分类结果中细小碎图斑过多，如何用Majority/Minority分析进行后处理？

一、碎图斑问题的本质：从“椒盐噪声”到“空间上下文缺失”

1.1 碎图斑的成因诊断

任何基于像元的遥感分类器——无论是最大似然、支持向量机还是随机森林——其决策单元都是孤立的像元。分类器在判断某个像元的类别时，主要依赖该像元的光谱特征，而对其空间邻域关系缺乏显式建模。这种“逐像元独立决策”的机制，在光谱混淆区域、混合像元地带或纹理复杂区域，极易产生孤立或成簇的误分类像元，形成我们常说的“椒盐效应”（salt-and-pepper effect）。

从信号处理的角度看，碎图斑本质上是分类结果中的高频空间噪声。真实地物在空间上具有连续性——一片农田不会突然插入一个建筑像元，一片森林不会随机散布裸土像元。当分类结果中出现大量不符合地物空间连续性的孤立像元时，说明分类器输出的空间上下文信息被破坏了。

笔者认为，碎图斑问题的根源可以归结为三个层面：光谱层面，不同地物在特征空间中存在重叠，分类器难以完全区分；空间层面，逐像元分类忽略了邻域约束，导致空间连续性缺失；尺度层面，遥感影像的空间分辨率与地物实际尺度不匹配，混合像元大量存在。理解这三个层面，是选择合适后处理方法的前提。

1.2 碎图斑的量化判据

在决定是否需要进行滤波后处理之前，首先需要量化碎图斑的严重程度。业界常用的指标包括：

• 图斑数量密度：单位面积内的连通图斑数量。对于中等分辨率影像（如Landsat 30m），若每平方公里图斑数超过500个，通常意味着存在严重的碎图斑问题。
• 最小图斑面积占比：面积小于某一阈值（如4个像元）的图斑占总图斑数的比例。该比例超过60%时，滤波后处理几乎是必需的。
• 边界密度：单位面积内的类别边界长度。边界密度越高，说明分类结果越“破碎”。
• 空间自相关指数：如Moran's I或Join Count Statistics，用于衡量分类结果的空间聚集程度。

本文评述：这些指标各有侧重，实际工程中建议至少同时使用“最小图斑面积占比”和“边界密度”两个指标进行综合判断。前者反映碎图斑的数量特征，后者反映空间结构的破碎程度。仅凭目视判读或单一指标做决策，容易导致过度滤波或滤波不足。

1.3 后处理策略的分类框架

分类后处理的方法可以按照处理粒度分为三大类：像元级方法（如Majority/Minority滤波、中值滤波）、对象级方法（如基于分割对象的投票、最小图斑合并）、混合方法（如马尔可夫随机场、条件随机场）。Majority/Minority滤波属于最基础、最易实现的像元级方法，也是本文讨论的核心。

需要强调的是，滤波后处理并非“万能药”。它的本质是用空间上下文信息去修正光谱分类的不足。如果分类器本身的精度已经很低（如总体精度低于70%），滤波可能只是“用错误的空间假设去修正错误的分类结果”，效果有限甚至适得其反。因此，滤波应建立在分类精度可接受的基础之上。

二、Majority/Minority滤波的数学机理

2.1 众数滤波的基本定义

Majority滤波（也称众数滤波，Mode Filter）的核心思想极为朴素：对于一个中心像元，考察其周围邻域窗口内所有像元的类别，将出现频率最高的类别赋给中心像元。数学上，设中心像元位置为 \((i,j)\)，窗口大小为 \(k \times k\)（\(k\) 为奇数），则窗口内像元集合为：

设类别集合为 \(C = \{c_1, c_2, ..., c_L\}\)，则滤波后的类别为：

其中 count(c, N(i,j)) 表示窗口内类别 c 出现的次数。当出现多个类别频次相同时，需要设定平局规则（tie-breaking rule），常见策略包括：保留原类别、选择窗口内空间距离最近的类别、按类别编号优先等。

Minority滤波则相反：将窗口内出现频率最低的类别赋给中心像元。单独使用Minority滤波会加剧碎图斑问题，但在某些特殊场景（如检测异常像元、提取稀有类别）中有独特价值。更常见的做法是将Majority和Minority结合使用——先用Minority识别潜在的异常像元，再用Majority进行修正。

