無監督圖像

① 實驗十八 遙感圖像非監督分類處理

一、實驗目的

通過使用ENVI的兩種遙感非監督分類器——IsoData非監督分類和K-Means非監督分類命令，加深對遙感非監督分類原理和對地質應用的理解，了解其技術實現過程，初步掌握其ENVI功能命令的基本使用操作。

二、實驗內容

①桂林市TM 遙感影像數據IsoData非監督分類；②桂林市TM 遙感影像數據KMeans非監督分類；③IsoData非監督分類與K-Means非監督分類效果比較分析。

三、實驗要求

（①預習ISODATA和K-Means兩種演算法原理；②掌握ISODATA和K-Means分類處理的基本操作；③對兩種分類結果進行比較分析；④編寫實驗報告。

四、技術條件

①微型計算機；②桂林市TM 遙感影像數據；③ENVI軟體；④Photoshop軟體（ver.6.0以上）和ACDSee軟體（ver.4.0以上）。

五、實驗步驟

非監督分類是根據圖像數據的本身統計特徵及點群的情況，從純統計學的角度對圖像數據進行類別劃分。非監督分類不需要事先給定類別，由圖像數據的統計特徵來決定，即同類地物在相同的成像條件下具有相同或相近的光譜特徵（如DN 值），歸屬於同一個光譜空間區域；不同地物由於光譜信息特徵不同，歸屬於不同的光譜空間區域。

非監督分類一般可分為四個步驟：執行非監督分類、類別定義、合並子類和評價結果。

（一）執行非監督分類

ENVI有ISODATA和K-Means兩種非監督分類方法。

1.ISODATA非監督分類

ISODATA（iterative self-organizing data analysis technique）屬於聚類分析方法。是按照像元之間的聯系程度（親疏程度）來進行歸類的一種多元統計分析方法。ISODATA非監督分類計算數據空間中均勻分布的類均值，然後用最小距離技術將剩餘像元迭代聚集，每次迭代都重新計算均值，且根據所得的新均值，對像元進行再分類。具體操作步驟如下：

在ENVI主菜單欄中選擇「Classification>Unsupervised>ISODATA」，在「Classificatoin Input File」對話框中選擇待分類遙感影像，打開「ISODATA Parameters」對話框，如圖18-1所示。

圖18-1 ISODATA參數對話框

對圖18-1中的參數進行如下說明：

（1） Number of Classes：類數范圍（最小值和最大值），一般輸入最小數量不能小於最終分類數量，最大數量為最終分類數量的2～3倍。

（2） Maximum Iterations：最大迭代次數值，迭代次數越大，得到的結果越精確。

（3） Change Threshold%（0～100）：變化閾值（0～100%），當每一類的變換像元數小於閾值時，結束迭代過程，該值越小得到的結果越精確。

（4） Minimum #Pixel in Class：形成一類需要的最少像元數，如果某一類中的像元數少於最少像元數，該類將被刪除，其中的像元被歸並到距離最近的類中。

（5） Maximum Class Stdv：最大分類標准差，以像素值為單位，如果某一類的標准差比該閾值大，該類將被拆分成兩類。

（6） Minimum Class Distance：類均值之間的最小距離，如果類均值之間的距離小於輸入的最小值，則這一類就會被合並。

（7） Maximum #Merge Pairs：合並成對的最大數。

（8）Maximum Stdev From Mean：距離類別均值的最大標准差，為可選項，篩選小於這個標准差的像元參與分類。

（9） Maximum Distance Error：允許的最大距離誤差，為可選項，篩選小於這個最大距離誤差的像元參與分類。

（10）選擇輸出路徑及文件名，單擊【OK】按鈕，執行ISODATA非監督分類。

2.K-Means非監督分類

K-Means演算法接受輸入量K；然後將n個數據對象劃分為K個聚類以便使所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個「中心對象」（引力中心）來進行計算的。具體操作步驟如下：

在ENVI主菜單欄中選擇「Classification>Unsupervised>K-Means」，在「Classification Input File」對話框中選擇待分類遙感影像，打開「K-Means Parameters」對話框，如圖18-2所示。

