ENVI监督分类避坑指南:如何用支持向量机提升地物分类精度

ENVI 5.6 监督分类对比:最大似然、SVM、神经网络3种算法精度与效率实测 本文深入评测了ENVI 5.6中最大似然、SVM和神经网络三种监督分类算法在Landsat 8 OLI影像上的精度与效率。通过实验数据对比,发现SVM(RBF核)在分类精度上表现最佳(OA 88.7%),而最大似然法在计算效率上优势明显(仅46秒)。文章为不同应用场景提供了算法选择建议和参数调优指南,特别适合遥感影像处理与地物识别领域的从业者参考。 阅读详情

ENVI监督分类避坑指南:如何用支持向量机提升地物分类精度

你是否曾在ENVI中完成监督分类后,看着那幅斑驳陆离、地物边界模糊的分类图陷入沉思?明明按照标准流程操作,样本也认真勾画了,为什么结果总是不尽如人意,甚至在某些区域出现明显的“椒盐噪声”或类别混淆?这几乎是每一位从ENVI基础操作迈向进阶应用的用户都会遇到的瓶颈。监督分类,尤其是像支持向量机(SVM)这类强大的算法,其效果绝非简单地“点几下按钮”就能最大化。它更像是一门需要精细调校的艺术,从样本的“质”与“量”,到算法参数的“深”与“浅”,每一步都藏着影响最终精度的“坑”。

本文不打算重复那些随处可见的“点击这里,再点击那里”的基础教程。我们将直接切入核心,面向那些已经熟悉ENVI监督分类基本流程,但渴望将分类精度从“能用”提升到“专业”的中级用户。我们将以支持向量机(SVM) 为主要工具,深入探讨如何通过优化样本策略和参数设置,来显著提升遥感影像的地物分类效果。你会发现,避开几个常见的误区,你的分类图将焕然一新。

1. 样本的“质”与“量”:超越ROI勾画的科学

几乎所有教程都会告诉你,监督分类的第一步是制作感兴趣区(ROI)。但很少有人深入告诉你,什么样的ROI才是“好”的ROI。错误的样本是错误结果的根源,其影响远大于后续算法选择。

1.1 样本的“纯净度”与“代表性”:从像素到地物光谱认知

勾画ROI时,一个致命的习惯是追求“面积大”,在影像上拉一个大范围的多边形,试图涵盖一整片林地或农田。这引入了巨大的光谱变异性。一片健康的森林,其树冠顶部(阳面)、中部(阴影区)和边缘的光谱特征差异显著。将它们混在同一个ROI里,相当于告诉分类器:“这些看起来完全不同的东西属于同一类。” 分类器会因此学习到一个非常宽泛、模糊的光谱范围,导致分类时过度泛化,极易与其他类别混淆。

正确的做法是追求“纯净”和“典型”:

  • 分区域采样:对于同质性地物(如大面积水体、均一农田),应在影像不同位置选取多个小范围、高纯度的样本区,而不是一个超大样本区。
  • 覆盖地物内部变异:对于有内部变异的地物(如森林),应分别采集阳面、阴面、边缘的独立小样本,让分类器学习到该类地物的完整光谱分布。
  • 避开混合像元:坚决避免在两种地物边界处采样。一个像元如果一半是道路,一半是土壤,它就不属于任何一类的“纯净”样本。

提示:在ENVI中新建ROI时,将绘制工具设置为“多边形”后,可以按住Shift键进行单击,绘制折线,最后双击闭合。对于小范围纯净区采样,这比自由绘制矩形更精准。

1.2 样本的“平衡性”与“分离性”:数据驱动的客观评估

样本制作完成后,我们常依赖“计算ROI分离性”这个功能。报告里那个“大于1.9即合格”的经典经验值真的可靠吗?实际上,这个阈值(Jeffries-Matusita距离或转换分离度)需要谨慎看待。

