遥感监督分类和非监督分类的异同（遥感监督分类与非监督分类）

各位朋友，如果想进一步了解监督分类步骤和遥感非-监督分类步骤，请继续阅读。在这篇文章中，我将为我的父母提供全面的知识，并尽力回答你的问题。

各种遥感数据的分类对比没有区别。*主要区别在于准确性。对于你的研究领域，可以尝试多种*，然后看分类准确率，再决定哪种*更适合你。监督分类是用训练样本指定各种类别，然后根据指定的类别进行分类。

常规遥感:又称宽带遥感，带宽一般大于100nm，波段在光谱上是不连续的。可分为外层空间遥感、大气遥感、陆地遥感、海洋遥感等。

遥感数据包括很多种，一般的原始数据是正射影像。通常，图像是光栅数据，例如。img格式。具有几何和拓扑参数的数据是矢量数据，例如。shp，. e00格式。矢量数据一般是经过处理的数据，如地形图、专题图等。

Irina Kerl(1996)增加了*一种最大似然分类精度，即多概率比较法。

在这个实验中，我们根据各种地物在不同波段的DN值不同，通过人机交互寻找遥感影像中各种地物DN值的联系，通过这样的联系来确定区分不同地物的阈值，从而达到分类的目的。

例如，用于测绘、超光谱数据等的立体图像对。现在的应用领域更加广泛，如土地利用、测绘、环境、地质、森林、交通、资源、矿产等。建议了解一下国内外的卫星和传感器。我这里有百科常识网的详细总结。但是网上可以查到。你可以通过百科常识网自己总结一下。

Erdas监督分类实验报告1。监督分类后，需要对分类效果进行评估。ERDAS提供了多种分类评估*，包括classificationoverlay、threshold、recodeclasses、accuracy assets * * * ent等。本文主要谈精度评估。

2.通过使用ENVI-*六面体分类、*短距离分类、Mahalanobis距离分类、*最大似然分类、神经* *分类、支持向量机分类六种主要遥感监督分类器的命令，加深对遥感监督分类原理的理解，了解其技术实现过程，初步掌握其ENVI函数命令的基本操作。

3.监督分类就是根据你选择的训练区域对你不分类的特征进行分类，根据你图像的亮度值进行区分。这说明你首先选择的训练区域的灰度值和你的背景值是一样的。

4.实验目的通过使用ENVI-ISO数据非监督分类和K-Means非监督分类命令两种遥感非监督分类器，加深对遥感非监督分类原理和地质应用的理解，了解其技术实现过程，初步掌握ENVI函数命令的基本操作。

5.监督分类后，通常在ERDAS下进行后处理，然后将分类后的栅格转换为矢量，在ERDAS下执行栅格转矢量(Coverage格式)，然后在ArcGIS中执行FEAURE类转shapefile (multiple)并转换为shape文件格式。

如何使用erdas软件评估监督分类的结果1。在ERDAS软件中，监督分类分为非参数*和参数*两种，可选*有五种。非参数化*: *线六面体划分，参数化特征空间划分*: *最大似然法，*小距离法，马氏距离法*及模型，参考帮助及相关书籍。

2.第一步:在窗口中打开原图，在查看器中打开分类前的原图进行精度评估。

3.2.实验平台:ERDASIMAGINE1 3。实验要求:掌握无监督分类；无监督分类结果的评估；监督分类；监督分类结果的评估；分类后处理。

4.监督分类后，通常在ERDAS下进行后处理，然后将分类的栅格转换为矢量，在ERDAS下执行栅格转矢量(Coverage格式)，然后在ArcGIS中将feaure class转shapefile (multiple)转换为shape文件格式。

什么是监督分类和非监督分类？1.监督分类是一种需要学习和训练的分类。需要自己选择样本，需要先学习再分类。无监督分类不需要手动*特征样本点数据，而是通过聚类*自动分类，可以边学习*边分类。

2.监督分类，也称为训练地方法，是一种基于建立统计识别函数和训练典型样本的技术。

3.无监督分类是一种没有先验(已知)分类标准的图像分类，基于不同图像对象在特征空间中分类特征的差异。它基于聚类理论，基于计算机聚类统计分析。

4.无监督方法是学习分类，通过学习找到同一个类别，然后把这个类别和其他类别区分开来，但是无监督方法和有监督方法都是基于图像的灰度。通过一些特征参数的统计计算进行分类，比如均值和协方差。所以有一些共性。

5.无监督分类的优点:无监督方法是学习分类，通过学习找到同一个类别，然后把这个类别和其他类别区分开来，但是无监督方法和有监督方法都是基于图像的灰度。缺点:其分类的结果只是区分了不同的类别，并没有决定类别的属性。

遥感影像监督分类有什么好*光谱角映射是基于光谱向量之间的广义夹角对未知像元进行监督分类*。

以下是几种常用的遥感图像分类*: *最大似然分类*最大似然分类是一种基于贝叶斯判别准则的非线性监督分类*，需要知道已知或确定的训练样本区域的典型标准的先验概率P(wi)和条件概率密度函数P(wi，x)。

常用遥感数据的专题分类有很多种，从分类决策的角度可以分为统计分类器、神经分类器、专家系统分类器等。从是否需要训练数据方面来说，可以分为监督分类器和非监督分类器。

监督分类(Supervised classification)监督分类(Supervised classification)是对一些已知类别的样本进行训练后，按照分类的决策规则进行分类，使分类识别系统化的过程。使用的数学方法包括多级切割分类、决策树分类、短距离分类和最大似然分类。

例如，神经网络(ANN)、支持向量机(SVM)等。可以取得很好的效果，特别是SVM是一个更健壮的分类器。比如ENVI中的监督分类就有这两类*。不过ENVI里的神经好像有点问题，不太好收敛。

常用的信息提取是利用计算机对遥感图像进行自动分类。首先对遥感影像进行室内预判，然后进行实地调查，旨在建立各类地物与影像特征的对应关系，验证室内预判结果。

监督分类1。决策树算法决策树算法是一种常用的监督分类算法。其基本原理是将数据转化为决策树，通过判断属性进行分类。决策树可以自动学习属性之间的关系，从而生成可解释的分类模型。

2.预测和分类，数据挖掘和分析。预测和分类。监督分类可用于对未知数据进行分类和预测，如客户的信用评估和疾病的诊断。数据挖掘和分析。

3.监督分类(Supervised classification):也称训练地法，是一种根据典型样本训练，建立统计识别函数并进行分类的技术。

4.按照监督的过程，行政监督可以分为事前监督、事中监督和事后监督。事前监督:是指在某项公共行政活动实施之前，监督部门围绕公共行政主体的行政行为所进行的监督检查。

5.监督分类一般是选取图像中已知样本(训练区域)的统计数据，找出分类的参数和条件，建立判别函数，然后对整幅图像或待分类像素进行判别和分类。

非常感谢您选择听我的监督分类步骤和遥感非监督分类步骤问题。希望我的知识能给你提供一些有用的帮助。如果您需要其他相关信息或建议，请不要犹豫告诉我。