監督分類是

❶ 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

❷ 監督分類中常用的具體分類方法

最大似然法、最小距離法、神經網路法、支持向量基法

❸ envi中監督分類和非監督分類有什麼區別各是怎麼定義的

監督分類是需要學習訓練的分類方法,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.

❹ 監督分類的介紹

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，依據典內型樣本訓練方容法進行分類的技術。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。

❺ 監督分類

監督分類一般是先在圖像中選取已知樣本 ( 訓練區) 的統計數據，從中找出分類的參數、條件，建立判別函數，然後對整個圖像或待分類像元作出判別歸類。遙感圖像處理中常用的監督分類方法有最小距離法、貝葉斯線性和非線性判別法 ( 最大似然法) 、多級分割法 ( 平行六面體法) 、特徵曲線法 ( 光譜角法) 、馬氏距離法、費歇爾線性判別法等。

1. 最小距離法

最小距離法的基本原理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，通過待分類像元與各類別均值向量的距離比較而將其劃分至與之距離最小的類別之中。為保證分類精度，需要對特徵空間進行正交變換 ( 如 K-L 變換等) 。首先在圖像顯示屏上選出訓練樣區，並且從圖像數據中求出訓練樣區各個波段的均值和標准差; 而後再去計算其他各像元的亮度值向量到訓練區波譜均值向量之間的距離。該方法依據的分類指標為絕對值距離或歐氏距離，其中歐氏距離最為常用。如果距離小於指定的閾值 ( 一般取標准差的倍數) ，且與某一類的距離最近，遂將該像元歸為某類。該分類法的精度取決於訓練樣區 ( 地物類別) 的多少和樣本區的統計精度。由於計算簡便，並可按像元順序逐一掃描歸類，一般分類效果也較好，因而是較常用的監督分類方法。

圖 4-23 ISODATA 方法框圖

2. 貝葉斯線性和非線性判別法 ( 最大似然法)

該方法假定各類別總體的概率密度分布均為正態分布，通過待分類像元與各類別的似然率比較而將其劃分至與之似然率最大的類別之中。其分類指標為似然率 ( 條件概率) 。它是用貝葉斯判別原則進行分析的一種非線性監督分類。簡單地說，它可以假定已知的或確定的訓練樣區典型標準的先驗概率，然後把某些特徵歸納到某些類型的函數中，根據損失函數的情況，在損失最小時獲得最佳判別。該法分類效果較好，但運算量較大。

3. 多級分割法 ( 平行六面體法)

多級分割法的基本原理是在特徵空間中每個特徵變數軸上設置一系列的分割點 ( 依據訓練數據的統計特徵進行分割點的確定) ，將多維特徵空間劃分為互不重疊的子空間，每個子空間對應於一個分類類別，將分類像元歸屬於與其所在子空間相對應的類別。為提高分類精度，需要對特徵空間進行正交變換 ( 如 K-L 變換等) 。

4. 特徵曲線法 ( 光譜角法)

特徵曲線法的基本原理是以地物的特徵參數曲線 ( 如地物波譜特性曲線) 之間的相似系數 ( 變數空間中樣品點向量之間的夾角餘弦) 作為分類判別指標。

5. 馬氏距離法

馬氏距離法充分考慮了多維變數空間中反映樣本點隨機概率密度分布特徵的協方差矩陣，當各變數正交時其相當於加權的歐氏距離，故該方法相對於最小距離法等方法而言一般具有較好的分類識別效果。

監督分類的結果明確，分類精度相對較高，但對訓練樣本的要求較高，因此，使用時須注意應用條件，某一地區建立的判別式對別的地區不一定完全適用。此外，有時訓練區並不能完全包括所有的波譜樣式，會造成一部分像元找不到歸屬。故實際工作中，監督分類和非監督分類常常是配合使用，互相補充的，使分類的效率和精度進一步提高。

基於最大似然原理的監督法分類的優勢在於如果空間聚類呈現正態分布，那麼它會減小分類誤差，而且分類速度較快。監督法分類主要缺陷是必須在分類前圈定樣本性質單一的訓練樣區，而這可以通過非監督法來進行，即通過非監督法將一定區域聚類成不同的單一類別，監督法再利用這些單一類別區域 「訓練」計算機。通過 「訓練」後的計算機將其他區域分類完成，這樣避免了使用速度比較慢的非監督法對整個影像區域進行分類，在分類精度得到保證的前提下，分類速度得到了提高。具體可按以下步驟進行。

第一步，選擇一些有代表性的區域進行非監督分類。這些區域盡可能包括所有感興趣的地物類別。這些區域的選擇與監督法分類訓練樣區的選擇要求相反，監督法分類訓練樣區要求盡可能單一。而這里選擇的區域包含類別盡可能得多，以便使所有感興趣的地物類別都能得到聚類。

第二步，獲得多個聚類類別的先驗知識。這些先驗知識的獲取可以通過判讀和實地調查得到。聚類的類別作為監督分類的訓練樣區。

第三步，特徵選擇。選擇最適合的特徵圖像進行後續分類。

第四步，使用監督法對整個影像進行分類。根據前幾步獲得的先驗知識以及聚類後的樣本數據設計分類器，並對整個影像區域進行分類。

第五步，輸出標記圖像。由於分類結束後影像的類別信息也已確定，所以可以將整幅影像標記為相應類別輸出。

圖像分類處理目前在農林、土地資源遙感調查中應用較廣。對於地質體的分類，由於干擾因素較大，一般要經變換 ( 比值變換、K-L 變換等) 處理的圖像再作分類處理，現常用於岩性填圖或熱液蝕變填圖等，隨著計算機軟硬體技術的日益成熟，圖像的計算機分類將應用得越來越普遍。

復習思考題

1. 數字圖像的基本概念是什麼?

2. 數字圖像的存儲格式有哪幾類?

3. 遙感單波段和多波段數據基本統計量有哪些?

4. 什麼是輻射誤差? 其主要來源有哪些?

5. 什麼是大氣校正? 試說明回歸分析和直方圖校正的原理。

6. 簡述利用重采樣法進行幾何精校正的過程。

7. 什麼是投影變換、圖像鑲嵌和圖像分幅?

8. 什麼是線性擴展和非線性擴展? 常用非線性增強方法有哪幾種?

9. 什麼是多波段假彩色合成?

10. 比值、差值增強的基本功能是什麼?

11. 濾波增強的主要目的是什麼? 常用的方法有哪些?

12. K － L 變換和 K-T 變換的主要作用是什麼?

13. 什麼是非監督分類? 本章介紹了哪幾種方法?

14. 什麼是監督分類? 有哪幾種方法?

15. 簡述監督分類與非監督分類的區別，各有何優點和適用條件。

❻ 監督分類屬於機器學習嗎

屬於機器學習。機器學習分為有監督和無監督學習，還可以從另一個維度劃分，即分類、聚類、回歸。

❼ 國家監督的種類有哪些

國家監督的種類有很多種輿論監督道德監督法制監督等等

❽ 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。

❾ 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.