非監督

⑴ 非監督分類

非監督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數據遙感影像地物的光譜特徵的分布規律，依據圖像數據本身的結構 ( 統計特徵) 和自然點群分布，按照待分樣本在多維波譜空間中亮度值向量的相似程度，由計算機程序自動總結出分類參數，即自然聚類的特性進行 「盲目」的分類。其分類的結果只是對不同類別達到了區分，但並不能確定類別的屬性。其類別的屬性是通過分類結束後目視判讀或實地調查確定的。非監督分類也稱聚類 ( 集群) 分析，使用的方法有圖形識別、系統聚類、分裂法和動態聚類等。

其中，比較實用的是動態聚類。它是首先根據經驗和分類數，選定若干個均值向量，作為 「種子」，建立一批初始中心，進行初步概略的分類，然後根據規定的參數 ( 閾值)檢驗分類結果，逐步修改調整分類中心，再重新分類，並根據各類離散性統計量 ( 如均方差等) 和不同類別之間可分離性統計量 ( 如類間標准化距離等) ，進行類的合並或分裂; 此後再修改中心，直至分類結果合理為止。動態聚類中，聚類中心和分類數可以按客觀的波譜特徵自動調整，分類效果一般比較好，但分類結果的確切含義 ( 類別的屬性)需另作分析，從實況調查或已有的地面資料中去確定它們的地物類型。以下以 ISODATA法和 K － Means 法為例，給出其處理過程。

1. ISODATA 方法

ISODATA 也稱迭代自組織數據分析演算法，實質是在分類過程中不斷對分類參數 ( 如各類別的均值、標准差、類間距離等) 進行調整和確定，通過類分裂、類合並、類刪除等方法最終構建所需的判別函數。ISODATA 法的實現主要包括以下步驟 ( 圖 4-23) :

( 1) 確定最初類別數和類別中心。最初類別數和類別中心的確定具有較大的隨意性，因無先驗知識，只能在以後逐步調整。一般可依據原始數據的統計分布特徵進行確定。

( 2) 計算每一個像元矢量與各類別中心的距離，將像元矢量歸屬於距離最小的類別。

( 3) 計算新的類別均值向量。

( 4) 判斷新的類別中心是否變化。

( 5) 當新的類別中心發生變化時，以新均值代替舊中心，回到步驟 ( 2) 繼續迭代循環; 當新的類別中心不再變化時則停止迭代，輸出分類結果。

2. K － Means 方法

K － Means 方法的基本思想是通過迭代移動各基準類別 ( 初始類別) 的中心直至取得最好的聚類結果，分類時新的類別中心的確定是根據該類別內所有像元到類別中心的距離平方和之和最小這一原則。這一原則與 ISODATA 方法並無本質區別。

非監督分類由於事先不需訓練樣本，故處理速度較快，較客觀，並能為監督分類的訓練樣區選擇提供參照，一般在有目的的監督分類之前進行。

⑵ 什麼是監督分類什麼是非監督分類

中文名稱：監督分類 英文名稱：supervised classification 定義1：根據已知訓練區提供的樣本，通過計算選擇特徵參數，建立判別函數以對各待分類影像進行的圖像分類。 應用學科：測繪學（一級學科）；攝影測量與遙感學（二級學科） 定義2：在遙感影像的計算機分類過程中，採用一定數量的影像分類標准樣板，作為計算機分類的訓練基準的技術，即一種有已知類別標準的分類方法，或具有先驗知識的分類方法。 應用學科：地理學（一級學科）；遙感應用（二級學科）

監督分類 （supervised classification）又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求，則此准則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止。常用演算法有：判別分析、最大似然分析、特徵分析、序貫分析和圖形識別等。

中文名稱：非監督分類 英文名稱：unsupervised classification 定義1：以不同影像地物在特徵空間中類別特徵的差別為依據的一種無先驗類別標準的圖像分類。 應用學科：測繪學（一級學科）；攝影測量與遙感學（二級學科） 定義2：在遙感影像的計算機分類過程中，無需採用訓練樣板的分類技術，或沒有先驗知識的分類方法。 應用學科：地理學（一級學科）；遙感應用（二級學科）
非監督分類 (Unsupervised Classification ) 是以不同影像地物在特徵空間中類別特徵的差別為依據的一種無先驗（已知）類別標準的圖像分類，是以集群為理論基礎，通過計算機對圖像進行集聚統計分析的方法。根據待分類樣本特徵參數的統計特徵，建立決策規則來進行分類。而不需事先知道類別特徵。把各樣本的空間分布按其相似性分割或合並成一群集，每一群集代表的地物類別，需經實地調查或與已知類型的地物加以比較才能確定。是模式識別的一種方法。一般演算法有：回歸分析、趨勢分析、等混合距離法、集群分析、主成分分析和圖形識別等。希望您幫到你

