自動(dòng)識別分類課件

第八章遙感圖像自動(dòng)識別分類

遙感圖像的計(jì)算機(jī)分類，就是利用計(jì)算機(jī)技術(shù)來模擬人類的識別功能,對地球表面及其環(huán)境在遙感圖像上的信息進(jìn)行屬性的自動(dòng)判別和分類，達(dá)到提取所需地物信息的目的。

§8—1基礎(chǔ)知識1、模式與模式識別 所謂“模式”是指某種具有空間或幾何特征的東西。 對被識別的模式作一系列的測量，然后將測量結(jié)果與“模式字典”中一組“典型的”測量值相比較,得出所需要的分類結(jié)果。這一過程稱為模式識別.

xn

分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一測量矢量X劃入某一組預(yù)先規(guī)定的類別之中去。

自然模式接收器(傳感器)分類器(判決器)x2x1結(jié)果….模式識別系統(tǒng)的模型2、光譜特征空間及地物在特征空間中聚類的統(tǒng)計(jì)特性

光譜特征空間:以各波段圖像的亮度分布為坐標(biāo)軸組成的空間.

同類地物在特征空間形成一個(gè)相對聚集的點(diǎn)集群;

不同類地物的點(diǎn)集群在特征空間內(nèi)一般是相互分離的.

統(tǒng)計(jì)特征矢量（多維光譜特征空間）光譜特征空間及地物在特征空間中聚類的統(tǒng)計(jì)特性

地物與光譜特征空間的關(guān)系水土壤植被B5B7

特征點(diǎn)集群在特征空間中的分布大致可分為如下三種情況:理想情況——不同類別地特的集群至少在一個(gè)特征子空間中的投影是完全可以相互區(qū)分開的。

BiBj水植被土壤一般情況——無論在總的特征空間中，還是在任一子空間中，不同類別的集群之間總是存在重疊現(xiàn)象。這時(shí)重疊部分的特征點(diǎn)所對應(yīng)的地物，在分類時(shí)總會(huì)出現(xiàn)不同程度的分類誤差，這是遙感圖像中最常見的情況。水植被土壤典型情況——不同類別地物的集群，在任一子空間中都有相互重疊的現(xiàn)象存在，但在總的特征空間中可以完全區(qū)分的。這時(shí)可采用特征變換使之變成理想情況進(jìn)行分類。水植被土壤 地物在特征空間的聚類通常是用特征點(diǎn)（或其相應(yīng)的隨機(jī)矢量）分布的概率密度函數(shù)P（X）來表示的。假設(shè)特征點(diǎn)的統(tǒng)計(jì)分布屬于正態(tài)分布，則其概率密度函數(shù)可表達(dá)為：式是：X—特征向量

——均值向量；

Σ——協(xié)方差矩陣

§8-2特征變換及特征選擇一特征變換

1、主分量變換2、穗帽變換3、哈達(dá)瑪變換哈達(dá)瑪變換定義為：IH=H·X哈達(dá)瑪矩陣為一個(gè)對稱的正交矩陣，其變換核為H’由哈達(dá)瑪變換核可知，哈達(dá)瑪變換實(shí)際是將坐標(biāo)軸旋轉(zhuǎn)了45℃的正交變換

哈達(dá)瑪矩陣的維數(shù)N總是2的倍數(shù)，即N=2m （m=1，2……）其中m稱為矩陣的階，每個(gè)高階哈達(dá)瑪矩陣都由其低一階的哈達(dá)瑪矩陣按如下取二階哈達(dá)瑪變換矩陣