圖18-2 K-Means分類器參數設置對話框

（1） Number of Classes：分類數量，一般輸入為最終分類數量的2～3倍。

（2） Maximum Iterations：最大迭代次數值，迭代次數越大，得到的結果越精確。

（3） Maximum Stdev From Mean：距離類別均值的最大標准差，為可選項，篩選小於這個標准差的像元參與分類。

（4） Maximum Distance Error：允許的最大距離誤差，為可選項，篩選小於這個最大距離誤差的像元參與分類。

（5）選擇輸出路徑及文件名，單擊【OK】按鈕，執行K-Means非監督分類。

（二）定義類別與子類合並

執行非監督分類後，得到的只是一個初步的分類結果，需要進行類別定義域合並子類的操作。

1.類別定義

類別定義的根據可以通過更高解析度圖像上目視解譯獲得，也可以通過野外實地調查獲得。

（1）打開分類圖像即灌陽地區QuickBird遙感數據，並使之顯示在「Display」中。

（2）在分類圖像的主窗口中，選擇「Overlay>Classification」，在「Interactive Class Tool Input File」對話框中選擇非監督分類結果，單擊【OK】按鈕打開「Interactive Class Tool」對話框，如圖18-3所示。

圖18-3 互動式分類工具對話框

（3）在「Interactive Class Tool」對話框中，勾選類別前面的「On」選擇框，就能將此類結果疊加顯示在「Display」分類圖像窗口上，識別此分類類別。

（4）在「Interactive Class Tool」對話框中，選擇「Options>Edit Class Colors/Names」，打開「Class Color Map Editing」對話框，如圖18-4所示。

在「Class Color Map Editnig」對話框中，選擇對應的類別，在「Class Name」中輸入重新定義的類別名稱，同時可以修改此類別顯示的顏色，修改後點擊【OK】按鈕完成修改。

（5）重復步驟（3）～步驟（4），定義其他類別。

（6）完成各類別定義後，在「Interactive Class Tool」對話框中，選擇「File>Save Change to File」，保存修改結果。

2.合並子類

在選擇非監督分類類別數量時，一般選擇為最終分類數量的2～3倍，因此在定義類別之後，需要將相同類別合並。

（1）在 ENVI 主菜單欄中，選擇「Classification > Post Classification > Combine Classes」，在「Combine Classes Input File」對話框中選擇定義好的分類結果，單擊【OK】按鈕打開「Combine Classes Parameters」對話框（圖18-5）。

圖18-4 編輯分類名稱和顏色對話框

圖18-5 分類類別的合並對話框

（2）在「Combine Classes Parameters」對話框中，從「Select Input Class」中選擇合並的類別，從「Select Output Class」中選擇並入的類別，單擊【Add Combination】按鈕添加到合並方案中，合並方案顯示在「Combine Classes」列表中。

（3）合並方案確定後，點擊【OK】按鈕，打開「Combine Classes output」對話框，在「Remove Empty Classes」選項中選擇「Yes」，將無用類移除。

（4）選擇輸出合並結果路徑及文件夾名，點擊【OK】按鈕，執行合並子類。

（三）分類後處理和評價分類結果

分類後處理和評價分類結果的方法同監督分類一樣，可參考實驗十七中的「遙感影像監督分類」。

完成遙感影像非監督分類後，分別利用ISODATA 和K-Means非監督分類方法對灌陽地區QuickBird遙感影像進行非監督分類處理，利用混淆矩陣對兩種分類結果進行評價，得出總體分類精度和Kappa系數。比較兩種分類結果，用W ORD文件記錄，取名為《灌陽地區QuickBird遙感影像兩種非監督分類方法分類結果評價》，存入自己的工作文件夾。

六、實驗報告

（1）簡述實驗過程。

（2）回答問題：①根據實驗操作步驟及各步驟之間的關系，分析兩種非監督分類方法具有的共同特點。②通過目視解譯定性比較兩種非監督分類方法的效果。

實驗報告格式見附錄一。

② 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

③ 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。

④ 圖像分割演算法是有監督還是無監督的

聽他人說的：無監督與監督學習的區別在於一個無教學值，一個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修

