地物类别，从像素角度看是“错”的，从地物角度看却可能是“对”的。

本文评述：把分类图上的小斑块一概称为“噪声”，隐含了一个前提假设——地物在空间上是连续且成片的。这个假设在农业区、林区、城市建成区大体成立，但在城郊过渡带、农牧交错带、湿地—水体交错带就未必成立。因此后处理的第一步不是急着调参数，而是先判断研究区的地物空间结构是否支持“去碎片化”操作。这一点在多数教程里被略过了。

1.2 空间失配的三个来源

笔者认为，像素级分类产生空间碎片，根源可以归为三类：

• 混合像元效应：一个像素覆盖多种地物，光谱是混合的，分类器只能给出一个标签。中等分辨率影像上，边界像元的混合比例可达30%以上（模拟数据，基于线性混合模型估算）。
• 分类器决策边界的不稳定：随机森林、SVM等分类器在特征空间中类别交界处容易产生“抖动”，相邻像素光谱接近但被分到不同类。
• 训练样本的空间偏差：样本若集中在纯净地物内部，分类器对边界区域的判别能力天然偏弱。

这三类来源对应的后处理策略并不相同：混合像元问题更适合亚像元分解或软分类，后处理只能缓解；决策边界抖动适合邻域平滑；样本偏差则需要回到分类环节解决。把三者混为一谈，是调参时“按下葫芦浮起瓢”的常见原因。

1.3 一条贯穿全文的主线

本文确立的分析主线是：所有分类后处理算子，本质上都是在用不同方式重建空间上下文。Majority/Minority用固定邻域投票重建局部上下文；Clump用连通性规则重建斑块级上下文；Sieve用面积阈值重建语义级上下文。理解了“重建什么上下文、用什么规则重建、重建的代价是什么”，三类算子的选择与组合就不再是死记参数，而是有据可依的工程决策。

二、三件套的算法机理拆解

2.1 统一的形式化描述

设分类图为 \( L: \Omega \subset \mathbb{Z}^2 \to \{1,2,...,K\} \)，其中 \( K \) 为类别数。后处理算子可统一写成一个映射 \( T: L \to L' \)，其差异在于 \( T \) 依赖的信息范围：

这张表是全文的骨架。注意Clump的特殊性：它不改变任何像素的类别标签，只是把空间上连通的同类像素归并为一个对象并赋予唯一ID。这意味着Clump本身不“去噪”，它是为后续基于对象的操作（包括Sieve、对象统计、矢量导出）做准备。很多初学者把Clump当成去噪算子，是概念上的混淆。

2.2 与数学形态学的关系

Majority滤波在数学形态学中对应“多数投票”形态学算子，与开运算（先腐蚀后膨胀）有相似的去小斑块效果，但机制不同。开运算对二值图操作，按结构元形状决定保留哪些结构；Majority滤波对多类别图操作，按邻域类别频率决定中心像素归属。Gonzalez与Woods的经典教材系统讨论了这类邻域算子的统一框架，本文评述：形态学方法更适合二值掩膜（如水体/非水体），多类别场景下Majority的类别投票机制更自然，但两者都会在类别边界产生“侵蚀—扩张”式的偏移，需要警惕。

三、Majority/Minority：邻域投票的边界效应

3.1 算法流程与窗口选择

Majority滤波的流程非常直接：对每个像素，取以其为中心的 \( w \times w \) 窗口（\( w \) 通常为3、5、7），统计窗口内各类别出现次数，把中心像素赋为出现次数最多的类别；若出现并列，通常保留原类别或按类别编号优先。Minority则相反，把中心像素赋为出现次数最少的类别——这个算子听起来反直觉，但在特定场景（如提取细小线状地物、增强稀有类别）中有用。

窗口大小的选择是第一道坎。3×3窗口只影响一个像素的邻域，去噪能力弱但保边界；7×7窗口去噪强但会“吃掉”窄地物。笔者建议的工程起点是3×3，观察效果后再逐级放大，每次放大都重新评估窄地物的损失。

