监督分类和非监督分类的优缺点

论述监督分类与非监督分类却别与联系，及各自

优缺点

监督分类：首先需要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。

非监督分类：在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。 区别与联系：

根本区别在于是否利用训练场地来获取先验的类别知识。

非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。

? 监督分类常常用于对分类区比较了解情况下,要求用户控制.

? 1)选择可以识别或可以断定其类型的像元建立模板,然后基于该模板使系统自动识别具有相同特征的像元.

? 2)对分类

TM影像的非监督分类

1、首先打开ENVI Classic，然后点击File/open image file打开待分类影像Can_tmr.img （这里以ENVI自带的参考影像为例），选择RGB波段5-4-3，然后load RGB显示图像，之后选择进行影像分析，大体上估计影像主要类别的数量。一般非监督分类的分类数量比最终分类数量多2—3倍为宜，这样有利于提高分类精度。

2、然后进行非监督分类，选择主菜单Classification /Unsupervised 然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的Classification Input File对话框中选择Can_tmr.img ，如下图；

注：分类器的选择——

IsoData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”来进行计算的，然后迭代地重新配置他们，完成分类过程。 3、点击ok，弹出ISODATA Paramenters对话

TM影像的非监督分类

1、首先打开ENVI Classic，然后点击File/open image file打开待分类影像Can_tmr.img （这里以ENVI自带的参考影像为例），选择RGB波段5-4-3，然后load RGB显示图像，之后选择进行影像分析，大体上估计影像主要类别的数量。一般非监督分类的分类数量比最终分类数量多2—3倍为宜，这样有利于提高分类精度。

2、然后进行非监督分类，选择主菜单Classification /Unsupervised 然后会看到两种非监督分类的方法，这里选择IsoData,在弹出的Classification Input File对话框中选择Can_tmr.img ，如下图；

注：分类器的选择——

IsoData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”来进行计算的，然后迭代地重新配置他们，完成分类过程。 3、点击ok，弹出ISODATA Paramenters对话

影像信息提取(二、监督与非监督分类)

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

影像信息提取(二、监督与非监督分类)

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IS

4.2 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。其一般过程如图4-5所示：

图4-5监督分类一般流程

4.2.1 训练样本的选择

（1）在主菜单中，选择File→Open Image File，打开分类图像；

（2）选择图像视图窗口菜单Overlay→Region of Interest命令；

（3）在Image视图窗口中选择Overlay→Region of Interest。在ROI Tool窗口中，选择

ROI_Type→Polygon；

（4）在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘

制一个多边形区域，然后右键单击两次结束,并在ROI Name中定义其类型。依

单级逆变器的分类以及优缺点

单级逆变器包括方波逆变器、多重叠加逆变器和PWM逆变器

1.方波逆变器优缺点

这种逆变器的输出电压是方波，是最早开发的一种逆变器，其主电路主要有推挽式、半桥式和全桥式三种。这种逆变器的特点是：电路简单，单级功率变换DC—LFAC，功率可以双向流动，效率高，技术成熟，应用广泛；缺点是体积重量大，输出电压谐波畸变率高（可达48%），对市电电压和负载的变化响应特性差、噪声大。

2.多重叠加逆变器优缺点

为了改善方波逆变器输出电压的波形，这种逆变器可以将多个方波逆变器进行移相多重叠加、从而使得逆变器的输出电压正弦化。这种逆变器的特点是：单级功率变换DC-LFAC，功率可以双向流动，效率高，技术成熟，应用广泛，输出电压THD低。滤波器的体积重量小，对市电电压和负载变化的动态响应特性好，噪声比方波逆变器小；缺点是：工频变压器的体积重量大，输出电压的调节困难。

3.PWM逆变器优缺点

采用正弦波与载波三角波比较的SPWM控制方式，可以得到输出电压谐波含量小的正弦波电压输出，而且调压方波，只需通过调节正弦调制波的大小就可以调压。这种逆变器的特点是：电压简单、单级功率变换DC-LFAC，功率可以双向流动，输出电压的THD小

