非监督

⑴ 非监督分类

非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，依据图像数据本身的结构 ( 统计特征) 和自然点群分布，按照待分样本在多维波谱空间中亮度值向量的相似程度，由计算机程序自动总结出分类参数，即自然聚类的特性进行 “盲目”的分类。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类 ( 集群) 分析，使用的方法有图形识别、系统聚类、分裂法和动态聚类等。

其中，比较实用的是动态聚类。它是首先根据经验和分类数，选定若干个均值向量，作为 “种子”，建立一批初始中心，进行初步概略的分类，然后根据规定的参数 ( 阈值)检验分类结果，逐步修改调整分类中心，再重新分类，并根据各类离散性统计量 ( 如均方差等) 和不同类别之间可分离性统计量 ( 如类间标准化距离等) ，进行类的合并或分裂; 此后再修改中心，直至分类结果合理为止。动态聚类中，聚类中心和分类数可以按客观的波谱特征自动调整，分类效果一般比较好，但分类结果的确切含义 ( 类别的属性)需另作分析，从实况调查或已有的地面资料中去确定它们的地物类型。以下以 ISODATA法和 K － Means 法为例，给出其处理过程。

1. ISODATA 方法

ISODATA 也称迭代自组织数据分析算法，实质是在分类过程中不断对分类参数 ( 如各类别的均值、标准差、类间距离等) 进行调整和确定，通过类分裂、类合并、类删除等方法最终构建所需的判别函数。ISODATA 法的实现主要包括以下步骤 ( 图 4-23) :

( 1) 确定最初类别数和类别中心。最初类别数和类别中心的确定具有较大的随意性，因无先验知识，只能在以后逐步调整。一般可依据原始数据的统计分布特征进行确定。

( 2) 计算每一个像元矢量与各类别中心的距离，将像元矢量归属于距离最小的类别。

( 3) 计算新的类别均值向量。

( 4) 判断新的类别中心是否变化。

( 5) 当新的类别中心发生变化时，以新均值代替旧中心，回到步骤 ( 2) 继续迭代循环; 当新的类别中心不再变化时则停止迭代，输出分类结果。

2. K － Means 方法

K － Means 方法的基本思想是通过迭代移动各基准类别 ( 初始类别) 的中心直至取得最好的聚类结果，分类时新的类别中心的确定是根据该类别内所有像元到类别中心的距离平方和之和最小这一原则。这一原则与 ISODATA 方法并无本质区别。

非监督分类由于事先不需训练样本，故处理速度较快，较客观，并能为监督分类的训练样区选择提供参照，一般在有目的的监督分类之前进行。

⑵ 什么是监督分类什么是非监督分类

中文名称：监督分类 英文名称：supervised classification 定义1：根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对各待分类影像进行的图像分类。 应用学科：测绘学（一级学科）；摄影测量与遥感学（二级学科） 定义2：在遥感影像的计算机分类过程中，采用一定数量的影像分类标准样板，作为计算机分类的训练基准的技术，即一种有已知类别标准的分类方法，或具有先验知识的分类方法。 应用学科：地理学（一级学科）；遥感应用（二级学科）

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

中文名称：非监督分类 英文名称：unsupervised classification 定义1：以不同影像地物在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类。 应用学科：测绘学（一级学科）；摄影测量与遥感学（二级学科） 定义2：在遥感影像的计算机分类过程中，无需采用训练样板的分类技术，或没有先验知识的分类方法。 应用学科：地理学（一级学科）；遥感应用（二级学科）
非监督分类 (Unsupervised Classification ) 是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。希望您帮到你

⑶ 监督学习和非监督学习的区别

机器学习任务根据训练样本是否有label，可以分为监督学习和无监督学习
监督学习专的训练样本属有label，主要是学习得到一个特征空间到label的映射，如分类、回归等
无监督学习的训练样本没有label，主要是发现样本的内部结构，如聚类、降维、可视化等

⑷ 监督分类 非监督分类 区别

监督抄分类是需要学习训练的分袭类方法,如最大似然分类,人工神经网络分类,即是需要事先为每类地物在遥感图像上采集样本数据,之后通过学习训练过程才来分类;非监督分类不需要人工采集地物样本点数据,多是通过聚类的方法来自动分类,主要有isodata,k均值等.总体来说,监督分类的效果要优于非监督分类.

