非监督分类概览.pptx

第二节 非监督分类;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。;* 主要采用聚类分析方法，常用的方法有 ISODATA，称为迭代自组织分析技术，和K-Mean 算法，称为K－均值算法。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，直 至得到最好的聚类结果为止。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。;具体计算步骤： （1)任意选择 k 个对象作为初始聚类中心； （2)按照到聚类中心距离最小的原则对像元分类； （3)重新计算聚类中心； （4)聚类中心不变，则算法终止，否则返回步骤②。;2.ISODATA算法聚类分析 ISODATA算法又称迭代自组织数据分析算法，在分类过程中根据一定根据一定原则不断重新计算类别总数和类别中心，使分类结果趋于合理。是目前非监督分类中使用最广泛的算法。 具体计算步骤： (1)选择初始的类别平均估值； (2)根据到训练样本类别中心最短距离划分像元的类别； (3)重新计算每种类别的平均值； (4)若第②和③产生平均值相同或相近，则③的结果就代表分类结果，否则返回②。;（四）非监督分类的特点和优缺点;2.优缺点 *优点： （1） 无需对分类区有较多的了解，仅需一定 的知识来解释分类出现的集群组 （2）人为误差减少，需输入的初始参数较少 （3）可形成范围很小但有独特光谱特征的集 群，所分的类别比监督分类的类别更均质 （4） 独特的覆盖量小的类别均能够被识别 *缺点： （1） 对其结果需进行大量分析及后处理，才 能得到可靠分类结果 （2）存在同物异谱及异物同谱现象，使集群 组与类别的匹配难度大 （3）不同图像间的光谱集群组无法保持其连 续性，难以对比。 ;;谢谢聆听