企业官网建设流程全解析

flash是怎么做网站的,网站停留时间 从哪里获取,vis设计机构,php做网站需要mysql么来谈谈并实操pci中的监督分类和非监督分类。 一.实验原理与方法 3.1分离度#xff1a; Bhattacharyya Distance#xff1a;用于衡量两类地物光谱分布的重叠程度#xff0c;取值范围为[0, 2]。数值越接近 2#xff0c;表示两类分离度越好#xff1b;越接近 0#xff0c…来谈谈并实操pci中的监督分类和非监督分类。一.实验原理与方法3.1分离度Bhattacharyya Distance用于衡量两类地物光谱分布的重叠程度取值范围为[0, 2]。数值越接近 2表示两类分离度越好越接近 0表示重叠度越高分离度差。Transformed Divergence是对散度的变换取值范围同样为[0, 2]数值越接近 2分离度越好。Bhattacharrya距离和变换差异两种方式都以0到2之间的实数来表示。0表示两类之间的特 征完全重叠2表示两类之间特征完全分离。这些距离表明了相关类之间的精确性。可分离的值 越大最终的分类结果就越好。如果该数值处于1.9到2.0之间那么说明两者之间具备良好的 分离性。3.2 分类方法监督分类非监督分类1.监督分类基于已知地物的训练样本光谱特征构建分类模型再将模型应用于整幅影像完成分类。2.非监督分类无需人工选取训练样本直接依据影像像素光谱特征的自身统计规律进行分类。以K-Mean 算法迭代自组织数据分析技术为例先随机初始化若干聚类中心计算每个像素到各聚类中心的距离并归为最近聚类再根据聚类的均值、标准差等统计量调整中心重复迭代至聚类中心无显著变化或达到预设次数最终实现地物类别的自动划分。3.3核心算法3.3.1监督分类1. Minimum Distance最小距离法基于 “像元光谱与类别中心的距离” 分类先计算每个类别由样本定义的光谱均值形成 “类别中心”再计算待分类像元与所有类别中心的欧氏距离将像元归为距离最近的类别。优点计算速度极快仅需算距离对计算机性能要求低操作简单无需复杂参数设置。缺点仅用 “均值” 代表类别光谱特征忽略类别内部的光谱离散度如标准差若不同类别光谱重叠较多易误分。适用场景数据量极大、需快速出结果的场景如大范围粗分类。类别内部光谱均一、类别间光谱差异显著的情况如区分水体与植被。2. Parallelepiped平行六面体法基于 “光谱区间边界” 分类先根据样本计算每个类别在各波段的光谱均值 ±n 倍标准差n 通常取 1-2形成 “光谱区间”再构建一个多波段的 “平行六面体” 空间待分类像元若落在某类的平行六面体内就归为该类若落在多个体内则标记为 “混合像元”若都不落在则标记为 “未知类”。优点计算速度快能通过 “标准差倍数” 灵活控制类别边界可有效过滤极端值噪声。缺点假设类别在各波段的光谱分布是独立的实际可能不独立若类别光谱边界重叠易产生大量混合像元或未知类。适用场景类别内部光谱离散度小、各波段光谱分布相对独立的情况如区分裸地与建筑。需明确排除 “疑似像元”标记未知类的场景如精细分类前的初筛。3. Maximum Likelihood最大似然法基于 “概率统计” 分类假设每个类别的光谱服从正态分布先通过样本计算类别均值、协方差矩阵等的统计参数再计算待分类像元属于每个类别的 “后验概率”将像元归为概率最大的类别。优点考虑了类别内部的光谱离散度协方差能处理光谱部分重叠的情况分类精度通常是三者中最高的。缺点计算复杂度高需算协方差矩阵、概率对样本量要求高需足够样本支撑正态分布假设对噪声较敏感。适用场景对分类精度要求高的场景如土地利用详查、生态监测。样本量充足、类别光谱分布接近正态分布的情况如多光谱数据的精细分类。3.3.2非监督分类1.K -均值聚类算法K-means clustering algorithmK - 均值聚类算法是一种通过迭代求解实现聚类分析的经典算法核心逻辑如下① 算法假设待分类数据集可划分为 K 个类别每个类别的样本在特征空间内呈类球形聚集分布因此可用各类别样本的中心聚类中心代表该类别。② 迭代过程每处理一个样本 x 时会根据当前各类别中已有的样本重新计算聚类中心。③ 终止条件上述迭代过程重复执行直至满足终止条件无或最小数量样本被重新分配至不同聚类或无或最小数量聚类中心发生变化。④ 核心缺点仅能按照预先指定的类别数 K 进行分类分类数目在算法执行过程中无法动态调整。2.Fuzzy K-Means算法模糊 K-Means算法① 算法定义作为 K-Means 聚类算法的改进版本模糊 K-Means 算法引入 “隶属度” 概念实现数据点的 “软分配”即一个数据点可部分隶属于多个类别适用于处理数据点归属具有模糊性的场景。