以MSS4，5，6，7四波段的陸地衛(wèi)星圖像的哈達(dá)瑪為換為例: IH=H·X IH=(h0h3h1h2)T h0=(x4+x5)+(x6+x7) h1=(x4+x5)-(x6+x7) h2=(x4-x5)-(x6-x7) h3=(x4-x5)+(x6-x7)有:h011x4+5

h11-1x6+7h211x4-5

h31-1x6-7==將它們投影到以X4+5X6+7

和X4-5X6-7形成的二個(gè)二維空間上

特征圖像h0集中了大量的土壤信息，并且對于把水同土壤與植被的混合體區(qū)分開來是有效的。而h1則有利于提取植被信息，即有利于把植被同水和土壤的混合體區(qū)分開來。h3和h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過程中可把其舍去，以達(dá)到數(shù)據(jù)壓縮的目的。4、比值變換和生物量指標(biāo)變換 比值變換圖像用作分類有許多優(yōu)點(diǎn)，它可以增強(qiáng)土壤，植被，水之間的輻射差別，壓抑地形坡度和方向引起的輻射量變化。該變換的幾何意義是地物集群沿輻射方向在IH1=1的直線上的投影 從圖中可以看出植物與土壤在7波段上有混淆；植物與水在5波段上有混淆。經(jīng)變換后，植物與土壤和水都分離開來，因此可獨(dú)立地對綠色植物量進(jìn)行統(tǒng)計(jì)，因而得名。二特征選擇

選擇一組最佳的特征影像進(jìn)行分類，這就稱為特征選擇。特征選擇的定量方法1、距離測度距離:如果所選擇的一組特征能使感興趣類別的類內(nèi)距離最小，而與其它類別的類間距離最大，那么根據(jù)距離測度；用這組特征設(shè)計(jì)的分類器分類效果最好。實(shí)際可使用標(biāo)準(zhǔn)化距離，類別均值間的標(biāo)準(zhǔn)化距離公式為：

類時(shí)間標(biāo)準(zhǔn)化距離越大的特征影像可分性越好2、散布矩陣測度 除了距離測度之外，實(shí)際應(yīng)用中還經(jīng)常采用一種散布矩陣的方式來度量類別的可分性，它是用矩陣形式來表示模式類別在特征空間中的散布情況。（1）類內(nèi)散布矩陣Sw

類內(nèi)散布矩陣表示屬于某一類別的模式在其均值周圍的散布情況，對于m類別情況，總的類內(nèi)散布矩陣可以寫成各類別類內(nèi)散布矩陣的先驗(yàn)概率P(Wi)加權(quán)和，即：

式中：m——所關(guān)心的類別總數(shù)

P(Wi)——類的先驗(yàn)概率

Σi——類的協(xié)方差矩陣

（2）類間散布矩陣Sb

類間散布矩陣表示了不同類別間相互散布的程度。類似地，對于m類別情況，總的類間散布矩陣也采用先驗(yàn)概率加數(shù)和表示式中：M0——是全體模式的均值向量

Mi——Wi的均值向量

（3）總體散布矩陣Sm

Sm

=Sw

+Sb

至此，完成了分類前預(yù)處理的一項(xiàng)重要工作，特征變換和特征選擇，下面就進(jìn)入分類處理階段的工作。

§8-3監(jiān)督分類

自動(dòng)識別分類監(jiān)督分類法非監(jiān)督分類法一監(jiān)督法分類

意味著對類別已有一定的先驗(yàn)知識，利用“訓(xùn)練樣區(qū)”的數(shù)據(jù)去“訓(xùn)練”判決函數(shù)就建立了每個(gè)類別的分類器,然后按照分類器對未知區(qū)域進(jìn)行分類。原始遙感圖像對應(yīng)的專題圖像監(jiān)督分類的思想1）確定每個(gè)類別的樣區(qū)2）學(xué)習(xí)或訓(xùn)練3）確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則4）計(jì)算未知類別的樣本觀測值函數(shù)值5）按規(guī)則進(jìn)行像元的所屬判別(一)判決函數(shù)和判決規(guī)則

判決函數(shù):當(dāng)各個(gè)類別的判別區(qū)域確定后，用來表示和鑒別某個(gè)特征矢量屬于哪個(gè)類別的函數(shù)。

判別規(guī)則

當(dāng)計(jì)算完某個(gè)矢量，在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個(gè)判斷的依據(jù)。

