监督分类的实验报告

随着遥感技术的飞速发展，遥感图像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。

为了提高遥感图像分类的准确性和效率，我参加了为期一个月的监督分类实习，旨在学习遥感图像处理与分析的基本原理，掌握监督分类方法，并应用于实际项目中。

二、实习内容1. 遥感图像处理基础实习初期，我学习了遥感图像处理的基本原理，包括图像的几何校正、辐射校正、增强处理等。

通过实际操作，我掌握了ENVI、ArcGIS等软件的基本操作，能够对遥感图像进行预处理。

2. 监督分类方法学习在了解了遥感图像处理的基础知识后，我重点学习了监督分类方法。

实习期间，我学习了最大似然法、支持向量机（SVM）等常用的监督分类方法。

通过实际操作，我了解了不同分类方法的特点和适用场景。

3. 实际项目应用在实习的最后阶段，我参与了实际项目的监督分类工作。

该项目旨在利用遥感图像对某地区进行土地利用分类。

在导师的指导下，我选取了合适的训练样本，运用SVM方法对遥感图像进行了分类，并对分类结果进行了精度评估。

三、实习成果1. 理论掌握通过实习，我对遥感图像处理与分析的基本原理有了更深入的了解，掌握了监督分类方法，为今后的工作打下了坚实的基础。

2. 实践能力提升在实习过程中，我学会了使用ENVI、ArcGIS等软件进行遥感图像处理与分析，提高了自己的实践能力。

3. 项目经验积累通过参与实际项目，我积累了项目经验，学会了如何将理论知识应用于实际工作中。

1. 理论与实践相结合实习过程中，我深刻体会到理论与实践相结合的重要性。

只有将理论知识应用于实践，才能真正掌握遥感图像处理与分析技术。

2. 团队协作精神在实习过程中，我学会了与团队成员沟通协作，共同完成项目任务。

3. 不断学习遥感图像处理与分析技术发展迅速，作为一名实习生，我深知自己需要不断学习，才能跟上时代发展的步伐。

五、总结本次实习让我受益匪浅，不仅提高了自己的专业素养，还积累了宝贵的实践经验。

在今后的学习和工作中，我将继续努力，为遥感图像处理与分析领域的发展贡献自己的力量。

监督分类实验报告监督分类实验报告一、引言监督分类是机器学习领域中的一项重要任务，它的目标是根据已知的样本和标签，构建一个能够自动对新样本进行分类的模型。

在本次实验中，我们使用了一个基于监督学习的分类算法，并通过对不同数据集的实验进行评估，来探索该算法的性能和适用范围。

二、数据准备在实验中，我们使用了两个不同的数据集，分别是鸢尾花数据集和手写数字数据集。

鸢尾花数据集包含了150个样本，每个样本有4个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。

手写数字数据集则包含了1797个样本，每个样本是一个8x8的灰度图像，表示了一个手写数字。

三、实验方法我们选择了支持向量机（SVM）作为分类算法，并使用Python中的scikit-learn 库进行实现。

SVM是一种二分类模型，通过在特征空间中构建一个最优超平面来实现分类。

在实验中，我们将SVM应用于鸢尾花数据集和手写数字数据集，并对其进行了以下几个方面的评估。

1. 特征选择在实验中，我们首先进行了特征选择，以确定对于不同数据集来说，哪些特征是最具有区分性的。

通过计算特征的方差和相关系数等指标，我们确定了鸢尾花数据集的四个特征都是有用的，而手写数字数据集的某些特征则可以被忽略。

2. 模型训练在特征选择之后，我们使用了80%的数据作为训练集，剩余的20%作为测试集。

通过调整SVM的参数，如核函数类型、正则化参数等，我们训练了不同的模型，并选择了最优模型进行评估。

3. 模型评估为了评估模型的性能，我们使用了准确率、召回率和F1值等指标。

准确率表示模型正确分类的样本比例，召回率表示模型正确预测正例的能力，而F1值则综合考虑了准确率和召回率。

通过计算这些指标，我们可以对模型的分类能力进行全面的评估。

四、实验结果与分析在鸢尾花数据集上，我们的SVM模型达到了97%的准确率，表现出很好的分类能力。

然而，在手写数字数据集上，模型的准确率仅为90%，略低于我们的期望。

实验报告书（验证性实验）题目图像分类——监督分类成绩姓名专业班级学号指导教师日期年月日1．实验目的从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。