⑸ 什么是监督分类和非监督分类

监督分类又称训练场地法、训练分类法，是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术，即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类。

非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。

(5)非监督扩展阅读

监督分类的主要优点如下：

（1）可根据应用目的和区域，充分利用先验知识，有选择地决定分类类别，避免出现不必要的类别；

（2）可控制训练样本的选择；

（3）可通过反复检验训练样本，来提高分类精度，避免分类严重错误；

（4）避免了非监督分类中对光谱集群组的重新归类。

缺点如下：

（1）其分类系统的确定、训练样本的选择，均人为主观因素较强，分析者定义的类别有可能并不是图像中存在的自然类别，导致各类别间可能出现重叠；分析者所选择的训练样本也可能并不代表图像中的真实情形；

（2）由于图像中同一类别的光谱差异，造成训练样本没有很好的代表性；

（3）训练样本的选取和评估需花费较多的人力、时间；

（4）只能识别训练样本中所定义的类别，若某类别由于训练者不知道或者其数量太少未被定义，则监督分类不能识别。

⑹ 论述监督分类与非监督分类却别与联系,及各自优缺点

一）非监督分类的优点
1）非监督分类不需要预先对所要分类的区域深入的了解。
2）人专为误差的概率很小。在进行属非监督分类时，分析人员仅仅只需要设定分类的数量。
3）只要设立足够多的类别，就可以对图像进行全部分类。
（二）监督分类的优点
1）分析人员可以控制，适用于研究，需要区域地理特征的信息特征。
2）可控制训练样区和训练样本的选择。
3）运用监督分类不必担心光谱类别和地物类别的匹配问题。
4）通过检验训练样本精度，确定分类是否正确，估算监督分类中的误差。
5）避免了非监督分类中对光谱集群类别的重新归类。
（三）非监督分类的缺点和限制
1）非监督分类形成的光谱类别并不一定与地物类别对应。
2）分析人员很难控制分类产生的类别并进行识别。
3）由于地物类别的光谱特征随着时间而变化，因此，地物类别与光谱类别间的关系并不是固定的。
（四）监督分类的缺点和局限
1）分类体系和训练样区的选择有主观因素的影响
2）训练样区的代表性问题。
3）有时训练样区的选择很困难。
4）只能分类出训练样本所定义的类别，对于未被分析人员定义的类别则不能识别，容易造成类别的遗漏。（摘抄自网络）

⑺ 非监督分类的定义

非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥版感影像地物的光权谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。通过统计计算一些特征参数，如均值，协方差等进行分类的。所以也有一些共性。

⑻ 非监督学习有哪些

无监督学习（Unsupervised Learning）是和监督学习相对的另一种主流机器学习的方法，我们知道监督学习解决的是“分类”和“回归”问题，而无监督学习解决的主要是“聚类（Clustering）”问题。

从无监督学习说起：算法模型有哪几种？

监督学习通过对数据进行标注，来让机器学习到，比如：小曹多重多高就是胖纸，或者用身高体重等数据，来计算得到小曹的BMI系数；而无监督学习则没有任何的数据标注（超过多高算高，超过多重算胖），只有数据本身。

比如：有一大群人，知道他们的身高体重，但是我们不告诉机器“胖”和“瘦”的评判标准，聚类就是让机器根据数据间的相似度，把这些人分成几个类别。

那它是怎么实现的呢？怎么才能判断哪些数据属于一类呢？

这是几种常见的主要用于无监督学习的算法。

K均值（K-Means）算法；
自编码器（Auto-Encoder）；
主成分分析（Principal Component Analysis）。
K均值算法
K均值算法有这么几步：

从无监督学习说起：算法模型有哪几种？

随机的选取K个中心点，代表K个类别；
计算N个样本点和K个中心点之间的欧氏距离；
将每个样本点划分到最近的（欧氏距离最小的）中心点类别中——迭代1；
计算每个类别中样本点的均值，得到K个均值，将K个均值作为新的中心点——迭代2；
重复234；
得到收敛后的K个中心点（中心点不再变化）——迭代4。
上面提到的欧氏距离（Euclidean Distance），又叫欧几里得距离，表示欧几里得空间中两点间的距离。我们初中学过的坐标系，就是二维的欧几里得空间，欧氏距离就是两点间的距离，三维同理，多维空间的计算方式和三维二维相同。

⑼ 什么是监督分类和非监督分类

监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。
非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。

⑽ 遥感:监督分类与非监督分类的区别

非监督分类运用1SODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
监督分类比非监督分类更多地要求用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。

上面的这段话是我们遥感实验手册上的话， 我自我感觉在用ERDAS 8.6 时候 ，对监督分类和非监督分类的区别才有了深刻点的理解，简单的说监督分类是我们人为地选择好样本区 比如水体，植被 ，就像是告诉计算机“我圈起来的这种像素就代表水体噢”，这个对个人经验要求很高，很容易把有的颜色混淆，以至于少分几类，而非监督分类就是计算机自己将图像上的像元按像素分几类，一般如果你最后是要分成水体，植被，土地等几类，但是你设置的起码最初要分它的两倍，因为计算机识别的时候有可能有的最终可以归到一类，但是计算机不会知道它分类每一类代表什么，这个就要人为地输入每一类地物的名称。
[email protected] 如果你需要这方面的实验指导书就找我吧