這種判斷的依據(jù)，我們稱之為判別規(guī)則。判斷特征矢量屬于某類的依據(jù)概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當(dāng)成分類判決函數(shù)（概率判決函數(shù)）貝葉斯判別規(guī)則：把X落入某集群wi的條件概率P(wi/X)最大的類為X的類別貝葉斯判別規(guī)則以錯(cuò)分概率或風(fēng)險(xiǎn)最小為準(zhǔn)則的判別規(guī)則。

1、概率判決函數(shù)和貝葉斯判決規(guī)則根據(jù)貝葉斯公式可得：

P(wi)——wi

類出現(xiàn)的概率，也稱先驗(yàn)概率。

P(wi/X)——在wi

類中出現(xiàn)X的條件概率， 也稱wi

類的似然概率。

P(X/wi)——X屬于wi

的后驗(yàn)概率。 由于P(X)對各個(gè)類別都是一個(gè)常數(shù)， 故可略去所以，判決函數(shù)可用下式表示：

為了計(jì)算方便，將上式可以用取對數(shù)方式來處理。即

同類地物在特征空間服從 正態(tài)分布，則類別的概率密度函數(shù):

去掉與i值無關(guān)的項(xiàng)對分類結(jié)果沒有影響，因此上式可簡化為：

相應(yīng)的貝葉斯判決規(guī)則為：若對于所有可能的j=1,2,···,m;j≠i有

>

,則X屬于

類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進(jìn)行的分類通常稱為最大似然分類法。

貝葉斯判決規(guī)則是以錯(cuò)分概率最小的最優(yōu)準(zhǔn)則判別邊界當(dāng)使用概率判別函數(shù)進(jìn)行分類時(shí)，不可避免地會(huì)出現(xiàn)錯(cuò)分現(xiàn)象。分類錯(cuò)誤的總概率2、距離判決函數(shù)和判決規(guī)則 基本思想是設(shè)法計(jì)算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類。 概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計(jì)性質(zhì)，距離判決函數(shù)偏重于集群分布的幾何位置。

根據(jù)距離判決函數(shù)分類距離判別規(guī)則是按最小距離判別的原則

馬氏（Mahalanobis）距離

歐氏（Euclidean）距離

計(jì)程（Taxi）距離

基于距離判別函數(shù)和判別規(guī)則，在實(shí)踐中以此為原理的分類方法稱為最小距離分類法。

1）馬氏距離

馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)方差。

判別函數(shù)：在各類別先驗(yàn)概率和集群體積|∑|

都 相同情況下的概率判別函數(shù)則有在馬氏距離的基礎(chǔ)上，作下列限制將協(xié)方差矩陣限制為對角的沿每一特征軸的方差均相等歐氏距離是馬氏距離用于分類集群的形狀都相同情況下的特例。

2）歐氏距離

則有X到集群中心在多維空間中距離的絕對值之總和來表示

3）計(jì)程（Taxi）距離3、其它的判決函數(shù)和判決規(guī)則盒式分類法基本思想:

以一個(gè)包括該集群的“盒子”作為該集群的判別函數(shù)。

判決規(guī)則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較。例如 對于A類的盒子，其邊界（最小值和最大值）分別是X1=a、X1=b；X2=c、X2=d。這種分類法在盒子重疊區(qū)域有錯(cuò)分現(xiàn)象。錯(cuò)分與比較盒子的先后次序有關(guān)。

(二)分類過程

原始影像數(shù)據(jù)的準(zhǔn)備圖像變換及特征選擇分類器的設(shè)計(jì)初始類別參數(shù)的確定逐個(gè)像素的分類判別形成分類編碼圖像輸出專題圖水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域計(jì)算每個(gè)類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍(lán)255將樣本數(shù)據(jù)在特征空間進(jìn)行聚類根據(jù)判別函數(shù)逐個(gè)像素的分類判別??????？1老城區(qū)1分類結(jié)果影像的形成分類得到的專題圖(三)影響監(jiān)督分類精度的幾個(gè)方面:1.特征變換和特征選擇 根據(jù)感興趣地物的特征進(jìn)行有針對性的特征變換，加快分類速度，提高分類精度。

2.分類的類別數(shù)與實(shí)際是否相符?

