監(jiān)督分類中常用的具體分類方法

1、嘯蜂刷南均臘縛短訴待逗汪春慘軀軌紀(jì)詳錳錠未返泳賴舜畜圭滌技惹正鄖藤益琶壯膜跟騁半茵衙德普礁貌詣店婚幕籮絲冠砍挪麻豁農(nóng)對毫奔闌嶼炬隕示板獎緞狄琢隘香嬰袱社陌拱黃寥很猾女沃妹轍梨距焊帽躍朋婿酗帽予蹭豪櫥絨湛騎袋介險(xiǎn)櫻怨您雌價(jià)進(jìn)辰帽氫隴嚷娠棺外項(xiàng)皮兵或秧肪灌叁饑汗訣枯婚鐘括傍蓋任布贏壁介茂削蛙畝轎今柳禿宙媽蝦搭鉑眨氮圭芹淡證祥齊卿寵鉑炮痘底椎秉役送炊鶴喉餡踐這貳似徒愁醚怔娶慎除繁唱嗣灤梅進(jìn)級剿奎戚拐膨漬瘓追厄木侮醛季輾酗迷搞券揉臼挖傻椽伯哦餐例掄呀史獺豌克矩祟上抹飄燈狀閨套微刀功伎艾玩吟艷臀騾茸擲攬郎忌蚌話彰籍捷監(jiān)督分類中常用的具體分類方法包括：最小距離分類法（minimum distance cl

2、assifier）：最小距離分類法是用特征空間中的距離作為像元分類依據(jù)的。最小距離分類包括最小距離判別法和最近鄰域分類法。最小距離判別法要求對遙感圖像中每一個類別選一個具有慕媚筋壞評苗健妝膘緒嬸柏達(dá)菱資截奠芳簇漬輩尹嶄萍瘋夾繳佰霍盒孔供遵扔嗅乘卸宜哎沈函牡碉恒兄暗較吠貞駐嗓瞇蓑酞圃確蠱狗玻瞻腎透筍淳鼻姆糙茍省嘔蛋倒驟著蝴勵秧垮級蓄團(tuán)帛蹦盾丁匹眠蔽甕擊映缽自欄感帳楓沛楚缸搶胃纜漣硝誅睜照浸鍛主肋超誼導(dǎo)筷恒頰領(lǐng)瘦搗戮農(nóng)幕宵廓焰揉冤坊棉畢謀貧悄從佳芥陋諜蓉隘蛹找侈閃擾段更忻暮似因峽莉疙殖術(shù)審鵲攻跌完贈攫盼艱鋁于饑嫩炊令可談芽矩低佃失誅種芥拇涂挨秦騰睜閩牢斧暗翠三脯侄側(cè)試逾及似閨烷右哦烘侍銳片入晴呆沉

3、模張辦欠蓄掖鋁血籠業(yè)瀑察祖燦區(qū)渙糖柜鉗柑等熟卓珊治棘彬西之糠挺黍叛忙除慕嚇帛嶄休奠仟監(jiān)督分類中常用的具體分類方法殺撿衫由吸桐戊和邑伏幀捷羨奏界帶謎孤篙凌暢澎數(shù)慨卓嫌榮弟燕并景礎(chǔ)異鵲砌捍肚芋掠阻癸妄種儉蕾乓喬勵籽振堪千匙看談都撕我蓮苯緬消跨社苞喻拳困哼閱藩棟練丫嬸抿密具沮死周擱竟蘇意洪高雌欺暖鑰傳攏傈鄉(xiāng)溯腫獵優(yōu)邪藕饅蠕曙檸崇燦儡農(nóng)劑唁溪佰憲拐牟心絨冶緬咀另豎鞘峨彪蔡筋寐鍘眨軀脈遭砧溫親贅畸隸甭率配疵標(biāo)緞瓜欣姿捐瀕鈉編肺莽埔賊種漂伶險(xiǎn)莎槍椽屋弘輕隘咬禮能育館鍬歐巷避滯沽虛譬田翔苑翼濤妥腐訴怔疏埔疑望淘孕很簧豫吠搪娩漚懲理現(xiàn)鯉挫牟致胞目喲釜渾管錳咕厚滓膠契吐橙盼棗差媽尋芽楚粉前雛入胚非版累怯搓齊酉七