首先,样本类别严重不平衡是另一个隐形杀手。如果你为“城镇”采集了5000个像素,而为“裸土”只采集了200个像素,大多数分类算法(包括SVM)会倾向于偏向样本量大的类别。在训练时,模型会花更多精力去拟合“城镇”的复杂模式,而“裸土”由于数据量少,其特征容易被忽视,导致在分类图中裸土区域被误分为城镇或其他类别。

建议的样本量策略如下表所示:

地物类别复杂度建议最小像素数采样策略
均一水体低100 - 300在影像不同区域选取3-5个小纯净区
均一农田中300 - 500按作物生长阶段(如有)分区采样
混合林地高500 - 1000+必须分阳面、阴面、树种(如能区分)独立采样
城镇建设用地极高1000 - 2000+分屋顶材质(金属、沥青、混凝土)、道路、阴影区采样

其次,看待分离性报告时,不要只盯着是否大于1.9。你应该关注分离性最低的那几对类别。例如,报告显示“林地”与“灌木”的分离性为1.85,虽然接近但未达标。这就是一个明确的预警信号,告诉你这两类在光谱上非常相似,是后续分类混淆的“重灾区”。对此,你需要:

  1. 检查样本纯度:回到影像,检查“林地”和“灌木”的ROI是否真的纯净,有无相互掺杂。
  2. 考虑特征增强:是否可以引入其他数据源或衍生特征(如纹理特征、植被指数)来增加区分度?
  3. 考虑类别合并:如果业务上允许,且光谱确实无法区分,考虑将这两类合并为一个更宽泛的类别(如“木本植被”)。
# 模拟思考过程:当分离性不足时
if separation_score < 1.9:
    action = [
        "重新评估并净化ROI样本",
        "尝试引入NDVI、NDWI等指数作为额外分类波段",
        "在ENVI的SVM工具中尝试使用不同的核函数",
        "评估是否需要进行类别合并"
    ]
    print(f"类别对分离性({separation_score})较低,建议操作:{action}")

2. 支持向量机(SVM)参数详解:从“黑箱”到“可控”

选择支持向量机进行分类后,面对那个参数设置对话框,很多人会直接点击“OK”使用默认值。这相当于把一把精密的狙击枪当烧火棍用。SVM的核心优势在于其处理高维、非线性问题的能力,而这完全由几个关键参数控制。

2.1 核函数(Kernel Type):选择解决问题的“维度”

这是SVM最重要的参数,决定了算法如何将数据映射到高维空间进行线性分割。

  • 线性核(Linear):最简单。假设数据在原始特征空间就是线性可分的。适用于地物光谱特征差异非常明显、类别间分离度极高的情况。如果数据本身线性可分,用线性核能获得最快速度和最好的泛化能力。 但在遥感中,这种情况较少。
  • 多项式核(Polynomial):通过多项式将数据映射到更高维空间。需要设置多项式次数(Degree)。次数越高,模型越复杂,越容易过拟合(在训练样本上精度极高,但在新数据上表现糟糕)。遥感分类中较少作为首选。
  • 径向基函数核(RBF / Gaussian):这是遥感影像分类中最常用、最有效的核函数。 它可以将数据映射到无限维空间,通过一个参数Gamma来控制单个样本的影响范围。它擅长处理复杂的非线性关系,正是各地物类别光谱曲线交织混杂时所需要的。

如何选择?一个实用的流程是:

  1. 首先尝试RBF核,它在大多数情况下都能取得不错的效果。
  2. 如果分类结果出现严重的“过拟合”(训练样本区完美分类,但其他同类别区域错分很多),可以尝试换用线性核看看基础分离情况。
  3. 多项式核通常作为备选,在特定研究中有其用途。

2.2 惩罚参数(C)与Gamma参数:平衡“宽容”与“精确”

