新建
上传
首页
助手
最?/div>
资料?/div>
工具

第二?/p>

 

非监督分?/p>

 

一、非监督分类的基本内?/p>

 

非监督分类指人们事先对分类过程不施加任何的先验知识,

根据遥感影像地物的光谱特征的

分布规律,对其特征值进行分类的方法?/p>

 

非监督分类也称聚类分析?/p>

一般的聚类算法是先选择若干个模式点作为聚类的中心?/p>

?/p>

一中心代表一个类别,

按照某种相似性度量方?/p>

(如最小距离方法)

将各模式归于各聚类中

心所代表的类别,

形成初始分类?/p>

然后由聚类准则判断初始分类是否合理,

如果不合理就?/p>

改分类,如此反复迭代运算,直到合理为止?/p>

 

二、非监督分类的过?/p>

 

1.

核心问题

 

 

 

 

 

初始类别参数的选定,以及迭代次数的调整问题?/p>

 

2.

主要过程

 

?/p>

1

)确定最初类别数和类别中心(任意的,随机的)?/p>

 

?/p>

2

)计算每个像元对应的特征量与各聚类中心的距离,取距离最短的类别做为像元所属类

别,计算新的类中心;

 

?/p>

3

)计算每一像元与新的聚类中心距离,取距离最短的类别做为像元的所属类别,计算?/p>

的类别中心;

 

?/p>

4

)判断迭代是否结束,若不是,继续迭代,若是,迭代停止,分类结束?/p>

 

三、非监督分类的方?/p>

 

主要采用聚类分析方法,常用的方法?/p>

ISODATA

,称为迭代自组织分析技术,?/p>

K-Mean

?/p>

法,称为

K

-均值算法?/p>

K-Mean

算法的基本思想是通过迭代,移动各个基准类别的中心?/p>

直至得到最好的聚类结果为止?/p>

ISODATA

是在初始状态给出图像粗糙分类,然后基于一定原

则在类别间重新组合其样本,直到分类比较合理为止?/p>

 

1.K-means

算法

 

具体计算步骤?/p>

 

?/p>

1)

任意选择

 k 

个对象作为初始聚类中心;

 

?/p>

2)

按照到聚类中心距离最小的原则对像元分类;

 

?/p>

3)

重新计算聚类中心?/p>

 

?/p>

4)

聚类中心不变,则算法终止,否则返回步骤②?/p>

 

 

 

 

 

 

 

 

 

Ͼλ
新建
上传
首页
助手
最?/div>
资料?/div>
工具

第二?/p>

 

非监督分?/p>

 

一、非监督分类的基本内?/p>

 

非监督分类指人们事先对分类过程不施加任何的先验知识,

根据遥感影像地物的光谱特征的

分布规律,对其特征值进行分类的方法?/p>

 

非监督分类也称聚类分析?/p>

一般的聚类算法是先选择若干个模式点作为聚类的中心?/p>

?/p>

一中心代表一个类别,

按照某种相似性度量方?/p>

(如最小距离方法)

将各模式归于各聚类中

心所代表的类别,

形成初始分类?/p>

然后由聚类准则判断初始分类是否合理,

如果不合理就?/p>

改分类,如此反复迭代运算,直到合理为止?/p>

 

二、非监督分类的过?/p>

 

1.

核心问题

 

 

 

 

 

初始类别参数的选定,以及迭代次数的调整问题?/p>

 

2.

主要过程

 

?/p>

1

)确定最初类别数和类别中心(任意的,随机的)?/p>

 

?/p>

2

)计算每个像元对应的特征量与各聚类中心的距离,取距离最短的类别做为像元所属类

别,计算新的类中心;

 

?/p>

3

)计算每一像元与新的聚类中心距离,取距离最短的类别做为像元的所属类别,计算?/p>

的类别中心;

 

?/p>

4

)判断迭代是否结束,若不是,继续迭代,若是,迭代停止,分类结束?/p>

 

三、非监督分类的方?/p>

 

主要采用聚类分析方法,常用的方法?/p>

ISODATA

,称为迭代自组织分析技术,?/p>

K-Mean

?/p>

法,称为

K

-均值算法?/p>

K-Mean

算法的基本思想是通过迭代,移动各个基准类别的中心?/p>

直至得到最好的聚类结果为止?/p>

ISODATA

是在初始状态给出图像粗糙分类,然后基于一定原

则在类别间重新组合其样本,直到分类比较合理为止?/p>

 

1.K-means

算法

 

具体计算步骤?/p>

 

?/p>

1)

任意选择

 k 

个对象作为初始聚类中心;

 

?/p>

2)

按照到聚类中心距离最小的原则对像元分类;

 

?/p>

3)

重新计算聚类中心?/p>

 

?/p>

4)

聚类中心不变,则算法终止,否则返回步骤②?/p>

 

 

 

 

 

 

 

 

 

">
新建
上传
首页
助手
最?/div>
资料?/div>
工具

第二?/p>

 

非监督分?/p>

 

一、非监督分类的基本内?/p>

 

非监督分类指人们事先对分类过程不施加任何的先验知识,

根据遥感影像地物的光谱特征的

分布规律,对其特征值进行分类的方法?/p>

 

非监督分类也称聚类分析?/p>

一般的聚类算法是先选择若干个模式点作为聚类的中心?/p>

?/p>

一中心代表一个类别,

按照某种相似性度量方?/p>

(如最小距离方法)

将各模式归于各聚类中

心所代表的类别,

形成初始分类?/p>

然后由聚类准则判断初始分类是否合理,

如果不合理就?/p>

改分类,如此反复迭代运算,直到合理为止?/p>

 

二、非监督分类的过?/p>

 

1.