介入放射学是二十世纪七十年代后期迅速发展起来的一门边缘性学科。它是在医学影像设备的引导下，以影像诊断学和临床诊断学为基础，结合临床治疗学原理，利用导管、导丝等器材对各种疾病进行诊断及治疗的一系列技术。

显影剂也称为显影剂或对比剂，是影像医学的成像基础，主要用于血管、体腔的显示。影像医学主要包括X线、X-射线计算机断层成像（CT）、磁共振成像（MRI）、超声等，由于检测原理的不同，对显影剂的要求亦不同，遂造成了显影剂种类多样化。

一、显影剂种类 （一）X线、CT显影剂

目前X射线用显影剂多为含碘制剂。含碘制剂大体分为两大类：离子型与非离子型。

1.离子型显影剂

按结构分为单酸单体和单酸二聚体。单酸单体的代表药物有泛影葡胺（可用于各种血管显影及静脉肾孟显影，用于不同器官时，其浓度亦不同）、碘他拉葡胺等，单酸二聚体的代表有碘克沙酸。 离子型显影剂性质稳定对比良好但溶液属高渗性，患者中毒副反应发生率高，肌体的耐受性差。

2.非离子型显影剂

非离子型显影剂有碘海醇（欧乃派克）、碘异肽醇（碘必乐、碘帕醇）、碘普罗胺（优维显）、碘维索(安射力、碘氟醇）等，非离子型显影剂其渗透性降低甚至接近血浆，毒副反应小，生物安全性大，对神经系统毒性低，副反应发生率低，肌

ARCGIS监督分类

接下来，我们具体来看看监督分类的具体操作步骤： 首先把我们要分析的数据图片转成tiff格式，

打开ARCGIS程序添加转好的tiff格式位图，点击添加图标

弹出如下图所示对话框：选择我们要分析的tiff格式位图

点击Add(添加）弹出如下图所示对话框：点击Yes按钮加载完成，

点击工具栏

红圈所示图标，弹出如下图所示的工具例表：

选择Spatial analyst tools→Multivariate→Iso Cluster双击Iso Cluster弹出如下图所示对话框：Input raster bands(输入带有形壮的删格图像）点击下拉列表选择我们刚加载的图， 如下图红圈所示：

图（1-1）

Output signature file:这个里面是一个分析规则，我们下一步要用的，所以复制一下.

Number of classes:（最大分为几类）我们一般选7就OK了，如果还有更多种类，也可以自由选择别的数字。 Number of iterations:默认 Minimum class size:默认 Sample interval:默认

设好如图（1-1）点

envi遥感图像监督分类

监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：

详细操作步骤

第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

遥感图像处理软件下载就上遥感集市

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择

ENVI监督分类中不让图像背景参与分类

(2013-05-29 08:47:25)

当分类图像是不规则的（如下图所示），图像会有部分像元作为背景（常常像素值为0或者255），对这个图像进行监督/非监督分类时，背景像元也会参与分类，会对结果产生影响。

图1：不规则图像及分类结果

解决方法就是在进行分类时候选择一个掩膜文件，下面介绍方法：

注：掩膜文件就是一个0、1的二值图像，可以用矢量、roi、像元值范围、nan/inf特殊值等方法生成。原理就是用这个二值图像与待分类图像相乘。

掩膜文件可以使用Basic tool->masking->build masking先生成，也可以在监督/非监督分类时候生成，这里选择在分类时候生成。

(1) 选择在ROI tool中选择好分类样本。

(2) 主菜单下选择Classification->Supervised->Maximum Likelihood，打开Classification

Input File面板。 (3) 为了不让背景参与分类，使用掩膜文件设置分类区域。在Classification Input File

面板中，选择Mask Options->Build