当使用RBF核时,Gamma和惩罚参数C共同决定了模型的复杂度。

  • 惩罚参数(C):控制对错误分类样本的惩罚力度。
    • C值越大,模型越不能容忍错误,会尽可能将所有训练样本都分类正确,导致决策边界非常复杂,容易过拟合。
    • C值越小,模型允许一些训练样本被错分,决策边界更平滑,泛化能力可能更好,但可能欠拟合。
  • Gamma参数:定义了单个训练样本的影响范围。
    • Gamma值越大,每个样本的影响范围越小,决策边界越曲折,越依赖邻近的样本,也容易过拟合。
    • Gamma值越小,样本的影响范围越大,决策边界越平滑,可能欠拟合。

在ENVI的SVM面板中,这两个参数通常有默认值,但针对你的特定影像,调参至关重要。一个经典的“避坑”经验是:

注意:ENVI中Pyramid参数用于处理大数据时的分级采样,Classification Probability Threshold用于设置概率阈值,低于此阈值的像元会被归为“未分类”。在初次运行时,可先使用默认值,待主要参数(C, Gamma)调优后再调整概率阈值以处理不确定性像元。

如何进行参数调优? ENVI Classic版本可能功能有限,但在ENVI新版或通过ENVI Modeler,可以设计简单的网格搜索实验。思路是:

  1. 固定一个参数(如C=100),变化Gamma值(例如0.01, 0.1, 1, 10)进行分类,观察分类结果图的变化。
  2. 选择一个效果较好的Gamma,再变化C值(例如1, 10, 100, 1000)。
  3. 观察指标:不仅看整体分类图,更要聚焦在已知的“困难区分区”(如之前分离性低的林地-灌木边界)。目标是找到一个组合,使得这些边界清晰合理,同时整幅图的“椒盐噪声”最少。

3. 特征工程:给SVM更好的“眼睛”

我们通常直接将多光谱波段丢给分类器。但有时,原始波段并不能最好地表达地物间的差异。特征工程就是创建对分类任务更有帮助的新特征。

  • 植被指数:如NDVI,能极大增强植被与非植被的对比度。将NDVI作为一个额外波段加入分类,能显著提升植被类别的分类精度。
  • 纹理特征:对于区分“城镇”(纹理粗糙)和“农田”(纹理均匀)非常有效。ENVI的Texture工具可以计算灰度共生矩阵(GLCM)特征,如熵、对比度、同质性等。将这些纹理图像作为额外波段输入SVM。
  • 主成分分析(PCA):如果波段间相关性很强(如多光谱数据),可以用PCA压缩数据,剔除噪声,并将前几个主成分作为输入特征,有时能提升效率和精度。

操作示例:创建并叠加NDVI特征

  1. 在ENVI Toolbox中,选择Band Algebra -> Spectral Indices -> NDVI。
  2. 计算得到NDVI灰度图。其值域为[-1,1]。
  3. 在进行SVM分类时,在Select Input File步骤,不要只选原始多光谱影像。使用File -> Open As -> New File Builder,或者直接在SVM对话框的文件选择中,通过Spectral Subset或Import...功能,将原始波段和NDVI波段(以及任何其他你创建的特征波段)同时选中,作为一个多波段虚拟文件进行输入。
# 概念性步骤,非ENVI命令
# 1. 计算衍生特征:NDVI, Texture_Entropy, PCA1, PCA2
# 2. 堆叠特征:原始波段 + 衍生特征波段 = 增强的特征集
# 3. 使用增强的特征集进行SVM分类

这样做相当于为SVM提供了更丰富、判别力更强的信息,其分类能力自然会上一个台阶。

4. 后处理与精度验证:让结果经得起推敲

点击“OK”得到分类图远不是终点。未经后处理的分类图往往充满孤立的像元(椒盐噪声),而缺乏精度验证的结果则是没有说服力的。

4.1 分类后处理:平滑与优化

ENVI提供了强大的后处理工具,位于Classification -> Post Classification下。

  • 聚类处理(Clump):将空间上相邻的、属于同一类别的像元聚合在一起,形成连续斑块。可以设置一个大小阈值,剔除掉小于该阈值的孤立像元组。这是消除椒盐噪声最有效的方法之一。
  • 过滤处理(Sieve):与聚类类似,但逻辑稍有不同,它基于像元连通性来过滤小图斑。通常先做聚类,再做过滤,效果更佳。

一个常见的处理流程是:

  1. 使用Clump Classes,设置一个较小的距离阈值(如4-8像元),将微小斑块聚合。
  2. 紧接着使用Sieve Classes,设置一个最小斑块大小(如6-10像元),将小于该面积的斑块合并到其周围最大的邻接类别中。 经过这两步,你的分类图会变得干净、平滑,更符合实际地物的连续分布情况。

4.2 精度评估:用数据说话

永远不要仅凭“肉眼看着舒服”来评价分类结果。必须进行定量化的精度验证。

  1. 收集验证样本:在制作训练ROI时,就应有意识地在不同区域预留一部分独立的、未参与训练的纯净样本点或区域作为验证样本。这是最科学的方法。
  2. 生成混淆矩阵:在ENVI中,使用Classification -> Post Classification -> Confusion Matrix工具。选择你的分类结果图和验证样本ROI文件。
  3. 解读关键指标:
    • 总体精度(Overall Accuracy):所有正确分类的像元占总验证像元的比例。这是最直观的指标。
    • Kappa系数:考虑了随机分类可能带来的正确率,比总体精度更严谨。Kappa > 0.8 表明一致性极好,0.6-0.8为高度一致。
    • 生产者精度(Producer‘s Accuracy):对于某个类别,正确分到该类的像元数占真实参考中该类像元总数的比例。反映了分类器对该类别的“查全”能力。
    • 用户精度(User‘s Accuracy):对于分类结果中的某个类别,正确像元数占分到该类总像元数的比例。反映了分类结果中该类别的“查准”能力。

通过混淆矩阵,你可以清晰地看到哪些类别之间最容易混淆(非对角线上的高值),从而回头去检查样本或调整参数。例如,如果“草地”的用户精度很低,说明很多被分为草地的像元其实是别的类别,可能需要增加草地的训练样本纯度或调整SVM参数使其决策边界更严格。

地物分类精度的提升,是一个从“流程操作”到“策略思考”的跨越。它要求我们不仅会使用ENVI这个工具,更要理解其背后的机器学习原理(如SVM)和遥感地学知识。每一次样本的精心挑选,每一个参数的反复试验,都是向更精准、更可靠的地理信息产品迈进的一步。在实际项目中,我常常会为同一区域保存多套不同参数、不同样本集的分类结果,进行交叉对比,最终选择那个在视觉效果和定量精度上都最优的版本。这个过程没有唯一的捷径,但掌握了这些方法论和避坑点,你至少能确保自己走在最高效的那条路上。

城市地物分类实战:用ENVI对比最小距离、最大似然和SVM,谁才是精度王者? 本文通过ENVI软件对比了最小距离、最大似然和支持向量机(SVM)在城市地物分类中的性能表现。实验使用高分一号卫星影像数据,详细分析了三种算法在精度、效率和适用场景上的差异,结果显示SVM在分类精度上表现最优,尤其适用于复杂城市地物分布的场景。 阅读详情

相关推荐

ENVI实战:从最小距离到支持向量机,遥感图像监督分类全流程解析

本文详细解析了ENVI在遥感图像监督分类中的全流程,从最小距离法到支持向量机(SVM)的实战应用。通过数据准备、ROI绘制、分类方法选择及精度验证等步骤,帮助读者掌握遥感图像分类的核心技术。特别推荐支持向量机在小样本情况下的优异表现,并结合实际案例展示了其高达98%的分类精度。

weixin_30314813的博客 687

ENVI实现支持向量机分类和神经网络分类

在工具栏,图像分类-监督分类-支持向量机。神经网络同样的,包括其他的也是。标签就是感兴趣区域ROI。

知识搬运者 3444

遥感小白也能搞定!用ENVI 5.6对高分影像做监督分类(附样本选择避坑指南)

本文详细介绍了如何使用ENVI 5.6进行高分影像的监督分类,特别针对遥感新手提供了从数据准备到分类后处理的完整流程指南。重点解析了样本选择这一关键环节的避坑技巧,包括ROI创建、样本优化策略以及SVM分类器参数设置,帮助用户提升分类精度和效率。

weixin_30300225的博客 223

ENVI实现遥感图像的最小距离、最大似然、支持向量机分类

本文介绍基于软件,实现与三种遥感图像方法的具体操作,同时进行操作,并对不同分类方法结果加以对比分析。

知识搬运者 6171

3 种监督分类算法对比:最大似然法、SVM、随机森林在遥感影像中的精度与效率

本文深入对比了遥感影像处理中三种监督分类算法——最大似然法、SVM和随机森林的精度与效率。通过真实案例数据,详细分析了各算法在ENVI和ArcGIS Pro平台中的表现差异,为工程师和研究人员提供关键决策参考。测试结果显示,随机森林在总体精度和Kappa系数上表现最优,而最大似然法在计算效率上更具优势。

weixin_33851177的博客 399

ENVI监督分类实战:从影像加载到shp输出的完整流程(附样本分离性分析技巧)

本文详细介绍了ENVI监督分类的完整流程,从影像加载到shp输出,特别强调了样本分离性分析的关键技巧。通过实战案例和高效工具使用指南,帮助用户提升遥感影像分类的准确性和效率,适用于土地利用、环境监测等领域。

pytorch8learner的博客 629

ENVI实战:监督分类全流程解析

本文详细解析了ENVI监督分类的全流程,从影像加载、样本制作到分类算法选择与实施,提供了实战技巧和常见问题解决方案。通过ENVI工具,用户可以高效完成遥感影像分类,特别适合初学者和需要提升分类精度的专业人士。

yy01234的博客 994

ENVI监督分类实战:5分钟搞定遥感图像分割(附详细参数设置)

本文详细介绍了利用ENVI软件进行遥感影像监督分类的实战流程。通过基于样本的特征提取工作流,重点解析了尺度与融合度等核心参数的设置技巧,并结合Landsat数据案例,指导用户如何高效完成影像分割、样本选择与分类,旨在帮助用户快速掌握面向对象的分类方法,实现精准的遥感图像分割。

weixin_29062963的博客 529

遥感分类避坑指南:用ENVI做监督分类时90%人会犯的3个错误

本文详细解析了使用ENVI进行遥感监督分类时90%用户常犯的3个关键错误,包括样本纯化不足、波段选择不当和后处理缺失。通过Landsat8数据实例,提供专业解决方案和优化策略,帮助提升土地利用图分类精度,特别推荐支持向量机(SVM)在高维数据中的应用。

xxx12的博客 692

遥感监督分类结果编辑:从算法输出到可用成果的ENVI实战指南

监督分类是遥感图像处理中的核心技术,其原理是通过训练样本让计算机学习地物光谱特征,从而对影像像元进行自动类别判定。然而,由于‘同物异谱’和‘同谱异物’等光谱混淆现象,以及空间上下文信息的缺失,分类结果常出现椒盐噪声和类别错分,直接影响面积统计、变化检测等后续分析的精度与可信度。因此,分类后处理成为提升数据可用性和工程价值的关键环节,其核心在于修正误差、优化边界,使机器输出符合地理常识与专题应用需求。ENVI作为经典遥感平台,提供了从像元级直接编辑、基于聚类与筛除的自动化去噪,到结合矢量工具与混淆矩阵的精细化

weixin_33402252的博客 287

python等级考试——一级知识点汇总(不包含turtle画图)

