监督与非监督分类

监督与非监督分类 监督分类是根据已知样本训练分类器对整幅影像进行地物划分，非监督分类是仅凭像素光谱相似性自动聚类的过程。权威解读

📐 测量原理：基于贝叶斯决策或距离度量分配像素至概率最大或距离最小的类别。 | 🔭 仪器与方法：ENVI、eCognition等分类模块。 | 📋 标准与规范：参照GB/T 35641遥感影像解译规范。

📖 深度解析

🧭 核心原理 —— 监督分类用最大似然、支持向量机或随机森林等算法由样本学习判别函数，非监督分类以K-means或ISODATA迭代聚类。
💡 核心要点：理解空间信息获取的内在规律。
🗺️ 典型案例 —— 随机森林分类农作物类型总体精度>90%。
💡 实际效果：测绘工程实践参考。
📊 关键数据 —— 监督分类训练样本每类不少于10倍波段数。
💡 量化指标：测绘工程统计数据。

为什么监督分类训练样本必须具有代表性？

提示： 从分类器依赖训练数据学习判别规则的分析。

👉 点击查看参考思路

训练样本的统计分布直接决定分类判决边界，样本未覆盖的类别或变异性会导致高概率错分。

误区： 分类后不必精度评价。
事实： 须用混淆矩阵和Kappa系数定量评价可靠性。

问：监督和非监督哪种精度更高？

答：训练样本充分时监督分类精度更高。

前置依赖： 地物光谱特性、辐射定标与大气校正。

后续延伸： 面向对象分类、变化检测。

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

基于正态分布假设。

决策树集成稳健精度高。

动态聚类自调整类别数。

我是学习遥感解译的测绘工程学生，请结合具体案例详细讲解监督与非监督分类的测量原理、仪器与方法、以及标准与规范，并指出常见误区。