3.2 边界效应：为什么边缘像素总出问题

窗口滤波在影像边缘会遇到邻域不完整的问题。常见处理有三种：镜像填充、常数填充（如0或NoData）、裁剪（不处理边缘）。三种方式对边缘像素的结果不同，尤其在类别数少、边缘占比高的影像上差异明显。ENVI的Majority/Minority实现默认对边缘做特殊处理，具体行为需查阅其文档；GDAL的gdal_sieve不涉及此问题（它基于斑块而非窗口），但scipy.ndimage.generic_filter自定义Majority时需要显式指定mode参数。

本文评述：边缘效应在多数教程中被忽略，但在实际项目中，研究区边界往往是行政边界或自然边界，边缘像素占比可能达到5%–10%。如果后处理在边缘产生系统性偏差，会直接影响面积统计。建议在正式处理前，先用一块测试区对比三种边缘处理方式的差异。

3.3 迭代次数与收敛

单次Majority滤波后，可能仍有小斑块残留，因为一次投票不足以“击穿”一个稍大的孤立斑块。迭代执行可以逐步消除，但迭代次数过多会导致类别边界持续收缩，最终趋向于最大类别“吞并”小类别。这是一个典型的过平滑风险。工程上建议迭代2–3次为上限，并用类别面积变化曲线监控：当某类面积在迭代中持续单调下降且降幅超过5%（模拟阈值，需按研究区调整），就该停止。

四、Clump：连通性驱动的斑块聚合

4.1 四连通与八连通

Clump的核心是连通性定义。四连通只看上下左右四个邻居，八连通还包括四个对角邻居。同样的分类图，八连通会把更多像素归入同一斑块，斑块数量更少、平均面积更大。选择哪种，取决于地物的实际连接方式：道路、河流等线状地物在八连通下更连续；而棋盘状分布的农田在四连通下更符合实际。

ERDAS IMAGINE的Clump工具允许用户选择连通性；ENVI的Classification Aggregation相关功能也涉及此参数。GDAL的gdal_sieve内部使用四连通或八连通（通过-8参数切换）。scipy的ndimage.label默认四连通，通过structure参数可改为八连通。

4.2 Clump的输出与用途

Clump输出的是斑块ID图（每个连通同类区域一个唯一整数ID）和斑块属性表（ID、类别、面积、周长、质心等）。这张属性表是后续所有基于对象的分析的入口。笔者认为，Clump的真正价值不在于去噪，而在于把栅格分类图转换成“对象集合”，从而让面积过滤、形状过滤、邻接关系分析成为可能。没有Clump，Sieve就无从谈起。

4.3 内存与性能考量

连通性标记（connected component labeling）的算法复杂度接近线性，但大影像（如Sentinel-2 10米分辨率、单景超过1亿像素）上仍需注意内存。两遍扫描法（two-pass）是经典实现，并查集优化可进一步提升。工程上建议分块处理或使用支持内存映射的库（如GDAL的块读写、scipy的memmap）。

五、Sieve：小斑块筛除与类别回填

5.1 算法逻辑

Sieve的规则是：找出所有面积小于阈值 \( A_{min} \) 的斑块，把它们“筛掉”，并用某种规则回填。回填规则是Sieve的关键分歧点：

• 邻域多数回填：用斑块边界邻接像素中出现最多的类别替换。GDAL的gdal_sieve默认采用此策略。
• 最大邻接斑块回填：用与它共享边界最长的相邻斑块类别替换。ERDAS的Sieve倾向此策略。
• 固定类别回填：统一替换为背景类或指定类。适用于特定应用（如把碎小水体并入背景）。

本文评述：回填规则的选择对结果影响很大，但很多软件把它藏在默认设置里。工程实践中，建议先明确“小斑块应该归入谁”这个语义问题，再选回填规则。例如，农田中的小片林地斑块，归入相邻农田更合理；城市中的小片绿地，归入相邻建筑则可能不合理。没有万能规则，只有与研究区地物逻辑匹配的规则。

