ENVI监督分类 监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。训练样本类别是像元的集合或单一波谱。在分类过程中，可以选择它们作为代表区域或分类素材。 监督分类的步骤：类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证 数据：以Landsat TM为数据源，影像can_tmr.img 处理过程： 一、样本选择：打开影像can_tmr.img后543波段显示，目视判断一下这个影像中地物大概分几类，可定义偏暗红色的为裸地，鲜绿色的为耕地，深绿色的为林地，白色的为沙地，沙地与林地之间的绿色的为草地，黑色的为阴影与水体定义为其他。在主影像窗口菜单中点overlay----region of interests, ROI tool窗口就打开了，window 的方式点击zoom窗口，先定义一类ROI：裸地
在缩放窗口中画裸地，画的图斑尽量小，分布尽量均匀。
划完裸地后，点击new region，定义新的种类，沙地、林地、草地、其他的定义和画法都同裸地一样。得到如下结果： 二、验证样本：在ROI tool对话框菜单点击options—compute ROI separability 计算ROI 可分离性，这是一种定量的方式来验证样本的方法。还有一种定性的来验证样本的方法是N维可视化方法。
选择要进行可分离性计算的文件为影像can_tmr.img，点击OK
点击把六组样本都选择，点击OK。出现如下报告： 红笔圈画区域数字代表两类样本的相近性，数字越大代表越不相近，两类样本越不好区分。后面每一栏>1.8最好，所以我们需要修改林地和草地。激活草地（表格中草地前面带星号），点击Goto，进行逐一删除后重新画样本。下图是我修改后进行计算ROI可分离性后的结果，每项都>1.8，合格。
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
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： ? ? ●非监督分类 ? ? ●监督分类 ? ? ●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： 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）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，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。
数据挖掘分类算法比较 分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。通过对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较，总结出了各种算法的特性，为使用者选择算法或研究者改进算法提供了依据。 一、决策树（Decision Trees） 决策树的优点： 1、决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 2、对于决策树，数据的准备往往是简单或者是不必要的.其他的技术往往要求先把数据一般化，比如去掉多余的或者空白的属性。 3、能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。 4、决策树是一个白盒模型。如果给定一个观察的模型，那么根据所产生的决策树很容易推出相应的逻辑表达式。 5、易于通过静态测试来对模型进行评测。表示有可能测量该模型的可信度。 6、在相对短的时间内能够对大型数据源做出可行且效果良好的结果。 7、可以对有许多属性的数据集构造决策树。 8、决策树可很好地扩展到大型数据库中，同时它的大小独立于数据库的大小。 决策树的缺点： 1、对于那些各类别样本数量不一致的数据，在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。 2、决策树处理缺失数据时的困难。 3、过度拟合问题的出现。 4、忽略数据集中属性之间的相关性。 二、人工神经网络 人工神经网络的优点：分类的准确度高,并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系，具备联想记忆的功能等。 人工神经网络的缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
实验十监督分类 实例与练习：某地区的遥感影像监督分类 背景：现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。本例中使用监督分类的方法，实现土地利用类型的划分。 目的：通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。 监督分类流程图： 监督分类过程 1 定义分类模板 （1）在viewer窗口中选择打开smtm.img，在raster options选择fit to frame