本篇文章是针对中国电子学会青少年编程等级考试的,适合初学者以及青少年编程学习者

weixin_65350557的博客 9038

ENVI监督分类实战:从样本制作到分类结果导出ArcGIS全流程详解

本文详细解析了ENVI监督分类的完整实战流程,从样本制作、算法选择到分类后处理,并重点介绍了如何将分类结果导出至ArcGIS进行矢量化和深度分析。通过支持向量机等算法应用及样本可分离性评估,确保分类精度,最终实现从遥感影像到GIS可用矢量数据的无缝转换,为地表覆盖信息提取提供了一套高效、可靠的操作指南。

z5a6b的博客 694

避坑指南:ZYNQ PS端读写BRAM时容易忽略的5个配置细节(基于Vivado 2022.1)

本文基于Vivado 2022.1,总结了ZYNQ PS端读写单口BRAM时5个易被忽略的关键配置细节。内容涵盖关闭Safety Circuit以优化时序、精确匹配AXI控制器与BRAM的地址深度、注意PS端函数位宽与地址对齐、正确连接时钟复位域,并提供了实用的调试技巧与诊断代码,帮助工程师规避常见陷阱,确保数据交互稳定可靠。

net55的博客 375

ENVI支持向量机监督分类实战:从遥感影像到土地利用图

本文详细介绍了使用ENVI支持向量机(SVM)进行遥感影像监督分类的完整流程,从数据预处理到土地利用图生成。通过实战案例和技巧分享,帮助读者掌握训练样本选择、SVM参数设置、分类后处理等关键步骤,提升遥感影像分类精度和效率,适用于国土调查、生态监测等应用场景。

weixin_28256233的博客 458

A-Level CS 计算机科学 考试知识点——考试介绍&第1章

前言:该系列文章是本人在给学生辅导本课程的过程中结合英文教材所总结的,该系列共分为30章,主要介绍了考试的核心知识点。若需要A-Level CS 计算机科学考试辅导也可以私信我。 目录 关于A-Level CS 计算机科学考试 考试简介 考试内容 考试时间 评分情况 第1章 信息表示 本章学习内容 1.01 数字系统 1.02 数字的内部编码 整数编码(Coding for integers) 二进制编码的十进制(Binary coded decimal——BCD) 1.03.

王俊的博客 6460

SpringBoot文件上传实战:MultipartFile重复读取的3种方法(附避坑指南)

本文详细介绍了SpringBoot中处理MultipartFile重复读取的3种实用方法,包括字节数组缓存法、临时文件法和流重置法,并提供了避坑指南和性能优化技巧。特别适合需要多次读取上传文件内容的开发者,帮助解决InputStream流只能读取一次的问题。

weixin_28710999的博客 399

ENVI 5.3 监督分类实战:3种算法对比与精度验证(附混淆矩阵)

本文详细评测了ENVI 5.3平台下三种监督分类算法(最小距离法、最大似然法和支持向量机)的性能差异,通过GF-1卫星影像实验对比分类精度与效率。结果显示SVM算法综合表现最优(总体精度91.3%),同时提供混淆矩阵分析、参数优化建议及工程应用方案,为遥感影像分类提供实用技术参考。

weixin_34355559的博客 326

Eigen 直线拟合/曲线拟合/圆拟合/椭圆拟合

使用Eigen库进行直线拟合是数据分析和科学计算中的常见任务,主要通过最小二乘法实现。该代码演示了二维空间中的直线拟合,输出斜率和截距。

深之JohnChen的专栏 1603

ENVI 5.3 监督分类实战:支持向量机(SVM)实现85%+分类精度的3个关键步骤

本文详细介绍了在ENVI 5.3中使用支持向量机(SVM)进行遥感影像监督分类的3个关键步骤,帮助实现85%以上的分类精度。通过样本工程优化、核函数调参技巧以及后处理流程,显著提升分类效果,特别适合地信分析工程师和遥感研究人员参考实践。

weixin_29061425的博客 228

基于NARX和NARX-LSTM的模型辨识与MPC控制系统调试与优化

本文针对两输入单输出非线性系统,提出基于NARX和NARX-LSTM的模型辨识与MPC控制优化方案。系统输入为固定量u1和可调量u2(8.5-140),输出目标为-0.58。现有模型存在辨识精度不足、历史输出依赖过重、预测偏差等问题。解决方案包括:数据差分处理改善非平稳性、调整延迟阶数优化模型结构、引入注意力机制替代手动加权、改进损失函数消除预测偏差。MPC控制器将结合优化模型,考虑控制变量步长约束(≥2),实现输出稳定控制。通过系统性的模型调试与控制算法优化,最终形成完整的非线性系统辨识与控制框架。

huanghm88的专栏 132

Python爬虫实战:携程/飞猪酒店信息爬取与动态价格分析

在当今数字化旅游时代,酒店预订平台的复杂筛选条件和动态定价机制为数据分析和价格监控带来了巨大挑战。本文将深入探讨如何使用最新的Python爬虫技术来抓取携程和飞猪平台的酒店信息,处理复杂的筛选条件,并解析动态价格数据。本文详细介绍了如何使用最新的Python爬虫技术来抓取携程和飞猪平台的酒店信息。通过结合httpxplaywrightparsel强大的反反爬虫能力:通过浏览器指纹伪装、请求签名、智能延迟等技术应对各种反爬措施高效的数据解析:使用CSS选择器和XPath精确提取所需信息灵活的数据存储。

2201_76125261的博客 415

ENVI监督分类图像分割实战指南:从入门到精通

本文提供了一份详细的ENVI监督分类实战指南,从软件准备、图像加载到核心工作流操作,系统讲解了如何利用ENVI进行图像分割与地物分类。重点介绍了基于样本的特征提取工作流,包括图像分割、训练样本选取、分类器应用及结果优化等关键步骤,旨在帮助用户从入门到精通掌握遥感图像处理的核心技能。

butter的博客 1096

springboot+vue项目基础开发(12)vue项目的搭建

在src目录下新建 api,utils,views文件夹。删除componets目录下自动生成的所有文件。在utils文件夹下创建request.js。启动项目,记得是要在管理员下启动。

m0_58498702的博客 154

深度学习+地理信息小白笔记(matlab实现地物分类)

而深度学习是在监督学习方法中的神经网络(Neural Network,NN)上发展而来的,具体就是通过人工神经网络(Artificial Neural Network,ANN)为架构,输入各类信号,直接输出期望结果的一种方式,当然深度学习有属于监督学习的方法(如卷积神经网络CNN、多层感知机MLP),也有属于非监督学习的方法(如生成对抗网络GAN)等等。训练集自然是用于模型的训练,而验证集可以用来评估模型性能,即“调参”,寻找出更合适的模型配置,实际上验证集起到了反馈的作用来调整使得模型在训练集上最优。

laolin123_的博客 3063

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

ENVI监督分类图像分割实战指南:从入门到精准分类

本文提供了一份ENVI软件中进行监督分类图像分割的实战指南。详细解析了从图像加载、核心分割参数设置到样本选择与手工分类的全流程,重点分享了如何通过调整尺度与融合参数优化分割效果,并利用高质量样本训练分类器,最终实现土地利用、植被覆盖等地物的精准识别与分类。

weixin_29045001的博客 341

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

envi监督分类_土地覆盖分类

面对对象土地覆盖分类面向对象方法-----通过对影像的分割,使同质像元组成不同大小的对象,利用对象的空间特征和光谱特征进行分类,可以有效地克服基于像元层次分类的不足。影像对象的大小决定分割尺度,当影像分割对象与地物边界吻合的程度越高时,地物信息提取精度越高。案例数据准备:· 高空间分辨率遥感影像--最常用的数据源( WorldView-2,QuickBird,GeoEye-1, IKONOS,UA...

weixin_31256083的博客 5579
上一篇: PostgreSQL分页count性能优化实战:从20秒到毫秒级的蜕变
下一篇: 高效爬取懂车帝车型数据:从静态解析到动态反爬实战
Wind6
博客等级 码龄23年 42粉丝 1395原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值