2.2 与卷积运算的关系

从信号处理的角度看，Majority滤波是一种非线性空间滤波。与均值滤波（线性）不同，众数滤波不满足叠加原理，其输出不能表示为输入的线性组合。这使得频域分析工具（如傅里叶变换）难以直接应用，分析其频率响应特性需要借助排序统计滤波的理论框架。

本文评述：众数滤波与中值滤波同属排序统计滤波器家族。中值滤波对连续值信号有效，众数滤波则适用于离散类别信号。两者在抑制脉冲噪声方面具有相似的机理——都是通过邻域统计量替代中心像元值。但众数滤波的一个独特优势在于：它直接输出合法类别标签，不会产生“中间值”这种在分类问题中无意义的结果。

2.3 迭代收敛性分析

单次Majority滤波后，部分碎图斑可能仍然存在——特别是当碎图斑本身尺寸接近或超过窗口尺寸时。因此，实际工程中常采用迭代滤波策略：重复执行Majority滤波，直到满足停止条件（如连续两次迭代结果不再变化，或达到最大迭代次数）。

关于迭代收敛性，已有研究从元胞自动机（Cellular Automata）的角度进行了分析。将每个像元视为一个元胞，Majority滤波规则即为元胞状态更新规则。在有限状态空间中，确定性元胞自动机必然收敛到不动点或周期轨道。对于Majority滤波，由于它倾向于增大局部多数类别的区域，系统通常收敛到一个“稳定态”——此时每个像元的类别都是其邻域内的众数。

但需要警惕的是，过度迭代可能导致“过度平滑”：小类别被逐步蚕食，最终消失。这在类别不平衡的分类场景中尤为危险。笔者建议，迭代次数一般控制在3~5次以内，并通过监控小类别面积变化来设置自动停止条件。

三、窗口核设计：矩形、十字、圆形与自适应邻域

3.1 矩形窗口

矩形窗口是最常用的邻域定义，\(3 \times 3\)、\(5 \times 5\)、\(7 \times 7\) 等奇数尺寸窗口在GDAL、ArcGIS、ENVI等主流软件中均有内置实现。矩形窗口的优点是实现简单、计算效率高；缺点是各向同性不足——对角方向与轴向方向的邻域权重相同，可能引入方向性偏差。

以一个 \(3 \times 3\) 矩形窗口为例，中心像元的8个邻居中，4个为轴向邻居（上下左右），4个为对角邻居。在空间距离上，对角邻居的实际距离是轴向邻居的 \(\sqrt{2}\) 倍，但矩形窗口将它们同等对待。这种“距离失真”在纹理具有明显方向性的区域可能导致滤波偏差。

3.2 十字窗口与圆形窗口

十字窗口（Cross-shaped）仅考虑轴向邻居，即 \((i-1,j)\)、\((i+1,j)\)、\((i,j-1)\)、\((i,j+1)\) 四个像元。这种窗口在保持轴向连续性方面表现更好，但忽略了对角方向的信息。圆形窗口（Circular）则通过距离阈值定义邻域：只包含与中心像元欧氏距离小于等于 \(r\) 的像元。圆形窗口更接近各向同性，但实现复杂度略高。

本文评述：窗口核的选择应结合地物空间结构特征。对于具有明显网格状或条带状分布的地物（如农田、道路），十字窗口可能更合适；对于各向同性分布的地物（如森林、水体），圆形窗口更合理。实际工程中，矩形窗口因其通用性和计算效率，仍是首选方案。

3.3 自适应邻域窗口

固定尺寸窗口的一个根本局限是：它无法适应不同区域的空间结构差异。在均质区域，小窗口即可有效去噪；在异质区域，大窗口可能过度平滑。自适应邻域窗口（Adaptive Neighborhood）根据局部空间特征动态调整窗口大小或形状。

一种典型的自适应策略是基于局部方差：计算窗口内类别分布的熵或方差，若方差高于阈值，则缩小窗口；若方差低于阈值，则增大窗口。另一种策略是基于边缘检测：在边缘附近使用小窗口以保持边界，在均质区域使用大窗口以增强平滑效果。