5.2 阈值设定：从经验到数据驱动

\( A_{min} \) 的设定是Sieve最核心的参数。常见做法有三种：

1. 经验值法：按最小成图单元（MMU）设定，如土地利用制图常用4–9像素（对应Landsat 30米约0.36–0.81公顷）。
2. 面积分布法：绘制斑块面积累积分布曲线，找“拐点”作为阈值。
3. 精度反馈法：用验证样本评估不同阈值下的精度，选精度拐点。这是最严谨但最费时的做法。

模拟数据示例：在一块模拟的5类分类图上，斑块面积分布呈现明显的双峰——大量1–3像素的小斑块和少量数百像素的大斑块，拐点约在8像素处。这提示 \( A_{min}=8 \) 可能是合理起点。但模拟数据不能替代真实评估，实际项目中仍需用验证样本确认。

六、处理顺序与参数耦合：工程调参路径

6.1 三种典型处理链

笔者认为，链C是最“保守”也最可控的方案：Clump+Sieve只改变小斑块的归属，不动大斑块内部和边界，适合对类别标签保真度要求高的场景（如变化检测的输入）。链A最激进，去噪最彻底，但代价是窄地物和边界细节的损失。选择哪条链，取决于下游应用对“空间细节”和“类别纯净度”的权衡。

6.2 参数耦合：窗口大小与面积阈值的关系

Majority的窗口大小 \( w \) 和Sieve的面积阈值 \( A_{min} \) 存在隐式耦合。一个 \( w \times w \) 的窗口能“击穿”的最大孤立斑块面积大致与 \( w^2/2 \) 同量级（模拟估算）。如果先做7×7 Majority，再做 \( A_{min}=5 \) 的Sieve，Sieve可能几乎不起作用，因为小斑块已被Majority消除。反之，先做Sieve再做Majority，Majority可能把Sieve刚回填的边界又打乱。

工程建议：先用Clump+Sieve处理小斑块（面积维度），再用Majority处理边界锯齿（邻域维度），两者分工明确，避免参数打架。这也是链B的逻辑。

6.3 可复用的调参流程

步骤1：分类图 → Clump（八连通）→ 斑块属性表
步骤2：绘制斑块面积累积分布 → 初定 A_min
步骤3：Sieve（A_min）→ 目视检查 + 验证样本精度
步骤4：若边界锯齿明显 → Majority（3×3，迭代1–2次）
步骤5：重新评估精度与类别面积 → 若某类面积异常下降 → 回退调参
步骤6：输出最终分类图 + 处理日志（记录所有参数）

这个流程的关键是每一步都有反馈，而不是一次性跑完所有算子。处理日志同样重要——后处理参数对结果影响大，没有日志就无法复现。

七、主流平台实现对照与代码实操

7.1 平台功能对照

7.2 Python实操：Clump+Sieve

import numpy as np
from scipy import ndimage

def clump_and_sieve(classified, min_size=8, connectivity=2):
    """
    classified: 2D int array, 类别标签
    min_size: 最小斑块面积（像素数）
    connectivity: 1=四连通, 2=八连通
    """
    structure = ndimage.generate_binary_structure(2, connectivity)
    result = classified.copy()
    for cls in np.unique(classified):
        if cls == 0:
            continue
        mask = (classified == cls)
        labeled, n = ndimage.label(mask, structure=structure)
        sizes = ndimage.sum(mask, labeled, range(1, n+1))
        for i, s in enumerate(sizes, start=1):
            if s < min_size:
                # 简单回填：用邻域多数类别替换
                # 实际工程中可用更精细的回填策略
                result[labeled == i] = 0  # 先置为待定
    # 待定像素用邻域多数回填（简化示例）
    # 实际建议用gdal_sieve或自定义回填逻辑
    return result