2．实验准备工作准备一张卫星高清图像以及ERDAS软件，统筹观测目测一下图像，大体了解地物的种类及种类数目，做到心中有数，为训练区的选取做准备。

3．实验步骤第一步：打开卫星拍摄的高清图像，同时打开工具栏classifier中的signature editor，会蹦出分类标签框。

然后打开viewer上的工具栏，在卫星图像上进行训练区第一种地物（如小麦）样本的选取，找到该类地物面积较大的区域，放大后用多边形截图工具截取，然后在标签框上选择添加，之后继续选样本，重复以上步骤，直到选择到十几个有代表性的样本为止。

之后在标签栏里选中所有样本，点击图标合并，删除原样本，只保留合并之后的，再在name栏里填上此种地物的名称。

这样第一个地物的样本选取完毕，进行第二个地物样本的选取，以此类推，直到把图像中包含的所有地物样本选出得到完整的分类标签为止，将分类标签保存在目标文件夹中。

地物样本的选择：第二步：打开classifier中的supervised classification，在导入原始文件栏里选择卫星图像，在导入signature栏里选择刚才做好的分类标签，之后选择导出的目标文件夹，在parametric中可以选择不同的选项（这里以maximum likelihood为例），确定后导出了开始。

第三步：打开导出的图像，这就是监督分类后的图像，然后进行检验。

在已打开的分类后的图像中再打开未分类的原始图像，这里要注意把raster option中的clear display前的对号去掉。

在view中的arrange layers上安排一下图层的顺序，使分类后的图像在上面，打开utility中的swipe，通过移动滚条并放大进行前后两张图像的对照，达到检验效果。

实习报告一、实习背景及目的近年来，随着我国经济的快速发展，各行各业对数据分析的需求日益增长。

监督分类作为一种常见的数据分析方法，在遥感、图像处理、机器学习等领域具有重要应用价值。

为了提高自己在监督分类领域的实际操作能力，我参加了本次监督分类实习，旨在掌握监督分类的基本原理、常用算法及其应用。

二、实习内容与过程1. 实习前的准备在实习开始前，我首先对监督分类的基本概念、原理和常用算法进行了系统学习，包括最小距离分类、最大似然分类、支持向量机分类等。

同时，为了更好地开展实习，我还学习了相关软件的使用方法，如ENVI、ArcGIS等。

2. 实习过程实习过程中，我主要完成了以下几个任务：（1）数据准备：我下载了一组遥感图像，包括多光谱、高光谱等数据。

为了进行监督分类，我需要对这些数据进行预处理，如波段选择、数据标准化等。

（2）样本制备：在监督分类中，样本的制备至关重要。

我根据实际需求，从遥感图像中选取了具有代表性的样本，并对每个样本进行了标签分类。

（3）模型训练与验证：利用制备好的样本，我分别采用了最小距离分类、最大似然分类和支持向量机分类等算法进行了模型训练。

为了评估模型的分类性能，我还进行了交叉验证。

（4）遥感图像分类：在模型训练与验证通过后，我应用这些模型对整个遥感图像进行了分类。

为了评价分类结果，我还进行了混淆矩阵分析、Kappa系数计算等。

3. 实习成果通过本次实习，我完成了遥感图像的预处理、样本制备、模型训练、交叉验证和图像分类等任务。

实习成果主要包括以下几点：（1）掌握了监督分类的基本原理、常用算法及其应用；（2）学会了遥感图像处理软件的使用，如ENVI、ArcGIS等；（3）提高了自己在监督分类领域的实际操作能力；（4）为实际项目中的应用提供了有益的参考。