核心问题

 

 

 

 

 

初始类别参数的选定,以及迭代次数的调整问题?/p>

 

2.

主要过程

 

?/p>

1

)确定最初类别数和类别中心(任意的,随机的)?/p>

 

?/p>

2

)计算每个像元对应的特征量与各聚类中心的距离,取距离最短的类别做为像元所属类

别,计算新的类中心;

 

?/p>

3

)计算每一像元与新的聚类中心距离,取距离最短的类别做为像元的所属类别,计算?/p>

的类别中心;

 

?/p>

4

)判断迭代是否结束,若不是,继续迭代,若是,迭代停止,分类结束?/p>

 

三、非监督分类的方?/p>

 

主要采用聚类分析方法,常用的方法?/p>

ISODATA

,称为迭代自组织分析技术,?/p>

K-Mean

?/p>

法,称为

K

-均值算法?/p>

K-Mean

算法的基本思想是通过迭代,移动各个基准类别的中心?/p>

直至得到最好的聚类结果为止?/p>

ISODATA

是在初始状态给出图像粗糙分类,然后基于一定原

则在类别间重新组合其样本,直到分类比较合理为止?/p>

 

1.K-means

算法

 

具体计算步骤?/p>

 

?/p>

1)

任意选择

 k 

个对象作为初始聚类中心;

 

?/p>

2)

按照到聚类中心距离最小的原则对像元分类;

 

?/p>

3)

重新计算聚类中心?/p>

 

?/p>

4)

聚类中心不变,则算法终止,否则返回步骤②?/p>

 

 

 

 

 

 

 

 

 

Ͼλ">
Ͼλ
Ŀ

非监督分? - 百度文库
新建
上传
首页
助手
最?/div>
资料?/div>
工具

第二?/p>

 

非监督分?/p>

 

一、非监督分类的基本内?/p>

 

非监督分类指人们事先对分类过程不施加任何的先验知识,

根据遥感影像地物的光谱特征的

分布规律,对其特征值进行分类的方法?/p>

 

非监督分类也称聚类分析?/p>

一般的聚类算法是先选择若干个模式点作为聚类的中心?/p>

?/p>

一中心代表一个类别,

按照某种相似性度量方?/p>

(如最小距离方法)

将各模式归于各聚类中

心所代表的类别,

形成初始分类?/p>

然后由聚类准则判断初始分类是否合理,

如果不合理就?/p>

改分类,如此反复迭代运算,直到合理为止?/p>

 

二、非监督分类的过?/p>

 

1.

核心问题

 

 

 

 

 

初始类别参数的选定,以及迭代次数的调整问题?/p>

 

2.

主要过程

 

?/p>

1

)确定最初类别数和类别中心(任意的,随机的)?/p>

 

?/p>

2

)计算每个像元对应的特征量与各聚类中心的距离,取距离最短的类别做为像元所属类

别,计算新的类中心;

 

?/p>

3

)计算每一像元与新的聚类中心距离,取距离最短的类别做为像元的所属类别,计算?/p>

的类别中心;

 

?/p>

4

)判断迭代是否结束,若不是,继续迭代,若是,迭代停止,分类结束?/p>

 

三、非监督分类的方?/p>

 

主要采用聚类分析方法,常用的方法?/p>

ISODATA

,称为迭代自组织分析技术,?/p>

K-Mean

?/p>

法,称为

K

-均值算法?/p>

K-Mean

算法的基本思想是通过迭代,移动各个基准类别的中心?/p>

直至得到最好的聚类结果为止?/p>

ISODATA

是在初始状态给出图像粗糙分类,然后基于一定原

则在类别间重新组合其样本,直到分类比较合理为止?/p>

 

1.K-means

算法

 

具体计算步骤?/p>

 

?/p>

1)

任意选择

 k 

个对象作为初始聚类中心;

 

?/p>

2)

按照到聚类中心距离最小的原则对像元分类;

 

?/p>

3)

重新计算聚类中心?/p>

 

?/p>

4)

聚类中心不变,则算法终止,否则返回步骤②?/p>

 

 

 

 

 

 

 

 

 



ļ׺.doc޸Ϊ.docĶ

  • SOECѧϰˮƽԾ2011 - 3
  • ᷨ
  • 2019ӭĹԤ
  • š̽֡½ڴ
  • ʵѧ߲̰(3145ʱ)
  • ѧԭϰص
  • е06߲
  • ڻױƷǩעݺҪ
  • EMCʹ÷
  • 2019-2025йʵҵгӪ̬Ʊ(Ŀ¼)

վ

԰ Ͼλ
ϵͷ779662525#qq.com(#滻Ϊ@)