这段代码演示了Clump+Sieve的基本骨架，但回填逻辑做了简化。生产环境中，建议直接用gdal_sieve，它经过充分测试且性能更好：

gdal_sieve.py -st 8 -8 -of GTiff input.tif output.tif
# -st 8: 面积阈值8像素
# -8: 八连通

7.3 Majority滤波的Python实现

from scipy import ndimage

def majority_filter(classified, size=3, max_iter=2):
    """多数投票滤波，迭代max_iter次"""
    result = classified.copy()
    for _ in range(max_iter):
        def vote(values):
            vals, counts = np.unique(values, return_counts=True)
            return vals[np.argmax(counts)]
        result = ndimage.generic_filter(
            result, vote, size=size, mode='nearest'
        ).astype(classified.dtype)
    return result

注意mode='nearest'处理边缘的方式。如果研究区边缘重要，可改为mode='reflect'或先做边缘掩膜。另外，generic_filter在大影像上较慢，可考虑用numba加速或分块处理。

八、精度评价：后处理到底改善了什么

8.1 总体精度可能不升反降

这是一个反直觉但重要的现象：后处理不保证提高总体精度（OA）。原因在于，验证样本若随机分布，其中包含大量“边界像素”和“小斑块像素”，后处理改变了这些像素的标签，可能把原本正确的判成错误。已有研究（如Foody的系列工作）指出，分类精度评价对样本空间分布敏感，后处理的效果必须用空间分层抽样来评估，而非简单随机抽样。

本文评述：后处理的真正收益往往体现在制图美观度、斑块完整性、面积统计稳定性上，而不是OA。如果项目目标是“像素级分类精度最大化”，后处理可能帮倒忙；如果目标是“生成可用的土地利用图”，后处理是必需的。目标不同，评价指标就不同。

8.2 适合后处理的评价指标

• 斑块数量与平均面积：直接反映碎片化程度。
• 边界一致性：与参考矢量边界的距离（如Hausdorff距离）。
• 类别面积偏差：与统计年鉴或高精度参考数据的面积对比。
• Kappa系数：仍可用，但需配合空间分层抽样。

九、前沿演进：从形态学后处理到对象级与深度学习

9.1 对象级后处理

传统三件套是像素级后处理。近年来的趋势是把后处理上移到对象级：先用影像分割（如均值漂移、SLIC、分水岭）生成对象，再对对象做分类，最后用对象属性（面积、形状、邻接）做后处理。这样做的优势是从源头减少碎片，而不是事后修补。相关研究在GEOBIA（地理对象影像分析）社区已形成体系，Blaschke等人的综述系统梳理了这一范式。

9.2 深度学习时代的后处理

语义分割网络（U-Net、DeepLab、SegFormer等）输出的分类图同样有碎片问题，但成因不同：网络的感受野有限，局部纹理复杂区域容易产生不一致预测。针对深度分割结果的后处理，除了传统三件套，还出现了条件随机场（CRF）后处理、形态学闭运算、测试时增强（TTA）等。CRF把像素标签与影像颜色/位置特征联合建模，能在边界处做精细调整，但计算量大。

本文评述：深度学习时代的后处理正在从“规则驱动”转向“学习驱动”。例如，有研究用小型网络学习“如何修复分割结果的碎片”，本质上是把后处理也变成一个可训练模块。但这类方法需要额外标注数据，工程落地成本高。短期内，传统三件套仍是性价比最高的方案。

9.3 大模型与遥感分割的交叉

SAM（Segment Anything Model）等基础模型在遥感影像上的适配研究正在快速推进。如果分割基础模型能直接输出高质量对象，后处理的需求会进一步下降。但笔者认为，只要分类是像素级的，空间上下文重建的需求就存在。后处理不会消失，只会换形式。

十、结论与工程建议清单

分类后处理三件套看似简单，但每一个参数背后都对应着对地物空间结构的假设。把这些假设想清楚，参数就不再是玄学。本文的主线——空间上下文重建——提供了一个统一的思考框架：Majority重建局部邻域上下文，Clump重建斑块连通上下文，Sieve重建语义面积上下文。理解了这个框架，面对新的后处理算子（如CRF、对象级过滤）时，也能快速判断它在重建什么上下文、代价是什么。

主要参考文献