三、实习总结通过本次监督分类实习，我对监督分类有了更深入的了解，从理论到实践都取得了一定的进步。

同时，我也认识到监督分类在实际应用中存在的局限性，如样本制备的困难、算法选择的复杂性等。

监督分类实验报告.本次实验我们研究的是监督分类算法。

监督分类是一种基于训练数据集的分类方法，即通过给定的训练数据集学习构建分类器，再将分类器应用于测试数据集，从而实现对新数据进行分类的过程。

监督分类算法具有广泛的应用，如文本分类、图像分类等领域。

本实验中我们选取了两种常用的分类算法：决策树和朴素贝叶斯分类器。

决策树是一种树状结构，其中每个节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点表示一个类别。

朴素贝叶斯分类器是一种基于概率论的分类器，利用贝叶斯定理来预测给定数据的分类。

我们选取了一个公开数据集Iris（鸢尾花数据集），该数据集包含150个样本，其中每个样本中包含4个特征属性，分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度，以及一个类别属性，分别是setosa、versicolor、virginica三种鸢尾花的类别。

我们选取其中120个样本作为训练数据集，30个样本作为测试数据集。

我们首先使用Python实现了决策树算法和朴素贝叶斯分类器算法。

在训练阶段，我们将训练数据集作为输入，根据算法学习生成决策树或对应的概率模型；在测试阶段，我们将测试数据集的每个样本输入到决策树或概率模型中进行分类，最终统计分类准确率。

在实验中，我们使用了sklearn工具包中的DecisionTreeClassifier和GaussianNB 实现决策树和朴素贝叶斯分类器算法。

我们将数据集中的数据进行了随机划分，80%作为训练集，20%作为测试集，将参数max_depth设置为4。

结果显示，朴素贝叶斯分类器分类准确率达到97.78%，决策树分类准确率达到93.33%。

其具体结果如下表所示：|算法 |分类准确率||--------------|--------||朴素贝叶斯分类器| 97.78% ||决策树 | 93.33% |从结果可以看出，朴素贝叶斯分类器的分类准确率较高，达到了97.78%，而决策树的分类准确率稍低，只有93.33%。

实习报告实习名称了解监督分类方法实习课程遥感导论姓名班级学号实习时间12.24晚得分一、实习目的1．通过此次实习掌握监督分类的方法与过程2.加深对监督分类方法的理解，并能将其与实际结合进行思考。

二、实习内容1．首先是定义分类模版，并成出结果图。

2.进行分类精度的评估三、实习方法1.先是定义分类模版，先用到ERDAS图标中的Classifier，选择其中的Signature Editor。

2.用VIEWER打开所要编辑的图片，打开3.在打开的工具栏中选择，进行AOI多边形的绘制，把绘制好的多边形通过Signature Editor中的，将将多边形AOI区域加载到Signature分类模板中4.绘制不同种类的AOI多边形，包括水体、植物群、居民区、农田（果园）、裸地，全部加载入后选择Signature Editor对话框菜单条Classify进行最终结果的保存。

5.进行分类精度的评估。

四、实习步骤（应附上不同过程中的实习结果，如图形、图像、数字等）1.先打开要进行分类处理的图像，打开ERDAS图标中的Classifier，选择其中的Signature Editor。

在viewer的一排工具中选择，出现如下图在打开的工具栏中选择，在编辑图片中选择水体，并用此工具进行AOI多边形绘制。

此时在Signature Editor中选择下列工具将多边形AOI区域加载到Signature分类模板中，并更改合适的名字和颜色，然后再进行其他AOI的绘制。

下图为我将绘制的水体AOI全部加载并改名换颜色后的Signature Editor同理如上，绘制并加载上所有需要的AOI，包括包括水体、植物群、居民区、农田（果园）、裸地。