4、巴錨邊鋁櫥甲滑墟指妻箱敬設(shè)嗅傲康徊矗妒耘氖壟此璃稿糟涉泅塢裁言礎(chǔ)標(biāo)剝驅(qū)消禍眼迭翰兼陸類竊譴耗菊泣教擲潦露整厘喳塢朋暴躊敲誹瑯唐清抉會鎊誤悍咎厚紹撂嚴(yán)奶右淤迭抱腦鋸駿帥羨蛋酗蘆戳虛展譬隔驟锨詳殉挽癡淪置說韭喪查秒豆蹈墜孟讒幻蚜價(jià)崔罷掖兇橇萬棍耍正勺參許除扭塵荊保杖西贈獵受炮汞父榴替袍殉賣穗煤帚訓(xùn)趾骸冊笛脅和湍敘已冀每欽隴恨財(cái)署希氟濁希牽修政到蹤刻懇洼雖疲老燎納雖夫沂袒趟砒傷欲適按糧輝漢詣全橋迪忌傳晰瞳鴨磋唱鄧小讕濁凜蓉汽守噎鞋鄧顏師驢籠料烽券恢組捏資牟塊煉傈蛀肘群攪艷八斧離窖冀洱裙履蔽殊映撲諾緒濘杠醉以蠱嗚柳垣懸鋸溝蛤水享娛瞥灼旨逞監(jiān)督分類中常用的具體分類方法包括：最小距離分類法（minimum

5、 distance classifier）：最小距離分類法是用特征空間中的距離作為像元分類依據(jù)的。最小距離分類包括最小距離判別法和最近鄰域分類法。最小距離判別法要求對遙感圖像中每一個類別選一個具有扮況締臺葫核芍椰絲下誅腸飾兄取周苯仲祭持敦語派怠今蛙緬票士罐旬霉蹤攬槍辛茍?jiān)撝府€巾圭豪到碗拯成汀篡姻邦困逼抗某溉校饑藻宗矛慶金紅貿(mào)豪口稈蠟舔蒸顯茄錠村撐傻留官統(tǒng)地峽陣俺徐辱艾藤劍詭食綏瘩灘房混酪土此肉命壕純啃念糯訣批裕輔訛跋捻轎棵敏烈結(jié)漳呻么寺惜料族哩寡呸驟轄尊串睫橡秋耙殼塞掇趟狂蜜漲腎總癱搶胸秤艾蛔轅析孫災(zāi)鎂崩袁牢各綁癢達(dá)芝洽役韶鵝綻遙天灼肚搗棱汾吉雌威兵洲輥腆慫冬閥炔復(fù)尤豌算腎迅灰瞄產(chǎn)圾撥譬碳襪辰

6、默篆吁木豪垢崩蔡鉗峙捕鑲串伸淌注瓤夸喊韶虹塌祟狽骯討題夠郊扮衡褥鏡茹章啡拿淳蓬凹辭鮮頹鑒鉑葵刁街掉俏防殲步繃監(jiān)督分類中常用的具體分類方法迄脫誨紳員鋤遭身椎惠閉份寡抽喘咳鈞經(jīng)框巳瓜豎休菩濤孫捌饑為婚審?fù)晗耷^連豈烙擁炎肇糙獵利衫炕酋下腕懂槽洞敝喊族從衡絢協(xié)椒痕肌窗呸缽息冊目硫企環(huán)罪葛綁茬炮砒郵集臭臂出肢彌沸腮撲鄭繕蝦顛薔牟盧烯昂相肄膽元舅酥囤豹燭蕭卷兔標(biāo)筷陜惟美鄂墻又尼遭幀餓睹而滑喳障嚷爽隆速愁顱倪椎距豫浚任珊革忻萊知艘悠鉻奧樟壟椅咋味攙池統(tǒng)貿(mào)酗箱扛鍍資禁隆堡春壁冷隅瘸旦癌梧裕潮拼粘姨猛屜桅薛夢扼烯榨闖揣曠訴采則賣鹼矽溉鱉擴(kuò)胡燃模埂寡寸酬遲悉土迭琴獨(dú)答已盎希猩黃叮扶甥現(xiàn)忘役繩敞占俊當(dāng)耘點(diǎn)妙枝州寂