⑤ 請問一下有沒有人知道，我做了圖像的ndvi,也做了非監督分類，之後怎麼看class1,也就是紅色區域的NDVI均值

1、在classic版本里打抄開envi basic tools—statistics—computestatistics 即可算整個區域平均值

2、非監督分類結果不能疊加在植被指數上直接查看，除非你把class1覆蓋的ndvi區域裁剪下來

⑥ 如何編寫一個基於無監督的卷積神經網路實現圖像的分類（python）

欄位
欄位是被視為類的一部分的對象的實例，通常用於保存類數據。例如，日歷類可能具有一個包含當前日期的欄位。
可以選擇將欄位聲明為 static。這使得調用方在任何時候都能使用欄位，即使類沒有任何實例。
可以將欄位聲明為 readonly。只讀欄位只能在初始化期間或在構造函數中賦值。
static readonly 欄位非常類似於常數，只不過 C# 編譯器不能在編譯時訪問靜態只讀欄位的值，而只能在運行時訪問。
屬性
屬性是類中可以像類中的欄位一樣訪問的方法。屬性可以為類欄位提供保護，以避免欄位在對象不知道的情況下被更改。
屬性使類能夠以一種公開的方法獲取和設置值，同時隱藏實現或驗證代碼。
get 屬性訪問器用於返回屬性值，而 set 訪問器用於分配新值。這些訪問器可以有不同的訪問級別。
value 關鍵字用於定義由 set 索引器分配的值。
不實現 set 方法的屬性是只讀的。
對於不需要任何自定義訪問器代碼的簡單屬性，可考慮選擇使用自動實現的屬性。看個示例：public class userInfo
{
//欄位
private string name; //其它類不能訪問
public int age; //其它類可訪問，但既可賦值，也可取值。
//屬性
public string Name //其它類可訪問，但只能賦值，不能取值。
{
//注釋了get就只能給Name賦值，而不能取值。反之依然
//get{return name;}
set
{
//TODO:可以調用方法等其它操作。 這里就是一個方法，方法名為set，參數為value;
name=value;
}
}
} .方法
方法定義類可以執行的操作。方法可以接受提供輸入數據的參數，並且可以通過參數返回輸出數據。方法還可以不使用參數而直接返回值。事件
事件向其他對象提供有關發生的事情（如單擊按鈕或成功完成某個方法）的通知。事件是使用委託定義和觸發的。

⑦ 圖像分類處理原理

1. 圖像分類處理的依據

圖像分類處理的依據就是模式識別的過程，即通過對各類地物的遙感影像特徵分析來選擇特徵參數，將特徵空間劃分為互不重疊的子空間並將圖像內各個像元劃分到各個子空間區，從而實現分類。這里特徵參數是指能夠反映地物影像特徵並可用於遙感圖像分類處理的變數，如多波段圖像的各個波段、多波段圖像的算術/邏輯運算結果、圖像變換/增強結果、圖像空間結構特徵等; 特徵空間是指由特徵變數組成的多維空間。

遙感影像中同一類地物在相同的條件下 ( 紋理、地形、光照及植被覆蓋等) ，應具有相同或相似的光譜信息特徵和空間信息特徵，從而表現出同類地物的某種內在的相似性。在多波段遙感的數字圖像中，可以粗略地用它們在各個波段上的像元值的連線來表示其光譜信息 ( 圖 4-22a) 。在實際的多維空間中，地物的像元值向量往往不是一個點，而是呈點群分布 ( 集群) 。同類地物的特徵向量將集群在同一特徵空間域，不同地物的光譜信息或空間信息特徵不同，因而將集群在不同的特徵的空間域 ( 圖 4-22b) 。在實際圖像中，不同地物的集群還存在有交叉過渡，受圖像解析度的限制，一個像元中可能包括有若干個地物類別，即所謂 「混合像元」，因此對不同集群的區分要依據它們的統計特徵來完成。

2. 圖像分類處理的關鍵問題

圖像分類處理的關鍵問題就是按概率統計規律，選擇適當的判別函數、建立合理的判別模型，把這些離散的 「集群」分離開來，並作出判決和歸類。通常的做法是，將多維波譜空間劃分為若干區域 ( 子空間) ，位於同一區域內的點歸於同一類。子空間劃分的標准可以概括為兩類: ①根據點群的統計特徵，確定它所應占據的區域范圍。例如，以每一類的均值向量為中心，規定在幾個標准差的范圍內的點歸為一類。②確定類別之間的邊界，建立邊界函數或判別函數。不論採取哪種標准，關鍵在於確定同一類別在多維波譜空間中的位置 ( 類的均值向量) 、范圍 ( 協方差矩陣) 及類與類邊界 ( 判別函數) 的確切數值。按確定這些數據是否有已知訓練樣本 ( 樣區) 為准，通常把分類技術分為監督和非監督兩類。非監督分類是根據圖像數據本身的統計特徵及點群的分布情況，從純統計學的角度對圖像數據進行類別劃分的分類處理方法。監督分類是根據已知類別或訓練樣本的模式特徵選擇特徵參數並建立判別函數，把圖像中各個像元點劃歸至給定類中的分類處理方法。