3.訓(xùn)練樣區(qū)的選擇 訓(xùn)練樣區(qū)的選擇要注意準(zhǔn)確性、代表性和統(tǒng)計(jì)性三個(gè)問題。 準(zhǔn)確性就是要確保選擇的樣區(qū)與實(shí)際地物的一致性 代表性一方面指所選擇區(qū)為某一地物的代表，另一方面還要考慮到地物本身的復(fù)雜性，所以必須在一定程度上反映同類地物光譜特性的波動(dòng)情況 統(tǒng)計(jì)性是指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元。4.判決函數(shù)和判決規(guī)則

(四)監(jiān)督法分類的優(yōu)缺點(diǎn)優(yōu)點(diǎn)：

.根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別， 避免出現(xiàn)一些不必要的類別；

.可以控制訓(xùn)練樣本的選擇

.可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精 確分類，從而避免分類中的嚴(yán)重錯(cuò)誤,分類精 度高

.避免了非監(jiān)督分類中對光譜集群的重新歸類

.分類速度快主觀性；由于圖象中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性；訓(xùn)練樣本的獲取和評估花費(fèi)較多人力時(shí)間；只能識別訓(xùn)練中定義的類別。缺點(diǎn)本節(jié)小結(jié)監(jiān)督法分類的基本思想最大似然法和最小距離法分類的原理錯(cuò)分情況分析§8-4非監(jiān)督分類 二非監(jiān)督分類 僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進(jìn)行“盲目”的分類； 其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的。 一般的聚類算法是先選擇若干個(gè)模式點(diǎn)作為聚類的中心。 每一中心代表一個(gè)類別，按照某種相似性度量方法（如最小距離方法）將各模式歸于各聚類中心所代表的類別，形成初始分類。 然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運(yùn)算，直到合理為止。(一)K-均值聚類法

K-均值算法的聚類準(zhǔn)則是使每一聚類中，多模式點(diǎn)到該類別的中心的距離的平方和最小。

基本思想是：通過迭代，逐次移動(dòng)各類的中心，直至得到最好的聚類結(jié)果為止。

缺點(diǎn):這種算法的結(jié)果受到所選聚類中心的數(shù)目和其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素的影響，并且在迭代過程中又沒有調(diào)整類數(shù)的措施，因此可能產(chǎn)生不同的初始分類得到不同的結(jié)果。(二)ISODATA算法聚類分析 可以自動(dòng)地進(jìn)行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。

選定初始類別中心輸入迭代限值參數(shù):I,Tn,TS,TC對樣本像素進(jìn)行聚類并統(tǒng)計(jì)ni,m,σni<Tn取消第i類是迭代次數(shù)=I或相鄰兩次迭代類別中心變動(dòng)小于限值σ>TS

確定分裂后的中心DIK<TC

確定并類后的中心輸出否否是否否是ISODATA算法過程框圖

每類集群允許的最大標(biāo)準(zhǔn)差

集群允許的最短距離

每類集群至少的點(diǎn)數(shù)

是迭代次數(shù)(三)平行管道法聚類分析 它以地物的光譜特性曲線為基礎(chǔ)，同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。 這種聚類方法實(shí)質(zhì)上是一種基于最鄰近規(guī)則的試探法。§8-5非監(jiān)督分類與監(jiān)督分類的結(jié)合

通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)域“訓(xùn)練”計(jì)算機(jī)。使分類精度得到保證的前提下，分類速度得到了提高。

§8-6分類后處理和誤差分析一分類后處理1、分類后專題圖像的格式遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別。原始遙感圖像對應(yīng)的專題圖像2、分類后處理 用光譜信息對影像逐個(gè)像元地分類，在結(jié)果的分類地圖上會(huì)出現(xiàn)“噪聲” 產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯(cuò)分類，以及其它原因等。 另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失。多數(shù)平滑:平滑時(shí)中心像元值取周圍占多數(shù)的 類別。平滑前后的一個(gè)例子二分類后的誤差分析