⑶ 監督學習和非監督學習的區別

機器學習任務根據訓練樣本是否有label，可以分為監督學習和無監督學習
監督學習專的訓練樣本屬有label，主要是學習得到一個特徵空間到label的映射，如分類、回歸等
無監督學習的訓練樣本沒有label，主要是發現樣本的內部結構，如聚類、降維、可視化等

⑷ 監督分類 非監督分類 區別

監督抄分類是需要學習訓練的分襲類方法,如最大似然分類,人工神經網路分類,即是需要事先為每類地物在遙感圖像上採集樣本數據,之後通過學習訓練過程才來分類;非監督分類不需要人工採集地物樣本點數據,多是通過聚類的方法來自動分類,主要有isodata,k均值等.總體來說,監督分類的效果要優於非監督分類.

⑸ 什麼是監督分類和非監督分類

監督分類又稱訓練場地法、訓練分類法，是以建立統計識別函數為理論基礎、依據典型樣本訓練方法進行分類的技術，即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類。

非監督分類是以不同影像地物在特徵空間中類別特徵的差別為依據的一種無先驗類別標準的圖像分類，是以集群為理論基礎，通過計算機對圖像進行集聚統計分析的方法。根據待分類樣本特徵參數的統計特徵，建立決策規則來進行分類。

(5)非監督擴展閱讀

監督分類的主要優點如下：

（1）可根據應用目的和區域，充分利用先驗知識，有選擇地決定分類類別，避免出現不必要的類別；

（2）可控制訓練樣本的選擇；

（3）可通過反復檢驗訓練樣本，來提高分類精度，避免分類嚴重錯誤；

（4）避免了非監督分類中對光譜集群組的重新歸類。

缺點如下：

（1）其分類系統的確定、訓練樣本的選擇，均人為主觀因素較強，分析者定義的類別有可能並不是圖像中存在的自然類別，導致各類別間可能出現重疊；分析者所選擇的訓練樣本也可能並不代表圖像中的真實情形；

（2）由於圖像中同一類別的光譜差異，造成訓練樣本沒有很好的代表性；

（3）訓練樣本的選取和評估需花費較多的人力、時間；

（4）只能識別訓練樣本中所定義的類別，若某類別由於訓練者不知道或者其數量太少未被定義，則監督分類不能識別。

⑹ 論述監督分類與非監督分類卻別與聯系,及各自優缺點

一）非監督分類的優點
1）非監督分類不需要預先對所要分類的區域深入的了解。
2）人專為誤差的概率很小。在進行屬非監督分類時，分析人員僅僅只需要設定分類的數量。
3）只要設立足夠多的類別，就可以對圖像進行全部分類。
（二）監督分類的優點
1）分析人員可以控制，適用於研究，需要區域地理特徵的信息特徵。
2）可控制訓練樣區和訓練樣本的選擇。
3）運用監督分類不必擔心光譜類別和地物類別的匹配問題。
4）通過檢驗訓練樣本精度，確定分類是否正確，估算監督分類中的誤差。
5）避免了非監督分類中對光譜集群類別的重新歸類。
（三）非監督分類的缺點和限制
1）非監督分類形成的光譜類別並不一定與地物類別對應。
2）分析人員很難控制分類產生的類別並進行識別。
3）由於地物類別的光譜特徵隨著時間而變化，因此，地物類別與光譜類別間的關系並不是固定的。
（四）監督分類的缺點和局限
1）分類體系和訓練樣區的選擇有主觀因素的影響
2）訓練樣區的代表性問題。
3）有時訓練樣區的選擇很困難。
4）只能分類出訓練樣本所定義的類別，對於未被分析人員定義的類別則不能識別，容易造成類別的遺漏。（摘抄自網路）

⑺ 非監督分類的定義

非監督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數據（遙版感影像地物的光權譜特徵的分布規律），即自然聚類的特性，進行「盲目」的分類；其分類的結果只是對不同類別達到了區分，但並不能確定類別的屬性，亦即：非監督分類只能把樣本區分為若干類別，而不能給出樣本的描述；其類別的屬性是通過分類結束後目視判讀或實地調查確定的。非監督分類也稱聚類分析。一般的聚類演算法是先選擇若干個模式點作為聚類的中心。每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸於各聚類中心所代表的類別，形成初始分類。然後由聚類准則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。與監督法的先學習後分類不同，非監督法是邊學習邊分類，通過學習找到相同的類別，然後將該類與其它類區分開，但是非監督法與監督法都是以圖像的灰度為基礎。通過統計計算一些特徵參數，如均值，協方差等進行分類的。所以也有一些共性。