圖 4-22 某地數字圖像上主要幾種地物的光譜反射比曲線和集群分布

3. 監督分類與非監督分類的本質區別

監督分類與非監督分類的本質區別在於有無先驗知識。非監督分類為在無分類對象先驗知識的條件下，完全根據數據自身的統計規律所進行的分類; 監督分類指在先驗知識( 訓練樣本的模式特徵等先驗知識) 的 「監督」之下進行分類。非監督分類的結果可作為監督分類訓練樣本選擇的重要參考依據，同時，監督分類中訓練樣本的選擇需要目視解譯工作者、專家的地學知識與經驗作為支撐。

4. 遙感圖像分類的工作流程

①確定分類類別: 根據專題目的和圖像數據特性確定計算機分類處理的類別數與類特徵; ②選擇特徵參數: 選擇能描述各類別的特徵參數變數; ③提取分類數據: 提取各類別的訓練 ( 樣本) 數據; ④測定總體統計特徵: 或測定訓練數據的總體特徵，或用聚類分析方法對特徵相似的像元進行歸類分析並測定其特徵; ⑤分類: 用給定的分類基準對各個像元進行分類歸並處理; ⑥分類結果驗證: 對分類的精度與可靠性進行分析。

⑧ 有監督和無監督學習都各有哪些有名的演算法和深度學習

• 深度學習

• 編輯

• 深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器回就是一種深度學習結構。深答度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。[1]

• 深度學習的概念由Hinton等人於2006年提出。基於深度置信網路(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。[1]

• 深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。[2]

⑨ 為什麼無監督的預訓練可以幫助深度學習

深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。
深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分．不同的學習框架下建立的學習模型很是不同．例如，卷積神經網路（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。
深度不足會出現問題
在許多情形中深度2就足夠表示任何一個帶有給定目標精度的函數。但是其代價是：圖中所需要的節點數(比如計算和參數數量)可能變的非常大。理論結果證實那些事實上所需要的節點數隨著輸入的大小指數增長的函數族是存在的。
我們可以將深度架構看做一種因子分解。大部分隨機選擇的函數不能被有效地表示，無論是用深的或者淺的架構。但是許多能夠有效地被深度架構表示的卻不能被用淺的架構高效表示。一個緊的和深度的表示的存在意味著在潛在的可被表示的函數中存在某種結構。如果不存在任何結構，那將不可能很好地泛化。
大腦有一個深度架構
例如，視覺皮質得到了很好的研究，並顯示出一系列的區域，在每一個這種區域中包含一個輸入的表示和從一個到另一個的信號流(這里忽略了在一些層次並行路徑上的關聯，因此更復雜)。這個特徵層次的每一層表示在一個不同的抽象層上的輸入，並在層次的更上層有著更多的抽象特徵，他們根據低層特徵定義。
需要注意的是大腦中的表示是在中間緊密分布並且純局部：他們是稀疏的：1%的神經元是同時活動的。給定大量的神經元，仍然有一個非常高效地(指數級高效)表示。
認知過程逐層進行，逐步抽象
人類層次化地組織思想和概念；
人類首先學習簡單的概念，然後用他們去表示更抽象的；
工程師將任務分解成多個抽象層次去處理；
學習/發現這些概念(知識工程由於沒有反省而失敗？)是很美好的。對語言可表達的概念的反省也建議我們一個稀疏的表示：僅所有可能單詞/概念中的一個小的部分是可被應用到一個特別的輸入(一個視覺場景)。
核心思想
把學習結構看作一個網路，則深度學習的核心思路如下：
①無監督學慣用於每一層網路的pre-train；
②每次用無監督學習只訓練一層，將其訓練結果作為其高一層的輸入；
③用自頂而下的監督演算法去調整所有層

⑩ 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。

(10)無監督圖像擴展閱讀

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。