『壹』 envi中监督分类和非监督分类有什么区别各是怎么定义的

监督分类是需要学习训练的分类方法,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.

『贰』 监督分类 非监督分类 区别

监督分类是需要学习训练的分类方法,如最大似然分类,人工神经网络分类,即是需要回事先为每类地物在遥感图答像上采集样本数据,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.

『叁』 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。

(3)比较监督分类与非监督分类扩展阅读

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。

『肆』 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

『伍』 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，依内据典型样本训练容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。

『陆』 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）人为误差内的概率很容小。在进行非监督分类时，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）

『柒』 非监督分类和目视解译的结果怎么比较

谢谢了~~ 问题补充：可不可以告知具体的解译方式？我尝试过非监督分类，另外做一些增强，选择适当的波段组合也很重要。 水体和山体阴影也会分到一块

『捌』 非监督分类的分类方法

（一）波普图来形识别分类自
（二）聚类分析 动态聚类。聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法（ISODATA）等。 模糊聚类法。模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类.。 系统聚类。这种方法是将影像中每个像元各自看作一类，计算各类间均值的相关系数矩阵，从中选择最相关的两类进行合并形成新类，并重新计算各新类间的相关系数矩阵，再将最相关的两类合并，这样继续下去，按照逐步结合的方法进行类与类之间的合并，直到各个新类间的相关系数小于某个给定的阈值为止。 分裂法。又称等混合距离分类法，它与系统聚类的方法相反，在开始时将所有像元看成一类，求出各变量的均值和均方差，按照一定公式计算分裂后两类的中心，再算出各像元到这两类中心的聚类，将像元归并到距离最近的那一类去，形成两个新类. 然后再对各个新类进行分类，只要有一个波段的均方差大于规定的阈值，新类就要分裂。

『玖』 城市地理学中比较监督分类与非监督分类的优缺点

监督分类法优点是：简单实用，运算量小。缺点是：受训练场地个数和训练场典型性的内影响较容大。受环境影响较大，随机性大。非监督分类法优点是：事先不需要对研究区了解，减少人为因素影响，减少时间，降低成本。缺点是：运算量大。