（2）单击classifer|classification|signature editor，打开分类模板编辑器（signature editor）（3）在viewer窗口中打开raster|tools，打开raster工具面板 （4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中 （5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中 （6）用同样的方法加载9个深蓝色多边形AOI （7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板 （8）单击其signature name属性进入编辑状态，输入water，单击color属性，选择深蓝色 （9）在signature editor菜单条，单击edit|delete，删除合并前的模板 （10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident） （11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板(all)，并保存分类模板文件的目录 2评价分类模板 （1）分类预警评价 ①选中water类别 ②在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开 signature alarm对话框 ③选中indicate overlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框 设置为黄色 ④点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum， 并选择使用的模板：current（当前模板） ⑤设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm 对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signature alarm对话框
习题 3 1、答：深度优先搜索算法的特点是 ①一般不能保证找到最优解； ②当深度限制不合理时，可能找不到解，可以将算法改为可变深度限制； ③方法与问题无关，具有通用性； ④属于图搜索方法。 宽度优先搜索算法的特点是 ①当问题有解时，一定能找到解； ②当问题为单位耗散值，并且问题有解时，一定能找到最优解； ③效率低； ④方法与问题无关，具有通用性； ⑤属于图搜索方法。 2、答：在决定生成子状态的最优次序时，应该采用深度进行衡量，使深度大的 结点优先扩展。 3、答：（1）深度优先 （2）深度优先 （3）宽度优先 （4）宽度优先 （5）宽度优先 4、答：如果把一个皇后放在棋盘的某个位置后，它所影响的棋盘位置数少，那 么给以后放皇后留下的余地就大，找到解的可能性也大；反之留下的余地就小，找到解的可能性也小。 并不是任何启发函数对搜索都是有用的。 6、讨论一个启发函数h在搜索期间可以得到改善的几种方法。 7、答：最短路径为ACEBDA，其耗散值为15。 8、解：（1）（S，O，S0，G） S：3个黑色板和3个白色板在7个空格中的任何一种布局都是一个状态。 O：①一块板移入相邻的空格； ②一块板相隔1块其他的板跳入空格； ③一块板相隔2块其他的板跳入空格。 S0： B B B W W W G： W W W B B B W W W B B B W W W B B B
W W W B B B W W W B B B W W W B B B W W W B B B （2）1401231231234567333377 =???????????=?P P P （3）定义启发函数h 为每一白色板左边的黑色板数的和。 显然，)()(n h n h *≤，所以该算法具有可采纳性。 又，?? ?≤-=),()()(0)(j i i j n n c n h n h t h ，所以该启发函数h 满足单调限制条件。 9、解： ((( ),( )),( ),(( ),( ))) ((S,( )),( ),(( ),( ))) ((A,( )),( ),(( ),( ))) ((A,S),( ),(( ),( ))) ((A,A),( ),(( ),( ))) ((A),( ),(( ),( ))) (S,( ),(( ),( ))) (A,( ),(( ),( ))) (A,S,(( ),( ))) (A,A,(( ),( ))) (A,(( ),( )))
第六章图像分类 遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得客观的地物信息的过程。一般的分类方法可分为两种：监督分类与非监督分类。将多源数据应用于图像分类中，发展了基于专家知识的决策树分类。 4.1 非监督分类 非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。主要有两方法：ISODATA分类与K-Means 分类。 4.1.1 ISODATA分类 ISODATA是一种遥感图像非监督分类法。全称“迭代自组织数据分析技术”（Iterative Self-Organizing Data Analysis Technique）。ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心作为初始类别的“种子”，依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。操作步骤如下：（1）在主菜单中，选择File→Open Image File，打开待分类图像； （2）在主菜单中，选择Classification→Unsupervised→ISOData； （3）在Classification Input File选择分类的图像文件； （4）在ISODATA Parameters窗口中设置分类参数以及输出路径和文件名（图4-1）； 图4-1 ISODATA分类参数设置
