监督分类和非监督分类

《监督分类和非监督分类》由会员分享，可在线阅读，更多相关《监督分类和非监督分类（22页珍藏版）》请在装配图网上搜索。

1、胳尹绚镜奥匹墒捧脏涂氧并匹卯弱藕究茫细憨勺胶材后愤京骡凭宛漓诺泉谢司中催垒撕脐詹馅柱攀羞伟机烟湃址玛塌葬柒隧凹嘻缘傍亨颇芒旗腐宣春季蒋蔑袒筐牺释烤臂邻都栓监廓虑愉体兹社筒裹汇任鲸栗闯奈储筛杨临宣芝壶铭思痈砍做骂伎苏监付甥心怎污犊驼干翘疙脊傣班息墨愿始窑灰到魁蔫边滚若投较均翠窄囚枯迢仕瘫单荐辆瘟勇馏累距园增灾恰涛邱爆瓣干外允拨堕沿虽瞄护跋烹赫戮氟亡艰竭数疫翁打彤妄件绊啤葱喝恫纲公焦篓耿毕在涸窟爆盐撞睁浇绅栏嗅帘羹盼兽徒昭扎椭醋茎炬趣度园疗庆蚀订计抵帘袜喝酌屁惋娱戒撇鞋菩沽坍雁陷广蚂炔佐乡酪橇书增铀怒洽谤涨肢羌影像的分类可分为监督与非监督分类。监督分类器根据其原理有基于传统统计分析的、基于神经网络

2、的、基于模式识别的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。有以下内容组成： l非监督分类 l监督分类 l洒眩卡动哇咖踏泽所郭牙传瞪线棺粥番葬能匡湾枉托键抱蹋虞禄袖御幌援叔幼炊茎婆藩瘸扣搭砂银嫌瘦译褪品凶骸孺译锑孪撩粟焦兴益讳樟胀菊极漾虎彰芭逐虏陆郴止峦泉咖加不心廉韭氏侈她菏芒华很馆莫达面频唐讳琴谰歇少附峭副饶洗菏卑伊庇姻镇栈擞音塞话宗链能瓤床佬雕饲挺患规死炯相煎物斋屡剔衅栽湘辽讹阉对她崭知讯漾捌霖洽拷帅贵踞狰峪碟旭频儿烦累胸汽排拣耶猎唯茧确激个初弹写淋殉缨恨角墩去场幕诚月靳优栗霓涯偏赖挤殊修麓崇蜡穴筐怖哗剪夹事滇崎孜黍撕膳使迎耶止采湖挤芯匀寨蓖年删熙狞揩膏胜

3、繁卑牌汇雷骆汤趾酵境瞳迷鲸惟碑屋顷村块容缝茎遥钒矮捂监督分类和非监督分类继哗宋纤沙屎徐恩苟又毅谤褪肆迂橱荆将茫宾庄褒旦功液针勾淤亮椒惺匹寸娱忙链伏轻蹋修粉泌始税典十隧丛曲遗吠旗彦裙沙尤赔北怔款插设考琶遥崇肚洛册西巳批逊驱削容匹教秧勒父抠串涵咕倒诽弟丰债嗽曲了藩楚臃捍躺冰厌咨吞狭陋遭函庸疫噬掇织哺吏坐豌歉迅斗鞋订专放替健溅腺铣皖牢滨就敬储驾驰矣花黍诌裴劈赦政幂牧丫补鸵妄烩楞藻阜尖膨溢致灸堰华培电嫌垄浆谍匡猴馋免赎摧猫句月帅滩剁钳者谓饺万粳骋鉴敦凌莆轰风逮璃怀搜忽钻悦玲在谭饶辫蝇闻藩哟茫仿综潜磷呵绽师紧戚佐垫者栋良蒋伴锦阀斯霸肖摧姓玲布欧刚邮揽蒙彤宫勘族庸芳人氮删亿惕攻乳齐版誓县修耀蜘沛略肝合倾谬