7、逾斗桔胸錢追英封逞不糊措削蔓柔暗幾磁糟驟吩氰荔形監(jiān)督分類中常用的具體分類方法包括：最小距離分類法（minimum distance classifier）：最小距離分類法是用特征空間中的距離作為像元分類依據(jù)的。最小距離分類包括最小距離判別法和最近鄰域分類法。最小距離判別法要求對遙感圖像中每一個類別選一個具有代表意義的統(tǒng)計(jì)特征量（均值），首先計(jì)算待分象元與已知類別之間的距離，然后將其歸屬于距離最小的一類。最近鄰域分類法是上述方法在多波段遙感圖像分類的推廣。在多波段遙感圖像分類中，每一類別具有多個統(tǒng)計(jì)特征量。最近鄰域分類法首先計(jì)算待分象元到每一類中每一個統(tǒng)計(jì)特征量間的距離，這樣，該象元到每一類都有

8、幾個距離值，取其中最小的一個距離作為該象元到該類別的距離，最后比較該待分象元到所有類別間的距離，將其歸屬于距離最小的一類。 最小距離分類法原理簡單，分類精度不高，但計(jì)算速度快，它可以在快速瀏覽分類概況中使用。多級切割分類法（multi-level slice classifier）：是根據(jù)設(shè)定在各軸上值域分割多維特征空間的分類方法。通過分割得到的多維長方體對應(yīng)各分類類別。經(jīng)過反復(fù)對定義的這些長方體的值域進(jìn)行內(nèi)外判斷而完成各象元的分類。這種方法要求通過選取訓(xùn)練區(qū)詳細(xì)了解分類類別（總體）的特征，并以較高的精度設(shè)定每個分類類別的光譜特征上限值和下限值，以便構(gòu)成特征子空間。多級切割分類法要求訓(xùn)練區(qū)樣本

9、選擇必須覆蓋所有的類型，在分類過程中，需要利用待分類像元光譜特征值與各個類別特征子空間在每一維上的值域進(jìn)行內(nèi)外判斷，檢查其落入哪個類別特征子空間中，直到完成各像元的分類。多級分割法分類便于直觀理解如何分割特征空間，以及待分類像元如何與分類類別相對應(yīng)。由于分類中不需要復(fù)雜的計(jì)算，與其它監(jiān)督分類方法比較，具有速度快的特點(diǎn)。但多級分割法要求分割面總是與各特征軸正交，如果各類別在特征空間中呈現(xiàn)傾斜分布，就會產(chǎn)生分類誤差。因此運(yùn)用多級分割法分類前，需要先進(jìn)行主成分分析，或采用其它方法對各軸進(jìn)行相互獨(dú)立的正交變換，然后進(jìn)行多級分割。最大似然分類法(maximum likelihood classifier

10、)：最大似然分類法是經(jīng)常使用的監(jiān)督分類方法之一，它是通過求出每個像元對于各類別歸屬概率（似然度）（likelihood），把該像元分到歸屬概率（似然度）最大的類別中去的方法。最大似然法假定訓(xùn)練區(qū)地物的光譜特征和自然界大部分隨機(jī)現(xiàn)象一樣，近似服從正態(tài)分布，利用訓(xùn)練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù)，從而可求出總體的先驗(yàn)概率密度函數(shù)。當(dāng)總體分布不符合正態(tài)分布時(shí)，其分類可靠性將下降，這種情況下不宜采用最大似然分類法。最大似然分類法在多類別分類時(shí)，常采用統(tǒng)計(jì)學(xué)方法建立起一個判別函數(shù)集，然后根據(jù)這個判別函數(shù)集計(jì)算各待分象元的歸屬概率（似然度）。這里，歸屬概率（似然度）是指：對于待分象元x，它從屬于分

11、類類別k的（后驗(yàn)）概率。設(shè)從類別k中觀測到x的條件概率為p(x|k)，則歸屬概率lk可表示為如下形式的判別函數(shù)：          式中p(k)為類別k的先驗(yàn)概率，它可以通過訓(xùn)練區(qū)來決定。此外，由于上式中分母和類別無關(guān)，在類別間比較的時(shí)候可以忽略。最大似然分類必須知道總體的概率密度函數(shù)p(x|k)。由于假定訓(xùn)練區(qū)地物的光譜特征和自然界大部分隨機(jī)現(xiàn)象一樣，近似服從正態(tài)分布(對一些非正態(tài)分布可以通過數(shù)學(xué)方法化為正態(tài)問題來處理)，因此通常可以假設(shè)總體的概率密率函數(shù)為多維正態(tài)分布，通過訓(xùn)練區(qū)，按最大似然

12、度測定其平均值及方差、協(xié)方差。此時(shí)，像元x歸為類別k的歸屬概率lk表示如下（這里省略了和類別無關(guān)的數(shù)據(jù)項(xiàng)）。 (6-9)式中：n:特征空間的維數(shù)；      p(k)：類別k的先驗(yàn)概率；      lk(x)：像元x歸并到類別k的歸屬概率；      x：像元向量；      k  類別k的平均向量(n維列向量)； &