近年来的研究进一步引入了各向异性扩散（Anisotropic Diffusion）的思想，将窗口设计为椭圆形或方向可调的形状，以匹配局部地物的方向性。这类方法在保持边界方面表现优异，但计算成本显著增加。

四、参数调优的工程路径：窗口尺寸、迭代次数与阈值

4.1 窗口尺寸的选择

窗口尺寸是Majority滤波最关键的参数。窗口过小，滤波效果不足；窗口过大，过度平滑，小类别消失。窗口尺寸的选择应基于以下因素：

• 碎图斑的典型尺寸：若碎图斑主要为1~2个像元，\(3 \times 3\) 窗口即可有效去除；若碎图斑达到3~5个像元，则需要 \(5 \times 5\) 或更大窗口。
• 目标地物的最小制图单元（MMU）：若制图规范要求最小图斑不小于9个像元，则窗口尺寸应与之匹配。
• 影像空间分辨率与地物尺度：高分辨率影像中，同类地物的空间连续性更强，可适当增大窗口；低分辨率影像中，混合像元多，窗口不宜过大。

一个经验规则是：窗口边长 \(k\) 应约等于碎图斑典型直径的2~3倍。例如，若碎图斑典型直径为2个像元，则 \(k = 5\) 较为合适。

4.2 迭代次数与停止条件

迭代次数的确定需要平衡去噪效果与信息损失。笔者建议采用以下策略：

1. 监控变化像元数：每次迭代后统计类别发生变化的像元数。当变化像元数占总像元数的比例低于某一阈值（如0.1%）时，停止迭代。
2. 监控小类别面积：若某一小类别的面积在迭代过程中急剧下降（如下降超过30%），应立即停止，避免小类别被完全消除。
3. 设置最大迭代次数：作为安全兜底，最大迭代次数一般设为5~10次。

4.3 阈值型Majority滤波

标准Majority滤波要求众数类别的频次严格大于其他类别。但在实际应用中，有时需要设置一个“置信度阈值”：只有当众数类别的频次占比超过某一阈值（如60%）时，才替换中心像元；否则保留原类别。这种阈值型滤波可以避免在类别分布均匀的区域引入不必要的改变。

阈值的选择同样需要权衡。阈值过高，滤波效果弱；阈值过低，等同于标准Majority滤波。一般建议阈值设置在50%~70%之间，具体取决于分类精度和应用需求。

五、边界处理与类别不平衡的陷阱

5.1 影像边界的处理策略

位于影像边缘的像元，其邻域窗口会超出影像范围。常见的处理策略包括：

• 镜像填充（Mirror Padding）：以边界为轴，将影像内部像元镜像到外部。这种方法保持了边界的空间连续性，是推荐做法。
• 常数填充（Constant Padding）：用固定值（如0或NoData）填充外部。简单但可能引入边界伪影。
• 缩减窗口（Window Clipping）：仅使用影像内部的邻域像元进行统计。适用于边界像元较少的情况。
• 忽略边界（Edge Trimming）：不处理边界像元，直接保留原类别。简单但可能留下边界碎图斑。

本文评述：镜像填充在大多数场景下是最优选择，因为它最大程度地保持了边界的空间统计特性。但需要注意的是，当影像边界恰好对应真实地物边界（如海岸线）时，镜像填充可能引入不合理的邻域信息。此时，缩减窗口或忽略边界可能更合适。

5.2 类别不平衡的放大效应

Majority滤波对类别不平衡极为敏感。在类别分布严重不平衡的场景中（如城市区域中的绿地、干旱区中的水体），小类别本身像元数少，在窗口内很难成为众数。每次滤波迭代，小类别的边界像元都可能被邻近的大类别“吞并”，导致小类别面积持续缩减。

这种“类别蚕食”效应在多次迭代后可能导致小类别完全消失，造成严重的制图误差。已有研究指出，在类别不平衡比例超过1:10的场景中，标准Majority滤波可能导致小类别召回率下降20%~40%。