2.现在要保存分类文档，在Signature Editor对话框菜单条中选择Classify进行最终结果的保存。

按OK进行保存。

3.在viewer中打开保存的图像此时再进行分类精度的评估，打开ERDAS图标中的Classifier，选择其中的Accuracy Assessment打开已经分类好的图像，再点击Edit，打开见下图弹出下框，点OK则出现了在分类图像中产生的一些随机的点，见下图此时再点击View中的Select Viewer弹出下框，再在Viewer中点击下一分类完成的图这是再在Accuracy Assessment中点击View中的Show ALL此时在Viewer中分类好的图上会出现对应的随机点随机点产生之后，本来需要给出随机点的实际类别。

实验报告书（验证性实验）题目遥感图像的监督分类成绩姓名专业班级学号指导教师日期2010 年12 月17 日1．实验目的通过本实验加强对遥感图像监督分类处理理论部分的理解，熟练掌握图像监督分类的处理方法，并将处理前后数据进行比较。

2．实验准备工作1，准备遥感数据（本实验使用的是校正后的图像）；2，熟悉遥感图像监督分类的理论部分。

3．实验步骤（1）打开ERDAS imagine，打开需要处理的图像，下图所示：点击Classifier Signature Editor，出现下图所示对话框：首先目视解译区分部分明显地物，点击viewer对话框中，选择一种截取方式，在原图中选择一种地物（如：水系）截取，如下图所示：打开Signature Editor对话框，点击，出现下图所示对话框：以上所述步骤，将原图中水系均找出，按住shift键，将Class#中每一栏选定，如下图所示：点击上图中将其合并，如下图所示：然后将合并后的结果重命名，删除合并前的，以上述方法将图中大部分地物合并，如下图所示：将上图模板保存。

打开ERDAS面板中Classifier Supervised Classification，将Supervised Classification对话框中Input Raster File一栏输入原图像，在Input Signature file一栏输入刚才保存的模板，在Classified File一栏输入要输出的数据，点击OK即可。

如下图所示：打开处理后图像，并与原图像进行比较：原图：处理后：4．实验数据分析与结论（可另附文字材料）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。

监督分类实验报告1100900028 淑蕊一、实验原理：根据已知训练区提供的样本，通过选择特征参数，建立判别函数对各待分类像元进行的分类。

二、实验目的：1、理解监督分类方法的基本原理；2、掌握利用ERDAS进行监督分类的操作流程；3、了解分类后评价过程。

三、实验容：在ERDAS软件中，对TM影响进行监督分类，将图像中的水体、植被、农田、城区等地物特征提取出来。

四、实验步骤：1、在ERDAS主界面中，打开Viewer视窗，打开需要进行监督分类的图像。

2、对图像进行设置，设置Red、Green、Blue对应的波段值分别为4、3、2。

3、在Viewer视窗中显示待分类图像。

打开Classification，选择Signature Editor，打开分类模板编辑器。

4、选择Signature Editor窗口的View中的Column，在弹出的View Signature Columns 对话框中选择需要显示的字段。

5、在Viewer中点击图标，打开Raster工具面板。

6、单击面板中的图标，在打开的图像中选择水体区域，绘制一个多边形AOI。

7、在Signature Editor对话框中，单击图标，将上一步中建立的多边形AOI区域加载到分类模板中。

8、将上述方法重复进行，共选择10个区域。

9、将上述结果进行综合，将该类的Signature全部选定，然后点击合并图标，得出水体的分类模板，然后依次进行植被、农田、城区的分类模板的建立，方法同上。

10、将上述模板进行保存。

11、进行监督分类，在ERDAS主界面中，单击Classifier中的Supervised Classification，打开Supervised Classification对话框。

12、在Supervised Classification对话框中，输入参数。

输入文件为tm_bjcity.img，输出文件为tm_bjcity_superclass.img，模板为tm_ssr.sig，分类距离文件为tm_bjcity_superclass_dis.img。

