1972年，之一顆以60米分辨率收集地球反射率的衛星制成。這些過程需要對圖像進行分類以實現空間分辨率的技術。有監督和無監督分類是分別涉及通過軟件進行人工引導分類 和計算的圖像技術，也被歸類為遙感 *** 。例如，森林、草原、農業、水和城市等類別。
然而，鑒于在高分辨率數據中很重要，另一種稱為基于對象的分析的技術經常流行。有監督和無監督的分類都基于像素并制作方形像素，其中每個像素都有類別。此外，無監督分類被歸為一種基本的技術形式，因其不需要樣品。此外，它是理解和分割圖像的最簡單技術，同時，這兩種技術已經被使用，并在遙感應用方面仍然有需求。應用領域包括環境、食品安全以及公共安全。多年來，衛星圖像的目標是創建高頻率的大空間分辨率。以下是這兩種分類間的區別。
1.步驟不同
無監督分類。無監督有兩個常見步驟，包括生成集群和分配類，可使用遙感軟件制作集群。圖像聚類算法最常見的例子是 ISODATA 和 K-means。在采用聚類算法后，確定要生成的組。例如，可以制作 8、20 和 42 個集群。最相似的像素將在組內有幾個集群。更多的集群增加了組中的可變性。下一步涉及為每個集群手動分配類。如，需要選擇更佳聚類來表示和分類非植被和植被。
監督分類。監督分類涉及挑選每個土地覆蓋類別的樣本表示。通過使用該軟件將訓練站點應用于整個圖像。監督有 3 個常見步驟，包括分類、生成文件簽名和選擇訓練區域。之一步涉及制作訓練樣本。為了說明，標記城鎮與在圖像中標記相同。不斷制作訓練樣本，直到獲得每個類別的樣本。出于這個原因，生成了一個保留訓練樣本的簽名。最后，將使用簽名文件運行分類。這將需要讓您識別算法的分類，如 iso 聚類、更大似然、主成分、最小距離和支持向量機。
添加微信好友, 獲取更多信息
復制微信號
2.應用 *** 的區別
無監督分類。無監督分類涉及對具有相似特征的圖像進行分組，且是基于軟件。因此，用戶不需要生成樣本類。該軟件使用技術來確定相關的圖像并將它們放在類中，同時，需要指定要使用的算法類型和許多類。然而，用戶應該更多地了解被分類的地點。這在對計算機提供的具有相似特征的圖像進行分類時是必要的。將像素與地球上的真實特征進行比較，例如森林、濕地和城市地區。
監督分類。監督分類是一種基于思想的思想，它使用戶能夠從代表特定類別的圖像中選擇像素樣本。用于處理圖像的軟件將以引用的形式引導訓練站點對 圖像上的所有像素進行分組。訓練站點也稱為輸入類或測試集，是根據用戶的理解方式選擇的。還可以設置邊界來確定其他像素的關系以將它們放在一起。根據測試集的頻譜特性經常選擇邊界。此外，特定光譜帶中強度的更大值和最小值。用戶可以設計特定圖像已被分類的總類，大多數分析使用無監督和有監督的分類來提出最終的分組地圖和輸出分析。
3.機器學習的區別
監督分類。大多數實用的學習機器使用監督分類。監督學習有一個輸入變量 x 和輸出變量 y，它使用一種算法來知道從輸入到輸出的映射函數。主要目標是逼近地圖的功能。如果有新的變量 x 輸入，則可以預測變量 y 的輸出，被稱為監督學習，因為可以在教師監督學習過程的同時教授算法學習過程。該算法預測由課堂教師糾正的答案。只有在算法達到預期的性能水平后，學習過程才會停止。
無監督分類。無監督學習得到了一個輸入變量 x 沒有相應的 輸出變量。它的目的是分布數據并為數據中的底層結構建模，以便更多地了解它。
4.觀察差異
監督分類。監督分類提供類的標簽，通常稱為真實標簽的基礎，進而了解分類的重要特征，從而提高識別水平，特征根據相應的組進行映射。
無監督分類。無監督分類不提供標簽。需要查看輸入并確定數據的結構。可以根據識別后的結構進行分類和聚類。如，指派一群孩子到野外觀察動物，但沒有以任何方式幫助它們。
5.準確度的差異
監督分類。在準確性方面，監督分類對于映射組是準確的。但是，這取決于分析圖像的技能和認知。
無監督分類。它基于計算機并幫助我們指定計算機用于揭示固有模式的參數。
6.訓練模型的不同
監督學習，涉及一個訓練模型，該模型提供輸入并顯示 每個輸入的正確組。訓練模型用于在訓練期間適用的 預定義組中對新輸入進行聚類。
無監督學習。該模型通過饋送輸入進行訓練，但沒有告知每個輸出的類別。訓練輸入聚集在不同的類別中。
7.光譜數據的質量
監督分類。它允許用戶將信息放入特殊子類別等類別中。
無監督分類。在無監督分類中使用訓練數據可能會導致錯誤，因光譜類將具有許多混合像素。
8.分類
監督分類。訓練數據是使用精度更高的 GPS 設備從現場采集的。
無監督分類。在將標簽快速分配給廣闊或簡單的土地時，無監督分類通常很有用。這些土地覆蓋包括森林/非森林、水、非植被/植被等。
來源：開源地理空間基金會中文分會
來源鏈接：https://www.osgeo.cn/post/19cea
本站聲明:網站內容來源于 *** ,如有侵權,請聯系我們,我們將及時處理。