监督分类中常用的具体分类方法包括： 最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。最小距离分类包括最小距离判别法和最近邻域分类法。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。最近邻域分类法是上述方法在多波段遥感图像分类的推广。在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。 多级切割分类法（multi-level slice classifier）： 是根据设定在各轴上值域分割多维特征空间的分类方法。通过分割得到的多维长方体对应各分类类别。经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。多级切割分类法要求训练区样本选择必须覆盖所有
的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。 多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。 最大似然分类法(maximum likelihood classifier)：最大似然分类法是经常使用的监督分类方法之一，它是通过求出每个像元对于各类别归属概率（似然度）（likelihood），把该像元分到归属概率（似然度）最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然分类法。 最大似然分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分象元的归
合肥学院 计算机科学与技术系 课程设计报告 2013～2014学年第二学期 课程数据结构与算法 课程设计名称图的深度优先遍历算法的实现 学生姓名陈琳 学号1204091022 专业班级软件工程 指导教师何立新 2014 年9 月 一：问题分析和任务定义 涉及到数据结构遍会涉及到对应存储方法的遍历问题。本次程序采用邻接表的存储方法，并且以深度优先实现遍历的过程得到其遍历序列。
深度优先遍历图的方法是，从图中某顶点v 出发： （1）访问顶点v ； （2）依次从v 的未被访问的邻接点出发，对图进行深度优先遍历；直至图中和v 有路径相通的顶点都被访问； （3）若此时图中尚有顶点未被访问，则从一个未被访问的顶点出发，重新进行深度优先遍历，直到图中所有顶点均被访问过为止。 二：数据结构的选择和概要设计 设计流程如图： 图1 设计流程 利用一维数组创建邻接表，同时还需要一个一维数组来存储顶点信息。之后利用创建的邻接表来创建图，最后用深度优先的方法来实现遍历。 图 2 原始图 1.从0开始，首先找到0的关联顶点3 2.由3出发，找到1；由1出发，没有关联的顶点。 3.回到3，从3出发，找到2；由2出发，没有关联的顶点。 4.回到4，出4出发，找到1，因为1已经被访问过了，所以不访问。
所以最后顺序是0,3,1,2,4 三：详细设计和编码 1.创建邻接表和图 void CreateALGraph (ALGraph* G) //建立邻接表函数. { int i,j,k,s; char y; EdgeNode* p; //工作指针. printf("请输入图的顶点数n与边数e(以逗号做分隔符)：\n"); scanf("%d,%d",&(G->n),&(G->e)); scanf("%c",&y); //用y来接收回车符. for(s=0;s
实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（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)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。
首都师范大学 硕士学位论文 数据挖掘分类算法的研究与应用 姓名：刘振岩 申请学位级别：硕士 专业：计算机应用技术 指导教师：王万森 2003.4.1
首都师范入学硕．卜学位论Ｚ数据挖掘分类算法的研究与应用 摘要 ， ｆ随着数据库技术的成熟应用和Ｉｎｔｅｒｎｅｔ的迅速发展，人类积累的数据量正在以指数速度增长。科于这些数据，人｛｝ｊ已经不满足于传统的查询、统计分析手段，而需要发现更深层次的规律，对决策或科研工作提供更有效的决策支持。正是为了满足这种要求，从大量数据中提取出隐藏在其中的有用信息，将机器学习应用于大型数据库的数据挖掘（ＤａｔａＭｉｎｉｎｇ）技术得到了长足的发展。 所谓数据挖掘（ＤａｔａＭｉｎｉｎｇ，ＤＭ），也可以称为数据库中的知识发现（ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒＤａｔ曲鹅ｅ，ＫＤＤ），就是从大量的、不完全的、有噪声的、模糊的、随机的数据ｒ｝，，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。因此，数据挖掘是数据库研究中的一个很有应用价值的新领域，它又是一门广义的交叉学科，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。 分类在数据挖掘中是一项非常重要的任务，目前在商业上应用最多。分类的目的是学会一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个。｛乍多分类的方法已被机器学习、专家系统、统计学和神经生物学方面的研究者提｝Ｈ。本论文主要侧重数据挖掘中分类算法的研究，并将分类算法划分为急切分类和懒散分类，全部研究内容基本围绕着这种划分方法展开。．１本文的主要研究内容：， ｌ，讨论了数掂挖掘中分类的基本技术，包括数据分类的过程，分类数据所需的数据预处理技术，以及分类方法的比较和评估标准；比较了几种典 型的分类算法，包括决策树、ｋ．