遥感图像监督分类的关键是什么?哪些因素会影响分类的精度?-搜答案-百度作业网

传统的方法是最大似然分类法,ISODATA分类法,K-means分类法,平行管道分类法,决策树分类法,知识工程师分类法.比较前沿的方法有神经网络分类法,支持向量机分类法,光谱角分类法,混合像元分类法,

非监督分类,根据选择的参数,即分类个数,将像素多维值根据空间距离进行分堆.所用特征为多维值,即像素在各个图层的DN值.

把影像和规则发给我,我帮你看看.273672857@qq.com 已经帮你解决,使用ERDAS建模分析,modeler--model maker输入的公式为CONDITIONAL&

稍等,发一些资料供你参考,请注意查收

监督分类又称训练场地法或先学习后分类法.它是先选择具有代表性的典型试验区或训练区,用训练区已知地面样本的光谱特征来“训练”计算机,获得识别各类地物的判别模式或判别函数,并依此模式或判别函数,对未知地区

啊给个地址,我发给你

最大似然法的判别规则是基于概率的,它把每个具有模式测试或特征X的像元划分到很有可能出现特征向量X的第i类中.换言之,首先计算某个像元属于一个预先设置好的m类数据集中每一类的概率,然后将该像元划分到概率

你把那个节点的表达式写出来吧,我猜是你表达式有问题,比如MAX(B1)这样返回的就是一个值而不是一个影像,类似这样的表达式就会出现这种错误.

遥感图象主要是指陆地资源卫星拍摄的地球表面山川水陆、地形地貌的数字图象,它是由多个光学波段（包括可见光到人眼看不着的红外）相机针对同一目标同时获得的图象数据,好比有多个电视摄影机同时用不同光学波段拍下

非监督分类K-meansIsodata监督分类平行六面体最小距离马氏距离最大似然波谱角二进制编码光谱信息散度神经网络支持向量机分类基于专家知识的决策树分类面向对象的分类

这个肯定,图像的分辨率限制,是分不出来的

你是要组合成波段组还是显示的时候叠加：前者：interpreter--utilities--layerstack即可后者：Viewer--打开一幅影像--再打开另外一幅影像：此时要注意,选择raste

计算机自动分类的时候,这些可以作为辅助手段提高精度.监督非监督分类都是利用地物的光谱特征进行分类,像纹理地形这些信息,可以将这些信息的空间位置和影像进行

向媒体反映,向信访局和纪委反映.不过要分事分人,有的一进京就被遣返或送进精神病院.

如果是监督分类,精度取决于你训练区的选择、你本身图像的质量、分类方法（最小距离、最大似然之类的）,还有之后你对分类的再处理.这些其实需要很多的经验,选取合适的组合来对你的图像进行分类

没看你的遥感图像,一般情况下道路和居民地还是比较好区分的,但是商业区和居民地之间估计就不太好区分了,你可以采用最小距离法,最大似然法或者SVM等方法进行分类.再问：就是道路旁边就分类为商业区，可以帮忙

监督分类是需要自己选择样本的,非监督分类是不需要选择样本的,完全机器自动分类.

基于参数化密度分布模型的最大似然方法(MLC)是遥感影像分类最常用手段之一,与其他非参数方法(如神经网络)相比较,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点.但是由于遥感信

分类以后才能够更好的做分析呀比如说监督分类或非监督分类,做完以后,会把一样的波段归纳在一起,变成一种颜色,便于分析,而且也更加精确了.

非监督分类K-meansIsodata监督分类平行六面体最小距离马氏距离最大似然波谱角二进制编码光谱信息散度神经网络支持向量机分类基于专家知识的决策树分类面向对象的分类ENVI是分类方法最多的遥感软件