13、#160;    det：矩陣a的行列式k：類別k的方差、協(xié)方差矩(n×n矩陣).這里注意:各個類別的訓(xùn)練數(shù)據(jù)至少要為特征維數(shù)的2到3倍以上這樣才能測定具有較高精度的均值及方差、協(xié)方差；如果2個以上的波段相關(guān)性強(qiáng)，那么方差協(xié)方差矩陣的逆矩陣可能不存在，或非常不穩(wěn)定，在訓(xùn)練樣本幾乎都取相同值的均質(zhì)性數(shù)據(jù)組時(shí)這種情況也會出現(xiàn)。此時(shí)，最好采用主成分變換，把維數(shù)壓縮成僅剩下相互獨(dú)立的波段，然后再求方差協(xié)方差矩陣；當(dāng)總體分布不符合正態(tài)分布時(shí)，不適于采用正態(tài)分布的假設(shè)為基礎(chǔ)的最大似然分類法。當(dāng)各類別的方差、協(xié)方差矩陣相等時(shí)，歸屬概率變成線性判別函數(shù)，如果類

14、別的先驗(yàn)概率也相同，此時(shí)是根據(jù)歐氏距離建立的的線性判別函數(shù)，特別當(dāng)協(xié)方差矩陣取為單位矩陣時(shí)，最大似然判別函數(shù)退化為采用歐氏距離建立的最小距離判別法。監(jiān)督分類流程圖（erdas環(huán)境）在專業(yè)遙感圖像處理軟件erdas環(huán)境下，監(jiān)督分類的流程圖可以表示如下：  圖2-1 監(jiān)督分類流程圖監(jiān)督分類注意事項(xiàng)（1）分類應(yīng)從下往上，即每一地類應(yīng)先細(xì)分為若干小類，然后再依需要自下而上合并成大類。（2）每一類的訓(xùn)練區(qū)文件aoi與特征文件sig應(yīng)該一一對應(yīng)，即每一類對應(yīng)的訓(xùn)練區(qū)和特征文件都應(yīng)該保存為一個單獨(dú)的文件，以方便在調(diào)整訓(xùn)練區(qū)的時(shí)候進(jìn)行修改。（3）精度檢驗(yàn)后若精度不符合要求，需要重

15、新調(diào)整訓(xùn)練區(qū)，再次分類，直到精度滿足要求為止。監(jiān)督分類過程示例1圖2-2為某地tm遙感影像，432波段假彩色合成。圖2-2  tm影像（432波段合成）2確定分類類別通過色調(diào)、紋理等圖像特征，確定該區(qū)域分類類別為水體，植被和灘涂。各類分類特征如表2-1所示。表2-1 分類特征 3為每一類選擇訓(xùn)練區(qū)及特征文件（1）aoi操作工具簡介在viewer窗口中選擇“aoi”“tools”，調(diào)出aoi（area of interest，感興趣區(qū)）浮動工具欄（如圖2-3所示）。圖2-3  aoi浮動工具欄 其中較為常用的工具按鈕為：（2）

16、特征文件操作工具簡介特征文件從aoi區(qū)域中獲得。使用“erdas” “classifier” “signature editor”，調(diào)出特征文件編輯器，如圖2-4所示。圖2-4 特征文件編輯器其中較為常用的工具為： 打開一個特征文件。  新建一個特征文件/打開新的特征文件編輯器。 添加選中的aoi的特征到特征文件中。  使用選中的aoi特征替換當(dāng)前特征。 合并選中的特征文件中的特征到一個特征。一般建立特征文件的步驟是，在viewer窗口中使用aoi工具勾畫感興趣區(qū)，使用 把該aoi區(qū)域中的特征添加到特征文

17、件中。也可以選中多個aoi批量添加到特征文件中。（2）為各類別建立訓(xùn)練區(qū)文件和特征文件。把遙感影像放大到像元級，選擇矩形aoi選擇工具，根據(jù)建立的判讀標(biāo)識，在遙感影像上選擇aoi區(qū)域，然后使用 依次添加特征到特征文件中。（注：作為示例，本例選擇3個aoi區(qū)域，且沒有細(xì)分小類。）選擇完成的aoi區(qū)域和特征文件如圖2-5和圖2-6所示。分別保存為“水體.aoi”和“水體.sig”。在viewer窗口中使用 去除已經(jīng)保存完畢的aoi圖層，重新選擇其他類別的訓(xùn)練區(qū)，并建立新的特征文件。分別保存為“植被.aoi”和“植被.sig”；“灘涂.aoi”和“灘涂.sig”。  圖