最近邻分类、神经网络算法：接着，引 出本文的研究重点，即将分类算法划分为急切分类和懒散分类，并基于 这种划分展歼对数据挖掘分类算法的研究。 ２．结合对决簸树方法的研究，重点研究并实现了一个“懒散的基于模型的分类”思想的“懒散的决策树算法”。在决策树方法的研究中，阐述了决 策树的基本概念以及决策树的优缺点，决策树方法的应用状况，分析了 决策树算法的迸一步的研究重点。伪了更好地满足网络环境下的应用需 求，结合传统的决策树方法，基于Ⅶ懒散的基于模型的分类”的思想， 实现了一个网络环境下基于Ｂ／Ｓ模式的“懒散的决策树算法”。实践表明： 在ＷＥＢ应ｆＨ程序叶ｉ采用此算法取得了很好的效果。、 ≯ ３．选取神经Ｈ络分类算法作为急切分类算法的代表进行深入的研究。在神经网络中，重点分析研究了感知器基本模型，包括感知器基本模型的构 造及其学习算法，模型的几何意义及其局限性。并针对该模型只有在线 性可分的情况一Ｆ彳‘能用感知器的学习算法进行分类的这一固有局限性， 研究并推广了感知器模型。
五．监督分类和制图输出 1.添加文件：打开ENVI4.8主页面，单击File下拉菜单中的Open Image File。添加进来“融 合”。 2.添加形状文件：单击ENVI4.8主页面File下拉菜单中的Open Vector File，在弹出的Select Vector Filenames对话框中，选择“jiaozuo.shp”形状文件，单击打开。 3.再剪切：在弹出的Import Vector Files Param。。。对话框中单击OK即可。在弹出的对话 框中选中Layer：jiaozuo.shp，单击Load Selected。在弹出的小对话框（Load Vec.。。。)（加载到哪个图像）中选中Display #1，在弹出的对话框中不要操作。单击Available Vectors List（可用矢量列表)对话框中单击File下拉菜单下的Export Layers to Roi…（将图层导出到Roi），在弹出的对话框中选中“镶嵌”，单击OK。在弹出的Select Date File to associate with new ROIs对话框中选择Convert all records of an EVF layer to one ROI。。。 点击OK。返回操作原来的对话框（#1Vector Parameters：。。。）中，单击Apply。单击主页面Basic Tools下拉菜单下的Subset Data via ROIs （ROI日期文件子集），在弹出的对话框Select Input File to Subset via ROI中选中“镶嵌”，单击OK，在弹出的对话框中选中Select Input ROIs下面的文件,，选择Mask pixels outside of ROI？,后面的箭头，选择yes. 单击Choose选择文件保存路径，并命名“再剪切”打开。单击OK即可。 4.监督分类：打开“再剪切”影像，主页面File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。 5.选择监督分类样本（感兴趣区域）：在影像的工具栏中选择，Overlay---Region of interest， 在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择，选择类别，水体，林地，农田1，农田2 ，居民地，未利用土地。查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok., 相关度大于1.8的说明分类较好。保存文件。 6.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。Select all Item 阈值Probability Threshold一般在0~1之间。不需输出真实值。因为还要分类后处理，储存至memory. 7.分类后处理：①分类合并，在主菜单中Classification—post classification（分类比较法） —Sieve Classes（筛选）选择刚才分类好的，memory影像，改变Group Min Threshold 数值，由2改到8.即改变每类别最小像元值，保存文件，即要求交的分类结果图。②生成混淆矩阵主菜单中，Classification—post classification—confusion Matrix—Using Ground Truth ROIS.将所有类别都选上。保存混淆矩阵 8.合并同类：选择主页面Classification—post classification——combine classes在弹出的对 话框中“分类”，单击OK，在弹出的combine classes parameters对话框中select input class 一栏选择“农田1 ”在select output class一栏中选择农田2 ，单击add combination ,单击OK，在弹出的combine classes output 对话框中选择choose，选择保存路径和文件名“合并”，单击OK。 9.剪切“合并”：方法同步骤3.文件名保存为“剪切‘合并’”。 ARCGIS制图输出 1.利用ARCMAP输出遥感影像图：将“合并”修改文件名，加上文件类型.img。加载到 ARCMAP10.0中，同时加载jiaozuo-country.shp文件。 2.右击“合并”选择“属性”，在弹出的图层属性对话框中选择符号系统，将背景色改为 无色，设置拉伸方式和比例后单击确定。 3.右击jiaozuo-country.shp选择属性，在图层属性对话框中选择符号系统，类别-唯一值- 选择KML-FOLDER，去掉其他所有制前面的勾，添加所有制，把不需要的去掉，比如，