② 核心步骤a. 预先设定聚类的类别个数 Kb. 从样本集中选取 k 个样本作为初始簇中心 Cc. 计算所有数据点对各簇中心的隶属度构建隶属度矩阵d. 基于隶属度矩阵重新更新各簇中心e. 循环执行步骤 c 和 d直至簇中心不再变化或满足其他终止条件如隶属度矩阵的误差小于预设阈值。3.ISODATA算法动态聚类算法① 算法基础在 K - 均值算法的基础上扩展而来核心新增了对聚类结果的 “合并” 和 “分裂” 操作实现聚类中心数目的动态调整。② 核心特征相似性与 K - 均值算法一致均采用类别样本的均值作为聚类中心的表达差异性聚类中心的数目并非固定值而是在算法执行过程中反复调整 —— 类别会根据预设规则进行合并或分裂且合并、分裂操作受一组预先设定的参数约束。③ 算法流程共十四步a. 第一步至第六步预设算法参数、完成初始分类并为后续的合并、分裂操作准备必要数据b. 第七步判断算法执行方向包括结束算法、优先分裂、优先合并或常规分裂c. 第八步至第十步执行聚类的分裂过程d. 第十一步至第十三步执行聚类的合并过程e. 第十四步判断是否重新启动算法迭代。3.4 目标类与光谱类光谱类 (spectral class)是基于光谱特征形成的类别。不同的地物具有不同的光谱特征同类地物具有相同或相似的光谱特征光谱类就是根据这些光谱特征的相似性和差异性来划分的。例如房屋的阳面和阴面由于光照条件不同其光谱特征也不同可能会被划分为不同的光谱类。目标类 (object class)也称为信息类 (information class),是根据实际需要待分的类别是人为划分的。它是基于特定的应用目的或知识体系将具有不同光谱特征的地物组合在一起形成的类别。例如城市类可以由道路、建筑物、水体、绿地等不同地物组成这些地物的光谱特征各不相同但从实际应用的角度来看它们都属于城市这个目标类。3.5 精度评价1.混淆矩阵Confusion Matrix混淆矩阵是评价分类 / 聚类结果准确性的基础工具通过矩阵形式直观呈现模型预测结果与真实标签的匹配情况。以二分类为例多分类可扩展混淆矩阵为 2×2 矩阵行代表真实类别列代表预测类别直观展示分类错误的类型如将 A 类误分为 B 类的数量作为计算总精度、Kappa 系数等评价指标的基础。核心元素包括真阳性TP真实为正类预测为正类假阳性FP真实为负类预测为正类真阴性TN真实为负类预测为负类假阴性FN真实为正类预测为负类。2.总精度Overall Accuracy, OA总精度是最直接的分类准确性评价指标反映整体预测正确的样本比例。计算公式总精度 所有预测正确的样本数 / 总样本数即OA (TP TN) / (TP FP TN FN)二分类多分类下OA 混淆矩阵主对角线元素之和 / 矩阵所有元素之和。计算简单、直观易懂能快速反映整体分类效果对不平衡数据敏感如某类样本占比极高时即使其他类预测全错总精度也可能偏高。3.Kappa系数Kappa CoefficientKappa 系数是考虑了 “随机猜测误差” 的分类精度评价指标比总精度更客观取值范围为 [-1, 1]。通过对比 “实际分类正确率” 与 “随机分类正确率”剔除随机因素对结果的影响更真实反映模型的分类能力。3.6分类结果评价1.生产者精度Producers Accuracy, PA定义某类真实样本中被正确预测的比例反映 “真实类别被准确识别” 的能力也称召回率 / 灵敏度。公式PA第 i 类 第 i 类真实且预测正确的样本数 / 第 i 类真实总样本数。适用场景关注 “不遗漏某类样本” 时如灾害监测中识别危险区域。2.用户精度Users Accuracy, UA定义某类预测样本中真实属于该类的比例反映 “预测结果的可靠性”也称精确率。公式UA第 i 类 第 i 类真实且预测正确的样本数 / 第 i 类预测总样本数。适用场景关注 “预测结果可信度” 时如资源勘探中预测矿点的准确性。通过实验操作来过一下整个流程吧二.流程简图and开始操作先简单讲一下非监督分类在pci中的具体操作letsgo注意一下以下有一些指标参数精度不好仅做记录示范用自己做需要注意一下......我使用的数据如下①gf6 8m以及2m融合后数据②s2数据【S2B_MSIL2A_20250512T023529_N0511_R089_T50RQP_20250512T043829.SAFE】③目标周边的卫星影像高精度版本以下是gf8m数据k-means的非监督分类操作其他数据和方法操作也是相似的gf8m非监督分类操作K-Means初始化分类会话在 Focus 中打开数据。在地图树列表下右键单击文件。选择 Classification 选项下的二级选项 Unsupervised。分类过程对话框随之弹出图2 主菜单打开非监督分类将Red, Green, Blue三个色彩分别设置为通道在Input Channels栏下选择要参与分类的波段在此选择1到4。在Output Channel栏下选择分类结果输出的通道在此选择5。如果文件中没有空通道单击Add Layer按钮进行添加。该通道将存储分类结果。单击OK非监督分类对话框打开。图3 指定输入波段add layer作为输出波段图4 使用K-Means进行非监督分类在非监督分类对话框中选择 K-Means 算法。 Max Class最大类别输入12点击ok。此时Focus开始执行K-Means的非监督分类运算。运算完毕后分类结果自动显示在Focus中同时会弹出分类报告。相关参数设置备注Max Class最大类别数即算法最多将图像划分为多少类。图中设为12意味着最终分类结果最多有12个类别。Max Iteration最大迭代次数即算法迭代计算聚类中心的最大轮数。设为16表示最多迭代16次后停止计算。Min Threshold最小阈值用于判断迭代是否收敛。当聚类中心的变化量小于该阈值时算法认为已收敛提前停止迭代图中为0.01。Max Sample Size最大样本量即参与聚类计算的最大像元数量。设为262144是为了平衡计算效率与结果精度避免全图像元参与导致计算量过大。Background用于指定背景像元如无信息的黑边、无效值区域这些像元在分类时会被忽略。分类完毕后随着分类结果自动加载到Focus中对话框弹出。报告内容包括分类时间、文件名、分类参数配置、类别数以及各类别的大小等信息。报告列出了分类产生的类别的数量以及每个类别的详细信息。分类报告显示了每个类别都有多少个像素以及该类在四个输入影像通道中的平均亮度值和标准差。报告如下图5 k-Means分类结果报告进行类合并非监督分类通常并不能恰好提供真实地类所期望的数量。在分类完成后可使用合并工具将几个单独的类别合并成一个类别。以原图像作为底图依次识别将光谱类转换为目标类。详细步骤如下设置参考影像关闭分类元数据的可见性。用户可将其修改为典型的色彩组合便于识别。单击地图树中.pix图层左侧的号。将波段组合调整为432后对全图进行一个自适应增强。打开分类元数据的可见性。图6 修改为典型的色彩组合类合并1. 在地图树上右键单击Classification Metalayer。2. 选择Post-classification Analysis并单击Aggregation。图7设置类合并3. 在输入通道中选择通道5。该通道便是将要进行合并的通道是非监督分类的结果。4. 在输出通道中选择通道6。合并的结果将会保存到该通道中。5. 单击OK。合并窗口打开。图8 设置输入结果K-Means以及输出通道图9合并窗口类合并面板操作1. 在 View Controls中选择 Current Classes。此时面板上将会显示输入类列表中选中的类别。2. 在 Input Classes列表中保持CTRL键按下并选择Class-07,Class-06。由于这2类是当前被选中的类因此在 Focus视图区域只显示这2个类。在类合并过程中需要将分类结果与参考或原始影像进行对比关闭 Classification Metalayer的可视性并查看下方覆盖的参考影像。监督分类4.2.1初始化监督分类监督分类与非监督分类最大的不同在于监督分类需要进行训练区的选择因此在分类步骤上也稍有不同。在训练区的选择方式上可以通过手动采集也可以导入现有分类模板。监督分类要求对现有数据有先验知识需要对待分类的影像有比较清楚的认识。这有助于帮助 Focus决定数据类别的统计标准(特征)。以下先选择采用手动采集。1.启动监督分类2.设置输入及输出通道在Session Configuration窗口内单击Red、Green和Blue表单元下对应的光谱波段。在Input Channels栏下选择要参与分类的波段在此选择1到 9。在Training Channel栏下选择通道 14用来存放训练样区数据。在Output Channel栏下选择分类结果输出的通道在此选择15。单击OK训练区编辑器对话框打开。Focus同时会在地图树上添加一个分类元数据层。原始局层包含三个层训练通道、用户选择的三波段色彩组合以及输出层。设置训练通道结果输出通道3.采集训练样本①单击Class菜单项中的New新建一个类别。Class-01出现在编辑面板中。②将Name栏下的Class-01改为目标类型的名字 water1。③采集训练区在Focus窗口中单击矢量绘制工具选择Polygon多边形采集工具。④采用多边形绘制工具在影像中相应的部分选取多个训练区。以下选样本总共分为7类分别为water1water2roadbuilding1旧building2新forestbare。⑤如此重复上述几步建立多个分类类别。可识别的分类样本越多分类的准确性就越高。如果样本选择错误可以通过Edit菜单下的clear功能清除所选样本或用delete删除。如果仅是部分样本错误可以通过工具栏上的Raster Erase橡皮擦擦除错误区域。依次选择纯净样本特征可分离性在Tools工具栏中选择Signature Separability特征可分离性对话框弹出。查看特征与分离度分离度检验由以上分离度检验上面分离度不好自己做还是需要注意一下的以上仅仅是演示记录在Training Site Editor对话框的Tools菜单下选择Histogram各类的直方图便显示如下直方图4.2.2执行监督分类系统提供了三种监督分类算法Minimum DistanceParallelepiped和Maximum Likelihood。监督分类的训练区选择完毕并检查关闭后Focus并不执行分类运算在执行监督分类时需要在Focus的Maps标签下右键单击Classification MetaLayer并选 择Run Classification选项监督分类对话框打开。三种方法打开示意重新调整之后的CONFUSION MATRIX与Kappa系数你需要根据报告结果进行训练样本选择的优化报告类似于上面4.2.3生成随机点给随机点指定类进行精度评价1生成随机检查点①在精度评定窗口单击Generate Random Sample。Generate Random Samples窗口打开。②在Number of samples处输入 300。③激活Stratify Samples to class percentages选项根据影像中每个类别所占的百分比来随记生成每个类别的检查点的数量。④单击OK。此时随机样本点列表便填充到精度评定窗口中并且在地图树中的精度评定元数据层中添加了一个随机样本矢量点层。大概长这样2给检查点指定类①从 Random Sample List 中选择首个样本点②在 Focus 界面放大影像至能清晰观察该样本点地物性质③在 Assign Reference Class to Sample 表中选定该点对应的地物类型④点击 Transfer 按钮完成首个样本点属性指定⑤系统自动跳转至第二个样本点重复 1-4 步直至所有样本点属性指定完毕。Sample Report ListingErrorConfusionMatrixAccuracy Statistics精度报告窗口上面就可以看到生产者精度用户精度kappa了我弄的有点低...自己操作的时候训练区要注意一点p.s.手动选择训练样本的时候可以参考的波段设置更换不同波段组合来辅助判断例如①区分植被经典假彩色突出植被特征波段组合红 波段 4近红外0.77~0.89μm、绿 波段 3红波段0.63~0.69μm、蓝 波段 2绿波段0.52~0.59μm。效果健康植被因近红外反射率高呈现鲜艳红色与水体黑色、建筑灰 / 蓝色形成强烈视觉差异能快速识别植被覆盖区域如森林、农田。②红边波段增强版细化植被类型 /生长状态波段组合红 波段 6红边 II0.73~0.77μm、绿 波段 5红边 I0.69~0.73μm、蓝 波段 4近红外0.77~0.89μm。效果红边波段对植被叶绿素变化极敏感可区分不同植被类型如针叶林、阔叶林或植被生长阶段如作物生育期适合农业、林业精细化监测。备注此类不适用在此处植被位置集中种类单一。③自然真彩色显示还原地物真实色彩波段组合红 波段 3红波段0.63~0.69μm、绿 波段 2绿波段0.52~0.59μm、蓝 波段 1蓝波段0.45~0.52μm。效果呈现地物自然色彩便于直观识别建筑、道路、水体的外观特征适用于基础视觉解译。④水体与湿度监测区分水体、土壤湿度波段组合红 波段 8黄波段0.59~0.63μm、绿 波段 4近红外0.77~0.89μm、蓝 波段 3红波段0.63~0.69μm。效果水体在黄波段和近红外波段的吸收 / 反射特性差异明显呈现深色调可清晰识别河流、湖泊同时能反映土壤和植被的湿度差异如湿地、干旱区。⑤城市地物提取区分建筑、道路波段组合红 波段 7紫外波段0.40~0.45μm、绿 波段 3红波段0.63~0.69μm、蓝 波段 1蓝波段0.45~0.52μm。效果建筑和道路在该组合下呈现独特的灰 / 棕色调与植被红色、水体深色区分度高便于提取城市建成区。