(1) 1.打开将要分类的影像File¬——open image file选择相应的波段，合成后裁剪感兴趣区

isodata的matlab代码博客ISODATA_clustering ISODATA Clustering：无监督分类/聚类算法 ISODATA 代表迭代自组织数据分析技术。 ISODATA_clustering 包括一种通过迭代过程自动创建数据组（集群）的算法。 在这个过程中，相似的簇被合并，标准差大的簇被分裂。 簇的质心是随机选择的。 然后，计算质心之间的欧氏距离以及聚类的每个点与其质心之间的欧氏距离的SD。 这两个参数用于确定是否达到用户定义的某些条件，从而完成聚类过程。 提供了一个数据集 (dataset4isodata.RData) 用于测试该功能。

非监督分类：也称为聚类分析或点群分类 在多光谱图像中搜寻 定义其自 然相似光谱集群的过程 它不必对影像地物获取先验知识 仅依靠影像上不同类 地物光谱 或纹理 信息进行特征提取 再统计特征的差别来达到分类的目的 最 后对已分出的各个类别的实际属性进行确认 ">非监督分类：也称为聚类分析或点群分类 在多光谱图像中搜寻 定义其自 然相似光谱集群的过程 它不必对影像地物获取先验知识 仅依靠影像上不同类 地物光谱 或纹理 信息进行特征提取 再统计特征的差别来达到分类 [更多]

eCognition软件视频教学4，内容包括：基于样本的监督分类+分类后手动编辑分类结果。

半监督的svm 数据科学分配解决方案。 使用支持向量机作为基础分类器的半监督分类器的实现。 该数据集是在代码中随机生成的。 依存关系： 麻木 斯克莱恩 分类问题 给定数据： 大量未标记的数据 少量标注数据 能够正确标记未标记数据集中任何样本的人类专家，其费用与新标记样本的数量成正比 目标： 降低成本 提高分类器的准确性 解决方案 该解决方案将具有最高置信度的预测标签添加到标签数据集中。 置信度最低的标签表明分类器需要人工专家的帮助。 这些真实的标签将添加到数据集中，并且成本会增加。 人类专家的提示数量不能超过标记样本的初始数量-标记数据的数量只能加倍。 如果准确性为100％，成本达到先前说明的限制或没有将任何样本添加到标记的数据集中，则算法终止。 例子 设置： 数据集：10000个样本，3个类，每个类2个类，3个信息性特征。 最大限度。 迭代次数：100 数据集中未标记数据的

将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性，与PCA区别：LDA考虑分类标签，属于有监督分类。 (Linear discriminant analysis (LDA) is a generalization of Fisher s linear discriminant, a method used in statistics, pattern recognition and machine learning to find a linear combination of features that characterizes or separates two or more classes of objects or events. The resulting combination may be used as a linear classifier, or, more commonly, for dimensionality reduction before later classification.)

1.课程设计目的 2.数据介绍 3.实验步骤 3.1几何校正 3.2影像裁剪 3.3监督分类 3.4分类器选择 3.5分类后处理 3.6精度验证 3.7土地利用专题图 3.8土地利用变化图 3.9计算NDVI归一化植被指数与植被覆盖度FV 4.实验小结与感想 5.附录用图

基于流形距离的人工免疫无监督分类与识别算法.pdf

遥感数字图像计算机分类，监督分类，kappa系数的实现

基于matlab实现的图像监督分类工具，文件中的desk文件为主程序，执行其弹出主界面，选择要分类的图像，输入分类数，点击确定，利用弹出的矩形选择框选择纯净样本区域，双击后选择该类的颜色，依次选择完所有类的样区，程序自动开始执行监督分类。（精度评定部分在下个版本中会增加）