应对策略包括：类别加权，在投票时给小类别更高权重；分层滤波，先对大类别滤波，再单独处理小类别；保护性滤波，对小类别像元设置“保护标志”，不参与滤波或被替换。

六、工程实现：从GDAL到Python的完整代码路径

6.1 GDAL命令行实现

GDAL提供了 gdal_sieve.py 工具用于去除小图斑，但其本质是基于连通性的面积筛选，而非严格意义上的Majority滤波。不过，可以通过 gdal_calc.py 结合NumPy实现自定义滤波。

# GDAL + NumPy 实现 Majority 滤波（示意）
import numpy as np
from osgeo import gdal

def majority_filter(input_path, output_path, window_size=3, max_iter=5):
    ds = gdal.Open(input_path)
    band = ds.GetRasterBand(1)
    arr = band.ReadAsArray()
    nodata = band.GetNoDataValue()
    
    half = window_size // 2
    for _ in range(max_iter):
        new_arr = arr.copy()
        changed = 0
        for i in range(half, arr.shape[0] - half):
            for j in range(half, arr.shape[1] - half):
                window = arr[i-half:i+half+1, j-half:j+half+1]
                vals, counts = np.unique(window, return_counts=True)
                if nodata is not None:
                    mask = vals != nodata
                    vals, counts = vals[mask], counts[mask]
                if len(vals) == 0:
                    continue
                mode_val = vals[np.argmax(counts)]
                if mode_val != arr[i, j]:
                    new_arr[i, j] = mode_val
                    changed += 1
        arr = new_arr
        if changed / arr.size < 0.001:
            break
    
    driver = gdal.GetDriverByName('GTiff')
    out_ds = driver.Create(output_path, ds.RasterXSize, ds.RasterYSize, 1, band.DataType)
    out_ds.SetGeoTransform(ds.GetGeoTransform())
    out_ds.SetProjection(ds.GetProjection())
    out_ds.GetRasterBand(1).WriteArray(arr)
    out_ds = None

上述代码展示了Majority滤波的核心逻辑。需要注意的是，逐像元循环在Python中效率较低，对于大影像建议使用NumPy的向量化操作或借助 scipy.ndimage 的通用滤波器。

6.2 基于 scipy.ndimage 的高效实现

import numpy as np
from scipy import ndimage

def majority_filter_fast(arr, window_size=3, max_iter=5):
    """基于 scipy.ndimage 的高效 Majority 滤波"""
    half = window_size // 2
    footprint = np.ones((window_size, window_size), dtype=bool)
    
    for _ in range(max_iter):
        # 使用 generic_filter 计算众数
        def mode_func(values):
            vals, counts = np.unique(values, return_counts=True)
            return vals[np.argmax(counts)]
        
        new_arr = ndimage.generic_filter(
            arr, mode_func, footprint=footprint, mode='mirror'
        )
        if np.array_equal(new_arr, arr):
            break
        arr = new_arr
    return arr

本文评述：scipy.ndimage.generic_filter 虽然代码简洁，但其内部仍为逐像元调用Python函数，对于大影像效率不高。更高效的做法是使用 numba 加速或使用C++扩展。工程实践中，建议对影像进行分块处理，以控制内存占用。

6.3 分块处理与并行化

对于大幅影像（如Sentinel-2单景超过1亿像元），全图加载到内存中可能导致内存溢出。分块处理是必要的工程手段。分块时需要注意块与块之间的重叠区域——重叠宽度应至少为窗口半径，以确保边界像元的滤波结果正确。

def block_majority_filter(arr, window_size=3, block_size=1024):
    """分块 Majority 滤波，带重叠区"""
    half = window_size // 2
    rows, cols = arr.shape
    result = arr.copy()
    
    for i in range(0, rows, block_size):
        for j in range(0, cols, block_size):
            # 计算带重叠的块范围
            r0 = max(0, i - half)
            r1 = min(rows, i + block_size + half)
            c0 = max(0, j - half)
            c1 = min(cols, j + block_size + half)
            
            block = arr[r0:r1, c0:c1]
            filtered = majority_filter_fast(block, window_size, max_iter=1)
            