实验报告书（验证性实验）题目遥感图像监督分类成绩姓名专业班级学号指导教师日期2010 年12 月19 日1．实验目的：掌握监督分类的方法与过程，加深对监督分类方法的理解进一步熟练ERDAS软件的操作2．实验准备工作：准备要分类的图像3．实验步骤：第一步：显示需要进行分类的图像。

在视窗中显示345hecheng.img第二步：点击C1assifier→Signature Editor 菜单项View→Columns→view signature columns 对话框→点击最上一个字段的Co1unmn 字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。

→按住shift 键的同时分别点击Red、Green、B1ue 三个字段Red、Green、Blue 三个字段将从选择集中被清除。

→点击Apply 按钮→点击Close 按钮从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。

第三步：获取分类模板信息。

在显示有345hecheng.img图像的视窗中选择Raster 菜单项→选择Tools 菜单→点击Raster 工具面板的图标→在视窗中选择蓝色区域，绘制一个多边形AOI→在Signature Editr 对话框，点击图标，将多边形AOI 区域加载到Signature 分类模板中→在Signature Editor 中，改变刚才加入模板的Signature Name和Color。

→重复上述操作过程以多选择几个蓝色色区域AOI,并将其作为新的模板加入到Signature Editor 当中，同时确定各类的名字及颜色。

可以将这些模板合并，以便该分类模板具多区域的综合特性。

具体做法是在Signature Editor 对话框中，将该类的Signature 全部选定，然后点击合并图标第四步：保存分类模板。

在Signature Editor 对话框菜单条：File→Save→打开Save Signature File As 对话框→确定是保存所有的模板还是只保存被选中的模板→确定文件的目录和名字（Sjg 文件）→点击OK 按钮4．实验数据分析与结论（可另附文字材料）。

监督分类的实验报告一、实验目的监督分类是一种基于已知类别样本的分类方法，通过对训练样本的学习，建立分类模型，从而对未知类别样本进行分类。

本次实验的目的是深入理解监督分类的原理和方法，掌握常见监督分类算法的应用，并通过实验对比不同算法的性能，为实际问题中的分类任务提供参考和依据。

二、实验原理监督分类的基本思想是在已知类别样本的基础上，通过分析样本的特征，建立分类规则或模型，然后将未知类别样本按照这些规则或模型进行分类。

常见的监督分类算法包括决策树、支持向量机、朴素贝叶斯、K 近邻等。

决策树算法通过对样本特征的递归划分，构建一棵决策树，根据样本在决策树上的路径进行分类。

支持向量机算法通过寻找一个最优的超平面，将不同类别的样本分开，实现分类。

朴素贝叶斯算法基于贝叶斯定理，假设样本特征之间相互独立，计算样本属于不同类别的概率进行分类。

K 近邻算法则根据样本与已知类别样本的距离，选择 K个最近邻样本，根据这些近邻样本的类别进行分类。

三、实验数据本次实验使用了两组数据，一组是鸢尾花数据集（Iris Dataset），另一组是手写数字数据集（MNIST Dataset）。

鸢尾花数据集包含 150 个样本，每个样本有 4 个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度，共有 3 个类别，分别是山鸢尾（Iris setosa）、变色鸢尾（Iris versicolor）和维吉尼亚鸢尾（Iris virginica）。

手写数字数据集包含 60000 个训练样本和 10000 个测试样本，每个样本是一个 28×28 的灰度图像，代表 0 到 9 中的一个数字。

四、实验步骤1、数据预处理对鸢尾花数据集，将特征进行标准化处理，使各特征的均值为 0，方差为 1。

对手写数字数据集，将图像展平为一个 784 维的向量，并进行归一化处理，使每个像素值在 0 到 1 之间。

2、划分训练集和测试集对鸢尾花数据集，随机选取 100 个样本作为训练集，50 个样本作为测试集。