遥感影像监督分类与非监督分类精度对比实验.docxVIP

PAGE2

遥感影像监督分类与非监督分类精度对比实验

第一章绪论

1.1实验背景

1.1.1研究领域现状

遥感技术作为获取地球表面信息的重要手段，已广泛应用于土地利用调查、环境监测、城市规划等领域。随着传感器技术的飞速发展，高分辨率、多光谱遥感影像数据呈现爆炸式增长，如何从海量数据中快速、准确地提取地物信息成为当前地理信息科学研究的核心问题。遥感影像分类技术作为影像解译的关键环节，其算法的成熟度与适用性直接决定了地物识别的精度与效率，是连接遥感数据与地理信息应用的桥梁。

目前，遥感影像分类方法主要分为监督分类与非监督分类两大类。监督分类通过选取具有代表性的训练样本，利用统计决策理论构建分类模型，典型算法包括最大似然法、支持向量机等；非监督分类则无需先验知识，完全依据影像光谱特性的相似性进行聚类，以ISODATA和K-Means算法为代表。尽管深度学习等新兴技术逐渐兴起，但基于统计理论的传统分类方法因其物理意义明确、实现成本低、可解释性强，依然是遥感教学与工程应用中的基础方法。

然而，在实际应用中，分类精度往往受到“同物异谱”与“异物同谱”现象的严重干扰，加之大气环境、传感器噪声及地形起伏等因素的影响，分类结果存在不确定性。不同分类算法对同一研究区的适用性差异显著，缺乏统一的评价标准导致算法选择具有盲目性。因此，深入剖析监督与非监督分类的内在机制，量化对比其分类精度，对于