1. 在遥感图像分类过程,影响图像分类精度的因素有哪些?

对于目视判读的时候这些是最主要的判读依据,就不说了.计算机自动分类的时候,这些可以作为辅助手段提高精度.监督非监督分类都是利用地物的光谱特征进行分类,像纹理地形这些信息,可以将这些信息的空间位置和影像

传统的方法是最大似然分类法,ISODATA分类法,K-means分类法,平行管道分类法,决策树分类法,知识工程师分类法.比较前沿的方法有神经网络分类法,支持向量机分类法,光谱角分类法,混合像元分类法,

非监督分类,根据选择的参数,即分类个数,将像素多维值根据空间距离进行分堆.所用特征为多维值,即像素在各个图层的DN值.

那是平方米.你要计算单个像元的值,这个要看你是多少分辨率的,至于现实是根据你的比例尺大小换算的,单位是平方米

把影像和规则发给我,我帮你看看.273672857@qq.com 已经帮你解决,使用ERDAS建模分析,modeler--model maker输入的公式为CONDITIONAL&

啊给个地址,我发给你

打开ENVI,如果要进行非监督分类,在主菜单上选classification-〉unsupervised然后再选择非监督分类的方法,ISOdata或K-means,然后在打开的窗口中点击open-〉n

你把那个节点的表达式写出来吧,我猜是你表达式有问题,比如MAX(B1)这样返回的就是一个值而不是一个影像,类似这样的表达式就会出现这种错误.

matlab在遥感影像融合方面,可以进行些实验,小波变换也是一个热门,可以试试看.matlab有小波工具箱的.

遥感图象主要是指陆地资源卫星拍摄的地球表面山川水陆、地形地貌的数字图象,它是由多个光学波段（包括可见光到人眼看不着的红外）相机针对同一目标同时获得的图象数据,好比有多个电视摄影机同时用不同光学波段拍下

非监督分类K-meansIsodata监督分类平行六面体最小距离马氏距离最大似然波谱角二进制编码光谱信息散度神经网络支持向量机分类基于专家知识的决策树分类面向对象的分类

这个比较复杂,目前只能交互式提取,也就是先进行一些预处理,使得视觉效果得以增强,然后手动圈.

这个肯定,图像的分辨率限制,是分不出来的

遥感影像目视解译原理遥感影像目视解译原理在遥感影像上,不同的地物有不同的特征,这些影像特征是判读识别各种地物的依据,这些都称为判读或解译标志.解译标志包括直接和间接解译标志：1直接判读标志（1）形状影

计算机自动分类的时候,这些可以作为辅助手段提高精度.监督非监督分类都是利用地物的光谱特征进行分类,像纹理地形这些信息,可以将这些信息的空间位置和影像进行

楼上是打酱油的.你应该问的是segmentation和classification之间的区别.前者主要是跟object-orientedclassification联系起来的,主要用于高分辨率影响,根

如果是监督分类,精度取决于你训练区的选择、你本身图像的质量、分类方法（最小距离、最大似然之类的）,还有之后你对分类的再处理.这些其实需要很多的经验,选取合适的组合来对你的图像进行分类

没看你的遥感图像,一般情况下道路和居民地还是比较好区分的,但是商业区和居民地之间估计就不太好区分了,你可以采用最小距离法,最大似然法或者SVM等方法进行分类.再问：就是道路旁边就分类为商业区，可以帮忙

基于参数化密度分布模型的最大似然方法(MLC)是遥感影像分类最常用手段之一,与其他非参数方法(如神经网络)相比较,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点.但是由于遥感信

分类以后才能够更好的做分析呀比如说监督分类或非监督分类,做完以后,会把一样的波段归纳在一起,变成一种颜色,便于分析,而且也更加精确了.