            # 仅写回非重叠区域
            ri0 = i - r0
            ri1 = ri0 + min(block_size, rows - i)
            ci0 = j - c0
            ci1 = ci0 + min(block_size, cols - j)
            result[i:i+block_size, j:j+block_size] = \
                filtered[ri0:ri1, ci0:ci1]
    return result

七、精度评估：滤波前后如何科学对比

7.1 评估指标体系

滤波后处理的评估需要同时关注“去噪效果”和“信息保真度”两个维度。常用指标包括：

7.2 评估样本的独立性

评估滤波效果时，必须使用独立的验证样本，而不能使用训练分类器的同一样本。否则，评估结果会偏向于分类器本身的表现，而非滤波的真实效果。验证样本应通过分层随机采样获取，确保每个类别都有足够的样本量。

此外，建议同时进行“目视对比”和“定量评估”。目视对比可以直观发现滤波是否引入了不合理的边界改变；定量评估则提供客观的精度数字。两者结合，才能全面判断滤波的利弊。

八、前沿进展：对象级滤波、边缘保持与深度学习融合

8.1 对象级滤波

面向对象分类（OBIA）中，滤波的基本单元不再是像元，而是分割对象。对象级Majority滤波的流程是：先对影像进行分割，统计每个对象内各类别的像元数，将对象内多数类别赋给整个对象。这种方法天然避免了像元级滤波的“边界模糊”问题，因为对象边界本身就是地物边界。

但对象级滤波的效果高度依赖分割质量。过分割会导致对象过小，滤波效果有限；欠分割会导致对象跨越多个地物，滤波引入错误。因此，分割参数（尺度、形状、紧致度）的优化是对象级滤波的关键前提。

8.2 边缘保持滤波

标准Majority滤波不区分边界和内部，可能在去除碎图斑的同时模糊真实地物边界。边缘保持滤波（Edge-Preserving Filtering）通过引入边界检测机制，在边界附近减小滤波强度或停止滤波。

代表性方法包括：双边滤波（Bilateral Filter），同时考虑空间距离和类别差异；引导滤波（Guided Filter），利用原始影像作为引导，保持边界一致性；马尔可夫随机场（MRF），通过能量函数显式建模空间上下文和边界惩罚。

本文评述：边缘保持滤波在理论上有明显优势，但计算复杂度显著高于标准Majority滤波。在工程实践中，是否值得引入边缘保持机制，取决于应用对边界精度的要求。对于大区域制图，边界模糊的视觉影响有限；对于精细农业、城市违建监测等场景，边界精度至关重要。

8.3 深度学习与后处理的融合

近年来，深度学习语义分割模型（如U-Net、DeepLab、SegFormer）在遥感分类中广泛应用。这些模型本身通过卷积操作引入了空间上下文，输出的分类结果通常比传统逐像元分类器更平滑。但即便如此，由于上采样过程中的信息损失和类别不平衡，碎图斑问题仍然存在。

当前的研究趋势是将后处理模块嵌入到深度学习网络中，实现端到端的训练。例如，条件随机场（CRF）作为后处理层，可以与CNN联合训练；可学习的形态学操作（Learnable Morphology）可以自适应地去除碎图斑。这类方法避免了手工调参的繁琐，但需要大量标注数据进行训练。

笔者认为，在未来相当长的时间内，传统滤波方法与深度学习仍将共存。对于数据稀缺、计算资源有限的场景，Majority滤波凭借其简单、可解释、无需训练的优势，仍将是首选方案。而对于数据充足、追求极致精度的场景，端到端学习的方法将逐步成为主流。

九、结论与操作清单

9.1 核心结论

Majority/Minority滤波是分类后处理中最基础、最实用的工具之一。它的核心价值在于利用空间上下文信息修正逐像元分类的不足。但滤波并非“万能药”，其效果取决于分类精度、窗口设计、迭代策略和类别平衡等多个因素。

本文以“空间上下文重建”为主线，系统梳理了Majority滤波的数学机理、窗口核设计、参数调优、边界处理和精度评估。核心观点是：滤波的本质是用空间先验去修正光谱分类的不足，因此滤波参数的选择必须与地物空间结构特征相匹配。

9.2 操作清单