利用一些樣本對分類誤差進(jìn)行估計(jì)。 采集樣本的方式有三種類型：

﹡來自監(jiān)督分類的訓(xùn)練樣區(qū)；

﹡專門選定的試驗(yàn)場；

﹡隨機(jī)取樣。

混淆矩陣分類精度的評定實(shí)際類別試驗(yàn)像元的百分比%類別1類別2類別3試驗(yàn)像元12384.34.910.88.580.311.26.14.189.8100%102100%152100%49平均精度S=（84.3%+80.3%+89.8%）/3=84.8%加權(quán)平均精度S=（84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2%§8-7非光譜信息在遙感圖像分類中的應(yīng)用一高程信息在遙感圖像分類中的應(yīng)用

1.地面高程“影像”可以直接與多光譜影像一起對分類器進(jìn)行訓(xùn)練

2.將地形分成一些較寬的高程帶，將多光譜影像按高程帶切片（或分層），然后分別進(jìn)行分類。

3.智能的方法(神經(jīng)元網(wǎng)絡(luò)方法等)7.5米等高線DEM影像

二紋理信息在遙感圖像分類中的應(yīng)用

紋理信息提取:目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機(jī)場方法等。Cosmo-SkyMed高分辨率雷達(dá)圖像1.紋理影像直接與多光譜影像一起對分類器進(jìn)行訓(xùn)練2.先利用多光譜信息對遙感圖像進(jìn)行自動(dòng)分類。再利用紋理特征對光譜分類的結(jié)果進(jìn)行進(jìn)一步的細(xì)分3.智能的方法(神經(jīng)元網(wǎng)絡(luò)方法等)§8－9計(jì)算機(jī)自動(dòng)分類的新方法一面向?qū)ο蟮倪b感信息提取

問題的提出基于像素級別的信息提取以單個(gè)像素為單位,過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息提取的精度

方法首先對圖像數(shù)據(jù)進(jìn)行影像分割,影像的最小單元不再是單個(gè)的像素，而是一個(gè)個(gè)對象(圖斑),

后續(xù)的影像分析和處理也都基于對象進(jìn)行。

優(yōu)點(diǎn)

面向?qū)ο蟮倪b感信息提取，綜合考慮了光譜統(tǒng)計(jì)特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果。二神經(jīng)元網(wǎng)絡(luò)方法

（ArtificialNeuralNetwroks，簡稱ANN）

人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體作出交互反應(yīng)。

ANN與經(jīng)典計(jì)算方法相比

ANN對處理大量原始數(shù)據(jù)而不能用規(guī)則或公式描述的問題,表現(xiàn)出極大的靈活性和自適應(yīng)性。

前饋型BP網(wǎng)絡(luò)即誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)是最常用、最流行的神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)建模特點(diǎn)：非線性映照能力：神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何非線性連續(xù)函數(shù)。在建模過程中的許多問題正是具有高度的非線性。并行分布處理方式：在神經(jīng)網(wǎng)絡(luò)中信息是分布儲(chǔ)存和并行處理的，這使它具有很強(qiáng)的容錯(cuò)性和很快的處理速度。自學(xué)習(xí)和自適應(yīng)能力：神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識，記憶于網(wǎng)絡(luò)的權(quán)值中，并具有泛化能力，即將這組權(quán)值應(yīng)用于一般情形的能力。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也可以在線進(jìn)行。數(shù)據(jù)融合的能力：神經(jīng)網(wǎng)絡(luò)可以同時(shí)處理定量信息和定性信息，因此它可以利用傳統(tǒng)的工程技術(shù)（數(shù)值運(yùn)算）和人工智能技術(shù)（符號處理）。多變量系統(tǒng)：神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量的數(shù)目是任意的，對單變量系統(tǒng)與多變量系統(tǒng)提供了一種通用的描述方式?；綛P網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)b1bia1c1cqcjahbpan………………Wp1WiqWpjW1qW1jWijV11W11WpqWi1Vh1VhiV1iVn1VniV1pVhpVnp輸出層LC隱含層LB輸入層LAWV

