实验三:遥感影像目视解译与非监督分类

简介: 实验三:遥感影像目视解译与非监督分类

首先打开arcgis软件,并加载遥感影像。

选择存放文件夹,右击选择NEW,新建一个shapefile类型的面文件。接下来设置坐标系,坐标系选择导入遥感影像相同的坐标系


新建完成shapefile文件以后,打开编辑器,并单击开始编辑,此时shapefile处于可编辑状态。

在编辑器的下拉菜单里,选择编辑窗口,创建要素,会出现一个用来创建要素的框目。点一下创建要素窗口里的新建要素,回到主窗口页面会发现鼠标变成了一个十字形,此时就可以对遥感影像进行处理了。

最后保存编辑即可

非监督分类的概念:


非监督分类,又称“聚类分析或者点群分析”。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对图像地物获取先验知识,仅依靠图像上不同地物光谱信息进行特征提取,在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。

加载实验图像

打开非监督分类对话框IsoData 或者 K‐Means。 这里选择 IsoData

参数设置如下

结果如下


类别定义/类别合并

执行非监督分类之后,获得了一个初步的分类结果,需要进行类别定义和合并子类的操作。

类别定义(修改颜色和图层名称)

在选择非监督分类类别数量时候,一般选择最终结果数量的2~3倍,因此在定义类别之后,需要将相同类别合并。


(1)在Toolbox工具箱中,双击Classification/ post Classification/Combine Classes 工具。在Combine Classes Input File对话框中,选择定义好的分类结果,单击OK按钮,打开Combine Classes Parameters面板。


最后结果如下


最后进行结果统计


目录
相关文章
|
机器学习/深度学习 传感器 算法
数字图像处理实验(五)|图像复原{逆滤波和伪逆滤波、维纳滤波deconvwnr、大气湍流扰动模型、运动模糊处理fspecial}(附matlab实验代码和截图)
数字图像处理实验(五)|图像复原{逆滤波和伪逆滤波、维纳滤波deconvwnr、大气湍流扰动模型、运动模糊处理fspecial}(附matlab实验代码和截图)
1807 0
数字图像处理实验(五)|图像复原{逆滤波和伪逆滤波、维纳滤波deconvwnr、大气湍流扰动模型、运动模糊处理fspecial}(附matlab实验代码和截图)
|
7月前
|
前端开发 算法 vr&ar
《从碎片到完美:CSS构建响应式拼图游戏布局全攻略》
响应式拼图游戏布局是技术与艺术的结合,通过CSS实现自适应设计,让拼图在不同设备上流畅呈现。它不仅关注视觉美感,更注重用户体验与情感连接。开发者需应对性能优化、浏览器兼容性等挑战,同时融入创新技术如AI、VR,为用户打造沉浸式拼图体验。这是一场关于空间逻辑、交互设计与美学表达的精密创作。
190 31
|
10月前
|
机器学习/深度学习 人工智能 机器人
上周多模态论文推荐:MAPS、MapGlue、OmniGeo、OThink-MR1
由西安交通大学、新加坡国立大学和南洋理工大学联合提出,该工作推出了MAPS框架,利用基于Big Seven人格理论的七个智能体和苏格拉底式引导,解决多模态科学问题(MSPs)。通过四阶段求解策略和批判性反思智能体,MAPS在EMMA、Olympiad和MathVista数据集上超越当前最佳模型15.84%,展现了卓越的多模态推理与泛化能力。
462 1
|
传感器
遥感物理基础(1) 电磁波谱与电磁辐射
本文内容较为枯燥,是遥感的物理原理,作者已经尽量去帮助读者理解了,无论是精细的阅读还是走马观花,长期下来都能提高读者对专业的了解;电磁辐射是遥感传感器与远距离目标联系的纽带。不同类型地物具有不同的电磁辐射,遥感技术正是利用地物的的不同辐射特征,转变成数据或影像,达到探测地面目标的目的。因此,要应用遥感技术,必须了解电磁辐射的基本性质及地物的波谱特征。​ 电磁波是遥感技术的重要物理理论基础。
2083 0
|
存储 JSON 安全
从入门到精通:Python中的OAuth与JWT,打造无懈可击的认证体系🔒
【8月更文挑战第4天】构建现代Web和移动应用时,用户认证与授权至关重要。Python集成OAuth和JWT技术,能轻松实现安全认证。本文从OAuth基础入手,介绍如何使用`requests-oauthlib`库简化流程,再到JWT进阶应用,利用`PyJWT`库生成及验证令牌。最后,探讨如何结合两者,创建无缝认证体验。通过代码示例,由浅入深地引导读者掌握构建坚固应用认证体系的方法。
415 2
|
资源调度 算法 定位技术
|
机器学习/深度学习 算法 Unix
循环编码:时间序列中周期性特征的一种常用编码方式
循环编码是深度学习中处理周期性数据的一种技术,常用于时间序列预测。它将周期性特征(如小时、日、月)转换为网络可理解的形式,帮助模型识别周期性变化。传统的one-hot编码将时间特征转换为分类特征,而循环编码利用正弦和余弦转换,保持时间顺序信息。通过将时间戳转换为弧度并应用sin和cos,每个原始特征只映射到两个新特征,减少了特征数量。这种方法在神经网络中有效,但在树模型中可能需谨慎使用。
1761 5
|
算法 定位技术
探寻最短路径之谜:Dijkstra算法详解
探寻最短路径之谜:Dijkstra算法详解
1039 0
|
JavaScript 算法 数据安全/隐私保护
Vue 打包 Error: error:0308010C:digital envelope routines::unsupported
Vue 打包 Error: error:0308010C:digital envelope routines::unsupported
456 0
|
JSON 前端开发 JavaScript
axios的详细使用
axios的详细使用
475 1

热门文章

最新文章