⑻ 非監督學習有哪些

無監督學習（Unsupervised Learning）是和監督學習相對的另一種主流機器學習的方法，我們知道監督學習解決的是「分類」和「回歸」問題，而無監督學習解決的主要是「聚類（Clustering）」問題。

從無監督學習說起：演算法模型有哪幾種？

監督學習通過對數據進行標注，來讓機器學習到，比如：小曹多重多高就是胖紙，或者用身高體重等數據，來計算得到小曹的BMI系數；而無監督學習則沒有任何的數據標注（超過多高算高，超過多重算胖），只有數據本身。

比如：有一大群人，知道他們的身高體重，但是我們不告訴機器「胖」和「瘦」的評判標准，聚類就是讓機器根據數據間的相似度，把這些人分成幾個類別。

那它是怎麼實現的呢？怎麼才能判斷哪些數據屬於一類呢？

這是幾種常見的主要用於無監督學習的演算法。

K均值（K-Means）演算法；
自編碼器（Auto-Encoder）；
主成分分析（Principal Component Analysis）。
K均值演算法
K均值演算法有這么幾步：

從無監督學習說起：演算法模型有哪幾種？

隨機的選取K個中心點，代表K個類別；
計算N個樣本點和K個中心點之間的歐氏距離；
將每個樣本點劃分到最近的（歐氏距離最小的）中心點類別中——迭代1；
計算每個類別中樣本點的均值，得到K個均值，將K個均值作為新的中心點——迭代2；
重復234；
得到收斂後的K個中心點（中心點不再變化）——迭代4。
上面提到的歐氏距離（Euclidean Distance），又叫歐幾里得距離，表示歐幾里得空間中兩點間的距離。我們初中學過的坐標系，就是二維的歐幾里得空間，歐氏距離就是兩點間的距離，三維同理，多維空間的計算方式和三維二維相同。

⑼ 什麼是監督分類和非監督分類

監督分類 （supervised classification）又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求，則此准則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止。常用演算法有：判別分析、最大似然分析、特徵分析、序貫分析和圖形識別等。
非監督分類是以不同影像地物在特徵空間中類別特徵的差別為依據的一種無先驗（已知）類別標準的圖像分類，是以集群為理論基礎，通過計算機對圖像進行集聚統計分析的方法。根據待分類樣本特徵參數的統計特徵，建立決策規則來進行分類。而不需事先知道類別特徵。把各樣本的空間分布按其相似性分割或合並成一群集，每一群集代表的地物類別，需經實地調查或與已知類型的地物加以比較才能確定。是模式識別的一種方法。一般演算法有：回歸分析、趨勢分析、等混合距離法、集群分析、主成分分析和圖形識別等。

⑽ 遙感:監督分類與非監督分類的區別

非監督分類運用1SODATA（Iterative Self-Organizing Data Analysis Technique ）演算法，完全按照像元的光譜特性進行統計分類，常常用於對分類區沒有什麼了解的情況。使用該方法時。原始圖像的所有波段都參於分類運算，分類結果往往是各類像元數大體等比例。由於人為干預較少，非監督分類過程的自動化程度較高。非監督分類一般要經過以下幾個步驟：初始分類、專題判別、分類合並、色彩確定、分類後處理、色彩重定義、柵格矢量轉換、統計分析。
監督分類比非監督分類更多地要求用戶來控制，常用於對研究區域比較了解的情況。在監督分類過程中，首先選擇可以識別或者藉助其它信息可以斷定其類型的像元建立模板，然後基於該模板使計算機系統自動識別具有相同特性的像元。對分類結果進行評價後再對模板進行修改，多次反復後建立一個比較准確的模板，並在此基礎上最終進行分類。監督分類一般要經過以下幾個步驟：建立模板（訓練樣本）、評價模板、確定初步分類圖、檢驗分類結果、分類後處理、分類特徵統計、柵格矢量轉換。

上面的這段話是我們遙感實驗手冊上的話， 我自我感覺在用ERDAS 8.6 時候 ，對監督分類和非監督分類的區別才有了深刻點的理解，簡單的說監督分類是我們人為地選擇好樣本區 比如水體，植被 ，就像是告訴計算機「我圈起來的這種像素就代表水體噢」，這個對個人經驗要求很高，很容易把有的顏色混淆，以至於少分幾類，而非監督分類就是計算機自己將圖像上的像元按像素分幾類，一般如果你最後是要分成水體，植被，土地等幾類，但是你設置的起碼最初要分它的兩倍，因為計算機識別的時候有可能有的最終可以歸到一類，但是計算機不會知道它分類每一類代表什麼，這個就要人為地輸入每一類地物的名稱。
[email protected] 如果你需要這方面的實驗指導書就找我吧