访问量： 156 次浏览
1972年，第一颗以60米分辨率收集地球反射率的卫星制成。 这些过程需要对图像进行分类以实现空间分辨率的技术。 有监督和无监督分类是分别涉及通过软件进行人工引导分类 和计算的图像技术，也被归类为遥感方法。例如，森林、 草原、农业、水和城市等类别。
然而，鉴于在高分辨率数据中很重要， 另一种称为基于对象的分析的技术经常流行。 有监督和无监督的分类都基于像素并制作方形像素， 其中每个像素都有类别。此外，无监督分类被归为一种基本的技术形式， 因其不需要样品。此外，它是理解和分割图像的最简单技术，同时， 这两种技术已经被使用，并在遥感应用方面仍然有需求。 应用领域包括环境、食品安全以及公共安全。多年来， 卫星图像的目标是创建高频率的大空间分辨率。 以下是这两种分类间的区别。
无监督分类。无监督有两个常见步骤，包括生成集群和分配类， 可使用遥感软件制作集群。 图像聚类算法最常见的例子是 ISODATA 和 K-means。 在采用聚类算法后，确定要生成的组。例如，可以制作 8、 20 和 42 个集群。最相似的像素将在组内有几个集群。 更多的集群增加了组中的可变性。下一步涉及为每个集群手动分配类。 如，需要选择最佳聚类来表示和分类非植被和植被。
监督分类。监督分类涉及挑选每个土地覆盖类别的样本表示。 通过使用该软件将训练站点应用于整个图像。 监督有 3 个常见步骤，包括分类、生成文件签名和选择训练区域。 第一步涉及制作训练样本。为了说明，标记城镇与在图像中标记相同。 不断制作训练样本，直到获得每个类别的样本。出于这个原因， 生成了一个保留训练样本的签名。最后，将使用签名文件运行分类。 这将需要让您识别算法的分类，如 iso 聚类、最大似然、 主成分、最小距离和支持向量机。
无监督分类。无监督分类涉及对具有相似特征的图像进行分组， 且是基于软件。因此，用户不需要生成样本类。 该软件使用技术来确定相关的图像并将它们放在类中， 同时，需要指定要使用的算法类型和许多类。然而， 用户应该更多地了解被分类的地点。 这在对计算机提供的具有相似特征的图像进行分类时是必要的。 将像素与地球上的真实特征进行比较，例如森林、湿地和城市地区。
监督分类。监督分类是一种基于思想的思想， 它使用户能够从代表特定类别的图像中选择像素样本。 用于处理图像的软件将以引用的形式引导训练站点对 图像上的所有像素进行分组。训练站点也称为输入类或测试集， 是根据用户的理解方式选择的。 还可以设置边界来确定其他像素的关系以将它们放在一起。 根据测试集的频谱特性经常选择边界。此外， 特定光谱带中强度的最大值和最小值。 用户可以设计特定图像已被分类的总类， 大多数分析使用无监督和有监督的分类来提出最终的分组地图和输出分析。
监督分类。大多数实用的学习机器使用监督分类。 监督学习有一个输入变量 x 和输出变量 y， 它使用一种算法来知道从输入到输出的映射函数。 主要目标是逼近地图的功能。如果有新的变量 x 输入， 则可以预测变量 y 的输出，被称为监督学习， 因为可以在教师监督学习过程的同时教授算法学习过程。 该算法预测由课堂教师纠正的答案。只有在算法达到预期的性能水平后， 学习过程才会停止。
无监督分类。无监督学习得到了一个输入变量 x 没有相应的 输出变量。它的目的是分布数据并为数据中的底层结构建模， 以便更多地了解它。
监督分类。监督分类提供类的标签，通常称为真实标签的基础， 进而了解分类的重要特征，从而提高识别水平，特征根据相应的组进行映射。
无监督分类。无监督分类不提供标签。需要查看输入并确定数据的结构。 可以根据识别后的结构进行分类和聚类。如， 指派一群孩子到野外观察动物，但没有以任何方式帮助它们。
监督分类。在准确性方面，监督分类对于映射组是准确的。 但是，这取决于分析图像的技能和认知。
无监督分类。它基于计算机并帮助我们指定计算机用于揭示固有模式的参数。
监督学习，涉及一个训练模型，该模型提供输入并显示 每个输入的正确组。训练模型用于在训练期间适用的 预定义组中对新输入进行聚类。
无监督学习。该模型通过馈送输入进行训练， 但没有告知每个输出的类别。训练输入聚集在不同的类别中。
监督分类。它允许用户将信息放入特殊子类别等类别中。
无监督分类。在无监督分类中使用训练数据可能会导致错误， 因光谱类将具有许多混合像素。
监督分类。训练数据是使用精度更高的 GPS 设备从现场采集的。
无监督分类。在将标签快速分配给广阔或简单的土地时， 无监督分类通常很有用。这些土地覆盖包括森林/非森林、水、非植被/植被等。