截图
简介
这是监督与非监督ppt，包括了遥感影像分类特点，遥感影像分类方法，那监督与非监督到底有什么不同呢？监督分类与非监督分类的比较，最小距离分类公式，监督与非监督分类法的结合，总结等内容，欢迎点击下载。
监督与非监督ppt是由红软PPT免费下载网推荐的一款课件PPT类型的PowerPoint.
监督与非监督分类法的异同 常规的遥感统计分类方法主要是根据地物光谱的反射特征，基于单个像元进行操作，但由于遥感数据一般带有综合光谱信息的特点(即一个像元有时是地面各类地物光谱的总和)，致使计算机分类面临着诸多模糊对象，导致精度降低。为此，人们不断研究尝试新的分类方法。 图像分类的目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或算法划分为不同的类别(赵英时．遥感应用分析原理与方法)。最简单的分类是只利用不同波段的光谱亮度值进行单像元自动分类。另一种则不仅考虑像元的光谱亮度值，还利用像元和其周围像元之间的空间关系，如图像纹理、特征大小、形状、方向性、复杂l生和结构对像元进行分类。因此，它比单纯的单像元光谱分类复杂，且计算量也大。对于多时段的图像，时间变化引起的光谱及空间特征的变化也是非常有用的信息。 遥感影像分类特点 使用工具 计算机中ENVI、ERDAS、IMAGINE等软件 分析单位 每个像元 分析对象 在多光谱图像中，分析影像中不同地物的 1、空间信息（空间结构） 2、光谱信息（光谱亮度） 3、像元与周围像元空间关系（图像纹理、 特 征大小、形状、方向性、复杂性和结构） 分类过程 选择特征，并将特征空间划分为互不重叠的子空 间，然后将影像中各个像元划归到子空间 去。 辅助层 城市规划图、城市人口密度图（城市土地利用） 遥感影像分类方法 按照利用图像要素的不同 1.基于图像灰度值的分类 2.基于图像纹理的分类 3. 基于多源信息融合的分类 根据具体应用的数学方法不同 1. 统计法(决策分类法) 2.语言结构法(句法方法) 3. 模糊法 4. 神经网络法 根据是否已知训练样本的分类数据 1.监督分类 （人工参与程度） 2.非监督分类 又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程. 也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。 监督分类与非监督分类的比较 原理 假定训练样本数据在光谱空间的分布是服从高斯正态分布规律，然后通过计算标本(像元)属于各组(类)的概率，将标本归属于概率最大的一组．用最大似然法分类。 过程 1、确定训练样本，计算各类统计特征值，建立分类判别函数2、逐点扫描影像各像元，带入函数，求出其属于各类的概率，将待判断像元归属于判别函数概率最大的一组 优点 错误最小精度高，通过协方差矩阵考虑了类型内部的变化对符合正态分布的样本／聚类组而言，是监督分类中较准确的分类器，因为考虑的因素较多。 缺点 人工采样方法工作量大，效率低，人为误差干扰当输入波段增加时，计算时间相应增加 原理 各像元点划归到距离它最近的类别中心所在的类。 过程 ① 确定地区和波段，配准备分量；② 选择 训练区；③ 根据各训练区图像数据，计算M ；④ 将训练区外图像像元逐类代入上式，按判别规则比较大小，得到类别；⑤ 产生分类图像；⑥ 检验结果，如果错误较多需要重新训练区；⑦ 输出专题图像． 优点 不存在不分类的像素；计算量小；只用均值一个参数，就避免了在样本数较少的情况下，协方差矩阵计算不准确而引起的误差。 缺点 分类精度不高，没有考虑到类型的变化性，可能误分对于内部变化较小的类型如水体，就可能分类象素过多，即把本不属于这类的象素归入这类. 过程 ①确定需要分类的地区和使用的波段和特征分类数，检查所用各波段或特征分量是否相互已经位置配准：② 根据已掌握的典型地区的地面情况，在图像上选择训练区；③ 计算图像的协方差矩阵；根据选出的各类训练区的图像数据，计算各类均值，确定分类半径；④ 分类，将训练区以外的图像像元逐个逐类地代入公式，对于每个像元，分几类就计算几次，最后比较所得马氏距离的大小，选择最大值得出类别；⑤ 产生分类图，给每一类别规定一个值。 优点 考虑到类型的内部变化；在必须考虑统 汁指标的场合，比最小距离法更有用． 缺点 在协方差矩阵中使用较大的值易于导致对模板(Signature)过渡分类 原理 求通过选取训练区，详细了解分类类别(总体)的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值（确定分割点），以便构成特征子空间，．如落入某个特征子空间中，则属于该类，．对于一个未知类别的像素来说，如落人所有特征子空问中，则属于未知类型 优点 快捷简单，因为对每一个模板的每一波段与数据文件值进行对比的上下限都是常量，，节省了处理时间 缺点 由于平行六面体有“角”，因此象素在光谱意义上与模板的平均值相差很远时也被分类 原理 它从样本平均迭代来确定聚类的中心，在每一次迭代时，在不改变类别数目的前提下改变分类。然后将样本平均矢量之差小于某一指定阈值的类别对合并起来，或根据样本协方差矩阵来决定其分裂与否。 主要环节 聚类、集群分裂和集群合并 分类过程 ①初始随机的选择中心Cmax；②计算其他像元离这些中心的距离，按照最小距离规则划分到其对应的集群中 ③重新计算每个集群的均值，按照前面定义的参数合并或分开集群组； ④重复②和③ ，直到达到最大不变像元百分比，或者最长运转时间。 优点 聚类过程不会在空间上偏向数据文件的最顶或最底下的象素 缺点 费时 动态聚类法 假设 假定被用来表示样本空间的聚类中心的个数是预先知道的。 优点 通过最小空间距离达到均衡状态，缺点是不能自动确定聚类数 遥感影像的监督分类与非监督分类的理论、分类过程以及具体方法都不相同，在分类思路上有着本质的差别。而且由于同物异谱和同谱异物现象的存在，用单一的分类方法对影像进行分类其精确度往往不能满足应用目的要求。因此，在影像分类中，这两种方法并不能够完全割裂开来，具体选择哪种方法取决于图像的特征、应用要求和所利用的计算机软硬件环境，根据实际的需要，合理科学灵活的运用这两种方法，必要的时可混合使用两种方法，使影像分类达到预期的目的。 总结 监督分类和非监督分类的根本区别点在于是否利用训练区来获取鲜艳的类别知识，监督分类根据训练区提供的样本选择特征参数，建立判别函数，对待分类点进行分类。也可以说，选择好好区是监督分类的关键。 相比而言，非监督分类不需要更多的先验知识，它根据地物光谱统计特性进行分类。因此，非监督分类方法简单，且具有一定的分类精度。
展开