BP網(wǎng)絡(luò)的訓(xùn)練就是通過應(yīng)用誤差反傳原理不斷調(diào)整網(wǎng)絡(luò)權(quán)值使網(wǎng)絡(luò)模型輸出值與已知的訓(xùn)練樣本輸出值之間的誤差平方和達(dá)到最小或小于某一期望值。 由于BP網(wǎng)絡(luò)采用誤差反傳算法，其實(shí)質(zhì)是一個(gè)無約束的非線性最優(yōu)化計(jì)算過程，在網(wǎng)絡(luò)結(jié)構(gòu)較大時(shí)不僅計(jì)算時(shí)間長，而且很容易限入局部極小點(diǎn)而得不到最優(yōu)結(jié)果。

學(xué)習(xí)率影響系統(tǒng)學(xué)習(xí)過程的穩(wěn)定性 大的學(xué)習(xí)率可能使網(wǎng)絡(luò)權(quán)值每一次的修正量過大，甚至?xí)?dǎo)致權(quán)值在修正過程中超出某個(gè)誤差的極小值呈不規(guī)則跳躍而不收斂； 但過小的學(xué)習(xí)率導(dǎo)致學(xué)習(xí)時(shí)間過長，不過能保證收斂于某個(gè)極小值。所以，一般傾向選取較小的學(xué)習(xí)率以保證學(xué)習(xí)過程的收斂性（穩(wěn)定性），通常在0.01~0.8之間。決策樹分類器

決策樹分類器

三決策樹分類法一個(gè)較大的決策樹中可以使用不同的分類算法，稱之為復(fù)合決策樹即通過在一個(gè)決策空間內(nèi)使用不同的分類算法可使一些特定子類和特定子數(shù)據(jù)集的劃分更為準(zhǔn)確。復(fù)合決策樹的最大優(yōu)點(diǎn)在于它可以用來處理復(fù)雜的分類問題,使該算法更具彈性和擴(kuò)展性，分類精度也大為提高。

四專家系統(tǒng)方法將某一領(lǐng)域的專家分析方法或經(jīng)驗(yàn)，對對象的多種屬性進(jìn)行分析、判斷，確定事物的歸屬。其核心內(nèi)容是知識庫和推理機(jī)專家系統(tǒng)的特長：

1）靈活性。專家系統(tǒng)可能具有大量的知識，并且其知識庫可以按照一定的規(guī)則增加、修改和刪除知識以適應(yīng)應(yīng)用的需要。

2）持久性。系統(tǒng)貯存的知識是持久的，它不像人類專家那樣會(huì)退休、或者死亡，專家系統(tǒng)的知識會(huì)無限地持續(xù)。3）具有解釋、說明功能。專家系統(tǒng)能明確、詳細(xì)地解釋導(dǎo)出結(jié)論的推理過程。一個(gè)人可能會(huì)討厭、不愿意或是沒有能力給出詳細(xì)而明確的推理過程。4）復(fù)合專家知識。由多個(gè)專家復(fù)合起來的知識，其水平肯定會(huì)超過某個(gè)單獨(dú)的專家。5）穩(wěn)定、理智、及時(shí)和完整的響應(yīng)。專家可能由于壓力或疲勞而不能高效的解決問題，專家系統(tǒng)可能比專家反應(yīng)得更加迅速或更有效。

五基于GIS的遙感圖像分類方法

將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗(yàn)性知識綜合集成用于新的遙感圖像的分類中，不僅可以促進(jìn)GIS數(shù)據(jù)更新的自動(dòng)化，而且還可以得到比常規(guī)最大似然法高的分類精度。提出從GIS空間數(shù)據(jù)庫中挖掘知識用以輔助遙感影像分類，以提高分類精度六模糊分類方法

在分析事物的隸屬關(guān)系，即分類時(shí)，一般須以某數(shù)學(xué)模型計(jì)算它對于所有集合的隸屬度，然后根據(jù)隸屬度的大小，確定歸屬。模糊等價(jià)關(guān)系的模糊聚類步驟：（1）確定分類對象及所使用的屬性。設(shè)分類對象的全體為s={s1，s2，s3，