实验三 监督分类
实习监督分类与非监督分类
1. 选取研究区数据（512×512），通过目视解译建立分类系统及其编码体系根据实习要求，在遥感影像上确定并提取出了12种地物，分别是居民点、砾石、道路、河流、水稻田、水浇地、水库、裸地、工业区、滩地、林地。
同时确定土地的覆盖类型、编码以及色调。
居民点Town 砾石gravel desert道路Road 水稻田paddy land水浇地irrigated land 水库reservoir裸地barren land 工业区industrial area滩地shoaly land 林地forest草地grassland 河流stream2. 按照监督分类的步骤，在影像上找出对应各个土地利用/覆盖类型的参考图斑，利用ROI工具建立训练区，给出各个类别的特征统计表。
加载512*512影像，右击Image窗体，选择ROI Tool，进行ROI采集，在Zoom中选择样本区，根据地物的情况选择point、polyline、polygon方式建立训练区。
3. 计算各个样本之间的可分离性。
说明哪些地物类型之间较易区分，哪些类型之间难以区分。
ROI Tool中选Options的统计训练区可分性Compute ROI Separability，选择中卫影像，点击确定，选择所有训练区，统计J—M距离和分散度。
4. 监督分类：利用最大似然法完成分类。
①具体步骤：Classification |Supervised| Maximum Likelihood，在Set Input File对话框中导入影像。
在打开的对话框中选Select All Items，其中Set Probability Threshold设为NO，Output Rule Image设为No，选择保存路径。
②根据分类的情况修改监督分类后的地物的颜色等信息。
具体操作：在监督分类影像中的Image上选择Overlay |Classification，点击“Supervised”，选择Option |Edit class colors/name 等来修改地物的名称和颜色5. 分类精度评价，从随机采集100～200个样本点，并确保每一类别不少于10个样本；进行分类精度评价，得到分类混淆矩阵，计算Kappa系数，并对结果进行解释。
监督分类的原理
监督分类的原理监督分类是机器学习领域中的一种常见任务，它的目标是根据已知的样本数据，通过构建一个分类模型来预测新的未知样本的类别。
在监督分类中，我们通常有一个包含已知类别的训练数据集，其中每个样本都有一个特征向量和对应的类别标签。
监督分类的基本原理可以概括为以下几个步骤：1. 特征提取：首先，我们需要从原始数据中提取有用的特征。
这些特征可以是数值型、离散型或文本型，我们通常会根据具体任务的需求选择适当的特征提取方法。
2. 数据预处理：在进行特征提取之后，我们需要对数据进行预处理，以便更好地适应分类算法的要求。
预处理的步骤可以包括数据清洗、缺失值填充、特征归一化等操作。
3. 模型选择：在进行数据预处理之后，我们需要选择适当的分类模型。
常见的分类算法包括逻辑回归、支持向量机、决策树、随机森林等。
选择合适的分类模型需要考虑数据的特点、模型的复杂度和性能评估等方面的因素。
4. 模型训练：在选择好分类模型之后，我们需要利用训练数据集对模型进行训练。
训练的过程就是通过调整模型的参数，使得模型能够更好地拟合训练数据集，从而达到分类的目标。
5. 模型评估：在模型训练完成之后，我们需要对模型进行评估，以了解模型在新样本上的分类性能。
常用的评估指标包括准确率、精确率、召回率、F1值等。
通过评估模型的性能，我们可以判断模型是否满足需求，并进行必要的调整和改进。
6. 模型应用：最后，我们可以将训练好的模型应用于新的未知样本数据，进行分类预测。
通过将新样本输入到训练好的模型中，我们可以得到样本的预测类别，从而实现监督分类的任务。
监督分类的原理基于对已知样本的学习和泛化能力，通过建立模型来预测未知样本的类别。
在实际应用中，监督分类广泛应用于各个领域，如医疗诊断、金融风控、垃圾邮件过滤等。
它为我们解决分类问题提供了一种有效的方法，能够帮助我们从海量数据中提取有用信息，做出准确的预测和决策。
通过本文的介绍，希望能够让读者对监督分类的原理有一个清晰的理解。
遥感实验：监督分类
监督分类（一）数字图像处理实习内容 监督分类 训练样区 图像分类 监督分类9不同于无监督分类，监督分类由分类者严密控制。
分类前需要知道分类的数据以及所需要分的类。
在这个过程中，您选择像素能够代表某种类别的模式或土地覆盖类别，这些类别和模式你可以借助其他数据来源，如航空照片，地面真实数据或者地图。
9通过你定的模式，计算机系统可以自动查找具有类似特点的像素。
如果分类是准确的，此分类结果代表初分类。
监督分类的基本步骤监督分类是一个反复的过程，主要有以下步骤：1.训练样区并创建特征2. 评价和编辑特征3. 图像分类4. 评价分类结果实习内容 监督分类 训练样区 图像分类怎样定义训练样本？训练样本就是选择一组像素代表一定潜在类别。
在ERDAS image 中，用户可以选择以下方法完成：¾通过矢量层¾通过的AOI¾通过特定区域具有相似光谱特征的一组连续像素¾通过专题栅格层的某个类别，例如：无监督分类的输出结果打开germtm.img启动AOI 工具. 单击the AOI style 按纽设置AOI前景色和背景色为可识别的颜色尝试其他光谱颜色分配R: 4; G:5; B:3启动Classifier /Signature Editor应该创建多边形AOI 工具在图像上暗蓝色区域创建一AOI (可根据需要放大图像).在Signature Editor窗口采用Add AOI to signature按纽，添加水域样区1水域样区1找到另外一处水域样本，采用AOI growth tool添加单击AOI growth 按钮, 然后单击样本的中间可以自动产生复杂的多边形！单击Region Growing Properties 按钮在Region Growing Properties Dialog 调整AOI包含更多更纯的样本区，变换the Area and Spectral Distance, 然后单击Redo直到满意为止.在signature editor窗口添加第2个水域样本区融合相似的训练样本区融合相似的训练样本区如果此特征被应用，输出的分类结果如何？选择signature “water”View…/ Image Alarm…,在signature alarm dialog单击“OK”.对植被重复同样的步骤找出一块红色区域作sample 1 of forest创建一个仅包含植被的AOI ，并添加为特征区域找出一块亮红色区域作为the sample 2 of forest创建一个仅包含亮红色区域的AOI (采用polygon tool or AOI growth tool)将AOI sample 2 添加为植被的另外一个特征区找出一块暗红色区域作为the sample 3of forest创建一个仅包含暗红色区域的AOI (采用polygon tool or AOI growth将这三个植被样区融合为一个新特征命名为forest, 并将其颜色改为暗绿色删除以上最初的三个植被样本区选择“water”及“forest”signatures采用Image alarm 查看哪些象素被各自分类到water (light blue) 和forest(dark green)勾选the indicate overlap 并设置重叠颜色为黑色对农田（farmland）重复同样的步骤找出一块亮绿色区域作sample 1 of farmland创建一个仅包含farmland的AOI ，并添加为特征区域找出并添加farmland的另外一块样本区域将这两个农田（farmland）样区融合为一个新特征命名为farmland,并将其颜色改为黄色删除以上最初的二个农田样本区选择所有特征区，再次采用Image alarm查看潜在的分类区及分类重叠区对城镇居民点（urban）重复同样的步骤找出一块亮蓝色区域作sample 1 of urban创建一个仅包含urban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色对农村居民点（suburban）重复同样的步骤找出一块红色和蓝色混合区域作为suburban的样本区创建一个仅包含suburban的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色选择所有signatures再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素将白色和亮绿色混合区域设为裸土（bare soil）的样本区创建一个仅包含bare soil的AOI ，并添加为特征区域融合相类似区域，并重新设置名称和颜色再次, 选择signatures再次采用Image alarm 查看潜在的分类区和重叠区域仔细查找没有被分类的像素，并添加其他signatures重置class value“class value”为相应地物类分类图像的像元数.采用“class value”升序（ascending order）重置signature顺序保存signature file采用supclass.sig保存signature file保存AOI file以supclass.aoi为文件名保存AOI file实习内容监督分类训练样区图像分类执行监督分类（supervised classification）选择所有signaturesClassify…/ Supervised…设置：-Output file: supclass.img-Non-parametric Rule: Parallelepiped-Overlap Rule: Parametric Rule-Unclassified Rule: Parametric RuleParametric Rule: MaximumLikelihood单击Ok 开始classification!制作监督分类专题图（supclass.img）Save your AOI file as supclass_<UBITname>.aoi in assignment folder作业在你的作业文件夹中包括以下三个文件：Output Cluster File: supclass.imgSignature File: supclass.sigMap Composition File: supclass.map结束！。
监督分类及处理方案
监督分类及处理方案1. 什么是监督分类？监督分类是一种常见的机器学习技术，其目标是根据已有的数据集（已标注数据集）学习出一个可以将新增样本分到不同类别的模型。
也就是说，该模型可以根据特征将新的样本分类。
监督分类中的数据可以被视为一个 n 维空间，每个样本可以看作是该空间中的一个点。
因此，监督分类的目标就是找到一个可划分该空间的分类面（或者叫超平面），这个分类面上面的点属于一类，下面属于另一类。
2. 常用的监督分类算法2.1 KNN算法KNN算法是一种基于距离的分类算法，其思路是找到与被分类对象距离最近的训练集中的 k 个样本，然后根据这 k 个样本的标签来决定被分类对象的类别。
优点：KNN算法模型简单易理解，对于样本分布较为混乱，没有固定分界线的数据集有很好的效果。
缺点：KNN算法对于样本特征维度较高时，由于计算量大，算法分类速度较慢。
2.2 决策树算法决策树算法是一种基于树形结构进行判断的分类算法，其思路是通过特征的组合和分裂，构建一个树形结构，来将数据集分成不同的类别。
优点：决策树算法模型易于理解和实现，可以自动选择最优特征，分类效果较好。
缺点：决策树算法容易出现过拟合现象，特别是当训练数据集中噪声很大时。
2.3 SVM算法SVM算法（支持向量机）是一种二分类模型的统计学习方法，其核心思想是通过支持向量找到一个最大边距分类面，将两类样本区分开。
优点：SVM算法对于特征维度较高的数据集分类效果好，对于一些较难分类的数据集有很好的效果。
缺点：SVM算法对于处理大规模数据集，计算复杂度较高，运算速度较慢。
3. 监督分类的处理方案3.1 特征工程特征工程是指通过数据预处理方法，将原始数据转换成用于训练模型的特征，从而提高模型的预测准确率。
特征工程包括数据清理、数据采样、数据归一化、特征选择和特征变换等一系列处理方法。
3.2 模型选择在选择监督分类算法时，应该综合考虑模型的性能、分类效率、数据运算时间等因素。
监督分类的概念
监督分类的概念监督分类的概念监督分类是机器学习中的一种常见任务，它是指根据已知类别的训练数据集，通过训练一个分类器来对新数据进行预测并将其分配到相应的类别中。
这个过程可以被看作是一个从输入到输出的映射过程，其中输入是特征向量，输出是一个离散的类别标签。
1. 监督学习监督学习是机器学习中最常见的一种学习方式，它基于已有的标记数据集进行学习，并在未知数据上进行预测。
在监督学习中，每个样本都包含了一组特征和对应的标签。
这些特征可以被看作是输入空间中的点，而标签则对应于输出空间中的点。
监督学习算法通过训练样本来构建一个从输入空间到输出空间的映射函数 f(x)，使得对于任意输入x，都能够得到相应的输出 y=f(x)。
2. 分类问题分类问题是指将数据分成不同类别或者标签的问题。
在分类问题中，每个样本都有一个离散型变量作为其标签或者类别。
例如，在图像识别任务中，每张图片都有一个明确的标签（比如“狗”、“猫”等），我们的任务就是根据这些标签来对新的图片进行分类。
3. 监督分类算法监督分类算法是指通过训练样本来学习一个分类器，使得它能够对未知数据进行预测并将其分配到相应的类别中。
监督分类算法可以分为两类：线性分类和非线性分类。
其中，线性分类算法包括感知机、逻辑回归、线性判别分析等；非线性分类算法包括支持向量机、决策树、神经网络等。
4. 特征提取特征提取是指从原始数据中提取出有意义的特征，以便于监督学习算法进行处理。
在监督分类中，特征选择和特征提取是非常重要的步骤。
好的特征可以帮助我们更好地区分不同类别之间的差异，从而提高模型的准确率。
5. 模型评估模型评估是指通过一些评价指标来衡量模型在测试集上的表现。
常见的评价指标包括准确率、召回率、F1值等。
在实际应用中，我们需要根据具体场景和需求选择合适的评价指标，并结合交叉验证等方法来进行模型的评估和选择。
6. 应用场景监督分类算法在实际应用中有着广泛的应用。
例如，在图像识别任务中，我们可以使用卷积神经网络等算法来对图像进行分类；在文本分类任务中，我们可以使用朴素贝叶斯、支持向量机等算法来对文本进行分类；在金融风控领域，我们可以使用逻辑回归、随机森林等算法来进行信用评估和欺诈检测。
遥感实验报告-监督分类
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。
监督分类实习报告
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.
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%。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验三：遥感图像计算机分类---监督分类
一、实验目的与要求
掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。
二、实验内容
ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。
三、实验原理
监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。
常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。
最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。
其前提是假定训练区地物的光谱特征近似服从正态分布。
训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。
四、实验步骤
1、定义分类模板
第一步：显示要进行分类的图像
第二步：打开摸板编辑器并调整显示字段
ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框
分类模板编辑器
第三步：获取分类模板信息
(1)删除对分类意义不大的字段
Signature Editor对话框菜单条,单击View|Columns命令，打开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三个字段将分别从选择集中被清除。
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。
(2)获取分类模板信息
应用AOI绘图工具在原始图像中获取分类模板信息。
在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板
→点击Raster 工具面板的图标
→在视窗中选择一类地物，绘制一个多边形AOI。
→在Signature Editor窗口，单击Create New Signature图标，将多边形AOI 区域加载到Signature Editor分类模板属性表中。