图像分类 图像分类技术得益于两种技术的发展，一种是数据库技术，另一种是计算机显示技术。从这两种技术角度来看，图像分类技术可以分为基于文本的图像分类系统和基于图像自身内容的分类系统。 基于内容的图像分类系统 为了克服传统图像分类技术的局限性，人们开始寻求新的图像分类检索方法，于是出现了基于内容的图像分类技术，即使用图像本身的颜色、形状、纹理等视觉特征代替传统的手工填加关键字信息进行分类的技术。 基于内容的分类它直接对图像内容进行分析，抽取特征和语义，利用这些特征和语义进行分类并建立索引，进行检索。 人们已经将研究重点转移到从图像的视觉内容中自动提取图像特征用于分类及检索上，并且已经开发了各类基于内容的图像视频分类检索系统。 其中较著名的有QBIC、Photobook、Foureys等。这些系统主要利用了图像的低层次信息，如颜色、形状、布局、纹理等。 近几年来，基于内容的图像分类检索技术有了长足的发展，主要是基于低层次视觉特征的图像分类检索，比较成功的例子有IBM 公司的QBIC系统等。 但是针对高层次语义特征的图像分类检索系统还没有成熟的产品。在基于内容的多媒体信息分类检索技术研究中，基于理解的文本分类检索已经有比较好的研究成果，但基于视觉特征和语义特征的图像、音视频分类检索尚处于研究开始阶段。 目前，在图像分类方面，还没有比较成熟的算法能够对所有的图像类型都进行有效的分类。 因此研究图像分类的有效算法对于图像检索技术发展具有十分重要的意义。 从不同的角度，图像可以分为不同的类别。 本文将图像根据功能不同分为图标类图像和图片类图像。 图片类图像在分类技术上，采用提取图像的颜色数，主体颜色，色彩的饱和度等图像基本特征的方法， 根据图像低层次的可见特征进行分类。这些种类不同的图像在视觉特征上有较大的区别， 结合因特网中网页的相关文本信息可以实现语义级的分类。 图像的合理分类对提高基于内容的图像检索结果的准确性具有十分重要的作用。 万维网上的图像的类别一般如下 照片类图片(Photograph)特点 照片类图片通常指具有纹理或纹理趋势的实物图片或通过某些专门软件(如photoshop、3D Max等)处理产生的图片。 照片类图片包括照片(从自然界采集或通过扫描得到的图片)、类照片(主要指通过某些专门的图片处理软件生成的图片或计算机游戏的屏幕图片)等。 特点为：图片中使用的颜色数多，颜色逼真、鲜艳，颜色层次丰富，并且颜色之间过渡比较缓慢，能够表现出颜色、 阴影的细微层次变化。都有比较明显的纹理或纹理趋势，边缘一般模糊不清晰，且在大小比率(长*高)上差别也较小。 常用来显示真实的场景。 如果从照片内容上分类，照片类图片可以分为自然景物类和人造景物类图片。自然景物类图片一般颜色比较鲜明，但是纹理趋势不明显，而人造景物类图片中一般为城市高楼、宗教庙宇、室内物件之类的图片，图片中包含的线条比较多，有较明显的纹理趋势。 图画类图片(Graphic)特点 图画类图片通常都是具有良好边界的设计图片，它一般是通过绘图软件或是手工绘制而成。 图画类图片主要包括：卡通画、国画、油画、图表、徽标、艺术字等。与照片类图片相比，图画类图片中使用的颜色数较少，但是区域颜色的饱和度通常都比较高，多使用纯色或是饱和度较高的颜色，并且颜色间的过渡也较照片类图片快，颜色层次单薄。图片中纹理趋势不明显，通常有清晰的线条和光滑的边缘。另外图画类图片在大小比率上差别较大。
《数据挖掘》 数据挖掘分类算法综述 专业：计算机科学与技术专业学号：S2******* 姓名：张靖 指导教师：陈俊杰 时间：2011年08月21日
数据挖掘分类算法综述 数据挖掘出现于20世纪80年代后期，是数据库研究中最有应用价值的新领域之一。它最早是以从数据中发现知识(KDD，Knowledge Discovery in Database)研究起步，所谓的数据挖掘(Data Mining，简称为DM)，就从大量的、不完全的、有噪声的、模糊的、随机的、实际应用的数据中提取隐含在其中的、人们不知道的但又有用的信息和知识的过程。 分类是一种重要的数据挖掘技术。分类的目的是根据数据集的特点构造一个分类函数或分类模型(也常常称作分类器)。该模型能把未知类别的样本映射到给定类别中的一种技术。 1. 分类的基本步骤 数据分类过程主要包含两个步骤： 第一步，建立一个描述已知数据集类别或概念的模型。如图1所示，该模型是通过对数据库中各数据行内容的分析而获得的。每一数据行都可认为是属于一个确定的数据类别，其类别值是由一个属性描述(被称为类别属性)。分类学习方法所使用的数据集称为训练样本集合，因此分类学习又可以称为有指导学习(learning by example)。它是在已知训练样本类别情况下，通过学习建立相应模型，而无指导学习则是在训练样本的类别与类别个数均未知的情况下进行的。 通常分类学习所获得的模型可以表示为分类规则形式、决策树形式或数学公式形式。例如，给定一个顾客信用信息数据库，通过学习所获得的分类规则可用于识别顾客是否是具有良好的信用等级或一般的信用等级。分类规则也可用于对今后未知所属类别的数据进行识别判断，同时也可以帮助用户更好的了解数据库中的内容。 图1 数据分类过程中的学习建模 第二步，利用所获得的模型进行分类操作。首先对模型分类准确率进行估计，例如使用保持(holdout)方法。如果一个学习所获模型的准确率经测试被认为是可以接受的，那么就可以使用这一模型对未来数据行或对象(其类别未知)进行分类。例如，在图2中利用学习获得的分类规则(模型)。对已知测试数据进行模型
遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised