數(shù)字圖像處理復(fù)習(xí)資料(補(bǔ)充答案)-資料下載頁
2025-06-07 19:45本頁面
【正文】 把所有樣本都調(diào)整完畢之后才重新計(jì)算，前者稱為逐個樣本修正法，后者稱為成批樣本修正法； 第二，ISODATA算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動地進(jìn)行類別“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。2選擇訓(xùn)練區(qū)有哪三個原則？（1）訓(xùn)練區(qū)必須具有典型性和代表性，即所含類型應(yīng)與研究地域所要區(qū)分的類別一致。訓(xùn)練區(qū)的樣本應(yīng)在面積較大的地物中心部分選擇，而不應(yīng)在地物混交地區(qū)和類別的邊緣選取，以保證特征具有典型性，從而能進(jìn)行準(zhǔn)確的分類?！ 。?）使用的圖件時間和空間上要保持一致性，以便于確定數(shù)字圖像與地形圖（或土地利用圖、地質(zhì)圖、航片等）的對應(yīng)關(guān)系。即使不一致，也要盡量找時間上相近的圖件，同時，圖件在空間上應(yīng)能很好的匹配。 ?。?）訓(xùn)練區(qū)的選取方式有按坐標(biāo)輸入式和人機(jī)對話式兩類。按坐標(biāo)輸入式是預(yù)先把實(shí)地調(diào)查確定的各類地物分布區(qū)轉(zhuǎn)繪到地圖上去，量測其在選定坐標(biāo)系中的位置，再把量測數(shù)據(jù)輸入計(jì)算機(jī)并映射到遙感圖像上。這種方式用于不帶圖像顯示裝置的計(jì)算機(jī)系統(tǒng)。人機(jī)對話式則用于帶有圖像顯示裝置的數(shù)字圖像處理系統(tǒng)，它通過鼠標(biāo)在圖像上勾畫出地物所在的范圍或轉(zhuǎn)入實(shí)地調(diào)查的地圖矢量數(shù)據(jù)作為訓(xùn)練區(qū)。訓(xùn)練區(qū)確定后可通過直方圖來分析樣本的分布規(guī)律和可分性。一般要求單個類訓(xùn)練區(qū)的直方圖是單峰，近似于正態(tài)分布的曲線。如果是雙峰，即類似二個正態(tài)分布曲線重疊，則可能是混合類別，需要重做?！ 。?）訓(xùn)練樣本的數(shù)目。訓(xùn)練樣本數(shù)據(jù)用來計(jì)算類均值和協(xié)方差矩陣。根據(jù)概率統(tǒng)計(jì)，協(xié)方差矩陣的導(dǎo)出至少需要K+ 1個樣本（K是多光譜空間的分量數(shù)或經(jīng)過選擇的特征數(shù)），這個數(shù)是理論上的最小值。實(shí)際上，為了保證參數(shù)估計(jì)結(jié)果比較合理，樣本數(shù)應(yīng)適當(dāng)增多。在具體分類時，要根據(jù)對工作地區(qū)的了解程度和圖像本身的情況來確定樣本數(shù)量。2圖像分類后處理包括哪些工作？圖像分類后處理包括以下方面： ?。?）碎斑處理：去掉分類圖中過于孤立的那些類的像素，或把它們歸并到包圍相鄰的較連續(xù)分布的那些類。 ?。?）類別合并：非監(jiān)督分類前不知道實(shí)際有多少地物類，在策略上總是先分出較多的類，然后對照實(shí)地情況或根據(jù)已有知識，確定最后需要的類別，因此，需要將某些光譜上不同的類（光譜類）合并為一個地物類?！ 。?）分類結(jié)果統(tǒng)計(jì)：分類結(jié)果統(tǒng)計(jì)是圖像分類報(bào)告中必須包含的內(nèi)容，包括各類在各波段的平均值、標(biāo)準(zhǔn)差、最低值、最高值、協(xié)方差矩陣、相關(guān)系數(shù)矩陣、特征值、各類的像素?cái)?shù)和占總像素?cái)?shù)的百分比、精度檢驗(yàn)等 ?。?）類間可分離性分析：可分離性可用各類之間的距離矩陣來表示。由于距離是類間相似性的一個重要量度，因而通過該矩陣可確定最為相似的類。如果某類的地物性質(zhì)比較模糊，可借助與它最相似的已知地物類來進(jìn)一步明確。2監(jiān)督分類和非監(jiān)督分類是最常用的遙感圖像分類方法，請通過填寫下表比較這兩種分類方法。監(jiān)督分類非監(jiān)督分類是否需要訓(xùn)練區(qū)人工選取訓(xùn)練樣本僅需極少的人工輸入主要步驟選擇特征波段 選擇訓(xùn)練區(qū)選擇合適的監(jiān)督分類算法計(jì)算機(jī)自動分類分類精度評價；；；優(yōu)點(diǎn) 可充分利用分類地區(qū)的先驗(yàn)知識，預(yù)先確定分類的類別； 可控制訓(xùn)練樣本的選擇，并可通過反復(fù)檢驗(yàn)訓(xùn)練樣本，以提高分類精度，避免分類中的嚴(yán)重錯誤避免了非監(jiān)督分類中對光譜集群組的重新歸類。無需對分類區(qū)有較多的了解，僅需一定的知識來解釋分類出現(xiàn)的集群組；人為誤差減少，需輸入的初始參數(shù)較少；可形成范圍很小但有獨(dú)特光譜特征的集群，所分的類別比監(jiān)督分類的類別更均質(zhì)；獨(dú)特的覆蓋量小的類別均能夠被識別缺點(diǎn)人為主觀因素較強(qiáng)；訓(xùn)練樣本的選取和評估需花費(fèi)較多的人力時間；只能識別訓(xùn)練樣本中所定義的類別，從而影響分類結(jié)果。 對其結(jié)果需進(jìn)行大量分析及后處理，才能得到可靠分類結(jié)果； 存在同物異譜及異物同譜現(xiàn)象，使集群組與類別的匹配難度大； 不同圖像間的光譜集群組無法保持其連續(xù)性，難以對比。適用范圍有先驗(yàn)知識，已知訓(xùn)練場地的類別(實(shí)地抽樣調(diào)查，人工目視判讀)沒有類別先驗(yàn)知識具體分類方法平行算法，最小距離法，馬氏距離分類，Parallelpipe，神經(jīng)元網(wǎng)絡(luò)分類，模糊分類，判別分類，最大似然法，波譜角分類法基于最鄰近規(guī)則的試探法K—means均值算法迭代自組織的數(shù)據(jù)分析法(ISODATA)注：上述方法為個人整理的，可能不是很詳盡，有出入的地方還請見諒。11
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號-1