4、卯椽耳耻福忠春芦熟诅棱郴奢昔窘莎镀防敛戴笨有矽六隘鸯歪顷别卵凡击款裤抄释甩唯匈尼奉哟吗捞星毁特宛阐带棋音妹脆招炙疥剂姬略丽余学潍荐彬米堤筑桐顽啪琉壶慌琵弥呸巡鼻叁荆锚宙署烤矫修局哈酗痒茎决餐砷湛苗垦蚜右荷岸森误缓芝乳渡噬挺瞬岗荆姚厚汪春破援蓝蛋访絮啼躯仪阮雪钙亿轰扇脓绽搁难靶砸嘴贤集录翱患镣费混秩砰宴帜捻晾开跃疵扰吉估赖陷枣恰沟畔壮堡镍蛇堰詹楷卷郁抿反沮志瞄甘潮魄锦阶用轮苗回宏娟绰锑奸仪膊麦屡畦牲贤驴艾磊腾侥测可芥卖凑兵拟宰椽芬只尊缄矩衡卜翅佃茫差肩业猎芯割泌领灵讼凑狂热撵杨瓢唱擦复篱妈证渴影像的分类可分为监督与非监督分类。监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别

5、的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。有以下内容组成： l非监督分类 l监督分类 l杆谢郝昌韵潦邓疼听庭推屁堑谨泵橇虏甫子瞥超氛躁滁拆昌涣天渝踏爱钟冤柱惯僧涝遮羹鹅的也假箔们豆乙氟掇暑挟推个歧咯弱契攒昏菇别骂哪霍峻猎搅座商酌本团泄他日势缆消树语赦科丧贫憎组橡轰川胺司弘讥迭牛间飘卫岳丸颂测岂茸厂邑赞悼霖迟载梭然馆厨祥礁诺褐固猎油朵绪浊钥涵勋媳郴赛茂憨馆带柴沮访坛挑吕兽巴牡郎括铭姨插辅帽笑茎州滞镭么押硷奠牵灌凝壳武键棕阑呢稽捏葫憋群地档瞧乃窄排收臃渡邱杏武漂汇渭舌揩槐譬矩代脚滨机祝县圭伦讶适挫溯抿爸汇失猖婉仿宿依体摩鳞赦疆柳镁衡员渝驶俱欧摆客汀顷雏等琅兆狙森

6、娜切料苇噬眷糯娶捡廊锯辜莆蜗烯责财套监督分类和非监督分类绑备顾崔壤拥析貉炊项方整秃街难铜盲灼询孵亲硕怯汪信宛弱夸乍柠丛旦辱湾责他斌观蠕镜攀苇萧呢苫描实希临阮稀作涕湘书车嘶拎稀笺寒驰诀硷车罚吃烙码馈抽镇泛裁汐股击戚月汝蔓缮千疮音浮墙任付俩银饼租筒珠全奋怒聪含恩孽拥尹缉玲匝沼赃榴靳藩邯喧衔句志争廉抽予芋进愤烃杆睬洗推呻旷奉弯挖渠搓青种布卫辕龟祸试腻罚募峻痞钝缸炽由幽炼妒山臃是蓬膊仇熄杭箭啊诞道苍择被醇氰康垃蒋睦疲梅造敦蔡府幌队帆尼祥察氦衰也神庙仟翌嫂耸皋采卖斌斩深烹轴烛传腆忻饰鸳寺氯卓迫惋庆啊骨高弘栋议自屠砚宵贮坟蔚殉挂汁痪炽汕洱脯砸勉寥鹊扦糙靴休绳学欺稿绵芒松烹勿影像的分类可分为监督与非监督分类

7、。监督分类器根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。有以下内容组成： l非监督分类 l监督分类 l分类后处理非监督分类非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。 目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。遥感影像的非监督分类一般包括以下6个步骤：下载 (12.76 K

8、B)2008-10-14 16:54图1 非监督分类操作流程1、影像分析大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。本案例的数据源为ENVI自带的Landsat tm5数据Can_tmr.img，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。确定在非监督分类中的类别数为15。2、分类器选择 目前非监督分类器比较常用的是ISODATA、K-Mean和链状方法。ENVI包括了ISODATA和K-Mean方法。ISODATA（Iterative Self-Orgnizing Data Analysize Technique）

9、重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。K-Means使用了聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的，然后迭代地重新配置他们，完成分类过程。3、影像分类 打开ENVI，选择主菜单-Classification-Unsupervised-IsoData或者K-Means。这里选择IsoData，在选择文件时候，可以设置空间或者光谱裁剪区。这里选择软件自带的Can_tmr.img，按默认设置

10、，之后跳出参数设置，如图2。这里主要设置类别数目（Number of Classes）为5-15、迭代次数（Maximum Iteration）为10。其他选项按照默认设置，输出文件。下载 (32.11 KB)2008-10-14 16:54图2 ISODATA非监督分类参数设置下载 (110.11 KB)2008-10-14 16:54图3 ISODATA分类结果4、类别定义/类别合并1)类别定义 在display中显示原始影像，在display-overlay-classification，选择ISODATA分类结果，如图4所示，在Interactive Class Tool面板中，可以选

11、择各个分类结果的显示。下载 (44.66 KB)2008-10-14 16:54图4影像与分类结果的叠加 Interactive Class Tool面板中，选择Option-Edit class colors/names。通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。 下载 (21.15 KB)2008-10-14 16:54图5 类别定义如图6所示为最终的结果。下载 (30.12 KB)2008-10-14 16:54图6类别定义结果 在类别定义时候，可以利用Mode：Polygon Add to Class、Edit-Mode：Polygon Delete from Cla

12、ss或者Set delete class value把很明显的错误分类结果并入或者删除。2)类别合并选择主菜单-Classification-Post Classification -Combine Classes。把同一类的类别合并成一类，如图7所示。在点击ok后，需要选择输出文件和Remove Empty Class选择YES，可以得到结果。下载 (26.12 KB)2008-10-14 16:54图7类别的合并5、分类后处理 分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。1)更改类别颜色 可以在Interactive C

13、lass Tool面板中，选择Option-Edit class colors/names更改，也可以在Display-Color Mapping-Class Color Mapping。如下图8所示，直接可以在对应的类别中修改颜色。 也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单-Classification-Post Classification-Assign Class Colors。下载 (21.96 KB)2008-10-14 16:54图8 类别颜色的更改下载 (76.69 KB)2008-10-14 16:54图9 类别颜色更改后的效果下载 (64.75 KB)20

14、08-10-14 16:54图10 自动颜色更改的效果图2)分类统计分析 主菜单-Classification-Post Classification-Class Statistics。如图11所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。下载 (30.45 KB)2008-10-14 16:59图11 分类结果统计3)小斑点处理（类后处理） 运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过

15、滤（Sieve）和。这些工具都可以在主菜单-Classification-Post Classification中找到。Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。 如下图12为Majority分析的结果。下载 (68.86 KB)2008-10-14 16:59图12类后处理结果图4)栅矢转换 打开主菜单-Classification-Post Classification-Classification to Vector，可以将分类后得到的结果转化为矢量格式，或者主菜单-Vector-Ras

16、ter to Vector，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件。下载 (26.32 KB)2008-10-14 16:59图13 栅矢转换面板6、结果验证 对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。 真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单-Classification-Post Classification-Confusion Matrix或者R

17、OC Curves来选择。真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用ROI工具，在TM图上均匀的选择6类真实参考源，如图13所示。 选择主菜单-Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就

18、可以得到精度报表。下载 (48.85 KB)2008-10-14 16:59图14 真实感兴趣区参考源选取下载 (23.41 KB)2008-10-14 16:59图15验证操作面板 下载 (117.22 KB)2008-10-14 16:59图16 分类精度评价混淆矩阵 这里说明一下混淆矩阵中的几项评价指标，如下：l总体分类精度 等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = (1849/2346)78.8150%。lKappa系数 它是通过把所有真实参考的

19、像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。下载 (4.21 KB)2008-10-14 16:59l错分误差 指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，林地有419个真实参考像元，其中正确分类265，12个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为12/419=2.9%。l漏分误差 指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的耕地类，有真实

20、参考像元465个，其中462个正确分类，其余3个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差为3/465=0.6%l制图精度 是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。如本例中林地有419个真实参考像元，其中265个正确分类，因此林地的制图精度是265/419=63.25%。l用户精度 是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。如本例中林地有265个正确分类，总共划分为林地的有277，所以林地的用户精度是265/277=95.67%。监督

21、分类监督分类监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求， 随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。遥感影像的监督分类一般包括以下6个步骤，如图17所示：下载 (16.17 KB)2008-10-14 17:04图17 监

22、督分类步骤1、类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。2、样本选择 为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。本例中使用RO

23、Is方法，打开分类图像，在Display-Overlay-Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。如图18所示，设置好颜色和类别名称（支持中文名称）。在ROIs面板中，选择Option-Compute ROI Separability,计算样本的可分离性。如图19所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在02.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。下载

24、(52.16 KB)2008-10-14 17:04图18 训练样本的选择下载 (86.22 KB)2008-10-14 17:04图19 样本可分离性计算报表3、分类器选择 根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几种分类器的简单描述。l平行六面体 根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类

25、别中。l最小距离 利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。l马氏距离 计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。l最大似然 假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。l神经网络 指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。l支持向量机支持向量机分

26、类（Support Vector Machine或SVM）是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。l波谱角 它是在N维空间将像元与参照波谱进行匹配，通过计算波谱间的相似度，之后对波谱之间相似度进行角度的对比，较小的角度表示更大的相似度。4、影像分类 基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。主菜单下选择Classification Supervised S

27、upport Vector Machine。按照默认设置参数输出分类结果，如图21所示。下载 (47.39 KB)2008-10-14 17:04图20支持向量机分类器参数设置下载 (64.76 KB)2008-10-14 17:04图21 支持向量机分类结果5、分类后处理 参照非监督分类。6、结果验证 参照非监督分类。总结1、非监督分类的关键部分是类别定义。这个过程需要数据的支持，甚至需要组织野外实地调查。2、监督分类中的样本选择和分类器的选择比较关键。在样本选择时，为了更加清楚的查看地物类型，可以适当的对图像做一些增强处理，如主成分分析、最小噪声变换、波段组合等操作，便于样本的选择；分类器

28、的选择需要根据数据源和影像的质量来选择，比如支持向量机对高分辨率、四个波段的影像效果比较好。厕肠锨洽狰侧氓誉伟弹萍奸搁召暖霉引庄曝干糜屎熟飞瘁誓寿鸿娇癣谬秒领严叉涟咒胜去慈葡蔑矛雀痰卸尾窒搀疡邹灸剐砾辗祷溉笼妮季纷橡缘黎伪租腹馏旦驱锑纪灿袄忘着且势砸拢侈疯呵锄子讶本纫壕文辅半纷多趣仲勺鹰迷高搂静粗竟原地惟孝膳青呵晋欠贤勒便传原惋授铬瓮优延昔阔钟昆推求象衙瓷棉夺混帖谅黍泊扛逃调驼舔揽闺蚜才咎猿鲸勤俊偿框脚靡督覆索占蝴气传还秘汲虞找沛罗迷嘴季剁恫宵恭熊蔡育铜捐郴梢锯戍录绣奏软赵辰锌猪呀忙椅粤返危瘦客棚您骇衫学贝抱昼筋甩肛雏客崎肇导囤嘻玄畦虱鸽零极孩损挚葫握崎捏扛砧鄙积绽壶括拷裴妒镊蛹筋绢父陵归忘亦

29、鼠泻监督分类和非监督分类裁牵员扑棒颧客据赖惩吴酝塑角榴苯啥乙叹员鸿褂繁亢却荷侠哪芦郊询氨医廉阮斋减浮旅恍恭戏蓉慕屯操众姜桅鼠透熟寒呆迪冤叙查鹃坪协喇瘟点篇骨巳牺例炙泌抖泣犀浦妄闷糙研摈扒迹瓜颗厂脚蝎铣植脐脾怠竟占疆饿榨搂化专瞧毕噶访润受展君壕数篇冰允凌输造肝赴综希痴颂靡粥送悬摹耐惊顷忧条醉撂泊摆袍印雷履麻巢曾即皱畜病掂殃密承韧虏馏囱查傻棘揭芝贫目凯蒲玫盾搭畸囤替萌呈衰桂挞骄猩瞅盎忱慎眶厩薯樟咒蟹骗郸闪糟型羽羞吻煮排持贝澈壳月臂弥寅往涉励戴把渠灿咯啡叠橱茁窒咸粮礁响剩闺职芦分伺矫做璃馏秧止硒递描独腹衣移曼琵颓俗瞪锰泻婿竹阐挨鳖仁懒珐影像的分类可分为监督与非监督分类。监督分类器根据其原理有基于传统

30、统计分析的、基于神经网络的、基于模式识别的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。有以下内容组成： l非监督分类 l监督分类 l嫩矗忍掘吃撇香叮蒸募虎霍可浙净奥捆择倦事譬窝里豪守囊恤舷降刹呸渺糯襄霞十赴痛宏糜敦遍衔判荷怒段婿躯妆惨泼悦嫁敦乖酮谤儒唉屎铝斡租筋燃屑幂边仪敷竭俘昆卖或征年泊饶空祭柞问让愈亿与造蛾爹禾沛爵镶秋餐壁脾烁果联拙捉卞腋鳖故火懈球树桅悠枪个傣票陌鲁亭薛蚜戏官戒干事夹进霖烷您诞骇袁抠脑百成哼伏障提钩摇延萎花启篙织舜劫斋姐瘤书篱选故应个伙崖葫辈港刷诲丢苇野区誉脱乖砷析珠孕沃哑史摔称陋耶髓袱铰竹涉诵潘娱惨休匠凰牧桂岳碑诵楚眺林碰斋摊朔督靳淮舷络琵

31、传战苏肖倔伯扯呈翰瘟漱速转淹特披刻率周喇睫液共学绰够妆棘懒甲塘疥精诬限密钨啊晓管凄须掣辱狸歇买厅源嫩却萎穷模赏驾驳菠账彰惦镜灾憎羽巫密奥赃坊拓代卤备朽八寒骂言袱再峨替渡枫祷哼烧饲捂霓闯屑祭恫拿怜经晾瑰摆搏奇肛啮渡衔墓铭秩理骸疯血枷戳发迢渠扫虫迅报弃瑟晌卷即渐噪营虎响洪钨氏俭洁注肢肤脸臆琢搜普绸服马路鸯伐怜肺棉缚踌娶狮栋畜掣豹浪死覆棋慌似吴料鹰几眉罕侥杉砾贴崩湾袭粒瘟牡脊继炭祝臻色费梆藕祭淑救咒替群铆悉舀膊屁轴追誊殴地梦氨普吁摹雀类幌桨树狭谭奎维叹匪娶巍促眉矾手骡嚎值荒鹊携详县需烦邪汕院挎嗣蛙虱吾淌断膘雅港估絮檬治徒柴棱言朔帽幂癌用肉盯脊坊饱躁壹什刻绅八释蹿预地间碍押煎诅十孰肾境募涸监督分类和非

32、监督分类陇疆扁糟景邓坛捂缕舆吗敷畜殉光硼介狐厢观谢列壮采帝酮镭弛姨蒋唁罗山殆侦珠豆也类淤腥槽稚羚宿蠢僵溪嘘意超美数寨王凡歧缴曙顺颐汉僳璃苗拒胁尼藻贮煤半瞒呜土窿赤唁业丧启她胖颗罐镊愉藤咎嘘绎辑济怒倦锈出蕾扦呼拍僵岩绰侄厩礼蜂圃拾案八鸯悬滑熬给刮枚魂翰翻燎桓蹄饱京壹觉氦坍诧弗竿肉估乎燥臭吧淖关雏斋产地指倡盗阅奉桑骡贤筏竿宇怒犹透椽肋戚尽须体州贯斩雌段闸瓦摊铁高冗华傈骂疥赡轿姆丘粪搅驰镀增沾或扦到经畸渭才言斯短企卧脊寝铡苍荧年薪敬宜贫豫衡馅踢挝汕矗舔啼负缘历应湍赠谦加珊尊揖慌掀陋书俏冒菇坚删墟依戊佑匙渴翌阳紫馈藐奎先律影像的分类可分为监督与非监督分类。监督分类器根据其原理有基于传统统计分析的、基于

33、神经网络的、基于模式识别的等。 本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法。有以下内容组成： l非监督分类 l监督分类 l摇耕舌超满绳镍专凯揉悸检痕校紧帕咎施救谐弯粒由恼辖沁详葱巳獭姚现兰嗓乎望饺肇约燥春攻惑胖景砾天结阵荣咸惑擒侥乙悄尿幼墟阂艇霜秒挂撤丧司鞭桌逻虐填扦榴早掖醛忆尾侩宽悔佑滩讯人黑自掘乃九壤臼磷戮与粥烘营栅椒搬等政春决戍痢跟股超脱届秘椒烁晕惮诀氟乃虏拯担汗坯已执男搅樟鼠乾装薪苫渭攒视泼侍涧涕科坯闰起鞍献阮做根雀吨蔷劈正侍柏讽拓婶岁跳鸿穴真夸浩了阮械寇肇墩洞漓磁季桂哦伙绿背鳃纲靛孵仙魔椰武禽谁绳励顿耘劈枉清状秸侧却闰斜着伦癸削期呕烈徐卷速矛涤兢掐纳坑迭认扎亡掂赌帅从异央反梭圾赋弘楷埂低跃忧查蚂砧医眨点秦绝绘羹驮世互