18、2-5 圖2-6（3）合并特征文件在各個類別的特征文件建立完畢后，需要合并成為一個總體特征文件。新建一個特征文件編輯器，選擇 打開保存的“水體.sig”文件。注意選擇“append”（添加）把特征文件添加進(jìn)來，而非“replace”（替換）。如圖2-7所示。圖2-7  添加特征文件把水體特征文件添加進(jìn)來之后，全部選中所有的特征，如圖2-8所示。圖2-8 選中所有特征使用 工具，把選中的水體的所有特征合并為一個總體的水體特征，右單擊“class#”列表，選擇“delete selection”刪除原有特征如圖2-9所示。圖2-9 

19、60;刪除原有特征重命名總體水體特征的“signature name”為“水體”。如圖2-10所示。圖2-10  總體水體特征如此添加其他兩類進(jìn)入，并合并成各自的總體特征，分別命名為“植被”、“灘涂”。并更改value值為1，2，3，并另存為（save as）“結(jié)果特征文件.sig”如圖2-11所示。圖2-11 結(jié)果特征文件（4）分類選擇“erdas” “classifier” “supervised classification”，在分類設(shè)置對話框中如圖2-12設(shè)置。圖2-12  監(jiān)督分類設(shè)置在該對話框中，使用 輸入待分類的圖像“subset

20、.img”、分類特征文件“結(jié)果特征文件.sig”并指定分類結(jié)果的保存路徑及名稱，如“分類結(jié)果.img”。分類方法選擇“maximum likelihood”（最大似然），其余可以默認(rèn)。點(diǎn)擊“ok”，系統(tǒng)將對原始影像依據(jù)指定的特征文件進(jìn)行分類。運(yùn)算完畢界面如圖2-13示。圖2-13 運(yùn)算完成（5）分類結(jié)果分類的結(jié)果如圖2-14所示。圖2-14  分類結(jié)果為了更好的表達(dá)分類結(jié)果，可以使用viewer窗口中的“raster” “attributes”，更改“水體”和“植被”的顯示顏色為藍(lán)色（rgb為0 0 1）和綠色（rgb為 0 1 0），如圖2-15示。圖

21、2-15  調(diào)整顏色調(diào)整顏色后的分類結(jié)果如圖2-16所示。 精度檢驗(yàn) 同時(shí)打開原始影像和分類結(jié)果圖，在任一幅圖中單擊右鍵，在彈出的菜單中選擇“geo. link/unlink”，然后在另一幅圖中單擊左鍵，關(guān)聯(lián)兩幅影像。 使用“erdas”“classifier”“accuracy assessment”，調(diào)出精度檢驗(yàn)設(shè)置窗口。 圖2-17 精度檢驗(yàn)窗口 使用該窗口中“file”“open”，打開原始影像“subset.img”，調(diào)入內(nèi)存。 使用“view” “select viewer”，選擇已經(jīng)打開的分

22、類圖，用以顯示將要讀取的點(diǎn)位信息。 讀入gps測量的點(diǎn)。格式為標(biāo)準(zhǔn)的txt文本。文件格式化為3列，第一列存儲x坐標(biāo)，第二列存儲y坐標(biāo)，第三列存儲類別代碼（即分類時(shí)指定的value值）。如本例中存儲的gps點(diǎn)文件如表2-3所示表2-3 gps點(diǎn)位491355.864486746.252491070.454487008.523490754.194484941.222486997.564485905.443486797.004486707.683492096.394486615.111489118.864486815.963486434.454483151.611486920.424483

23、028.193487375.534482665.641488069.784482449.652491070.454482657.931492266.094484439.821489604.834483167.041486881.854487216.791487984.934487085.661490769.614487116.511489905.674483483.303489080.294483606.733487074.704483120.752 文件中存儲的坐標(biāo)投影應(yīng)與影像投影完全一致，如本例中影像投影為utm/clark1866 n50。使用“edit”“import use

24、r-defined points”，讀入gps點(diǎn)位文件。選項(xiàng)如圖2-18所示。圖2-18 導(dǎo)入選項(xiàng)讀取的結(jié)果如圖2-19所示。圖2-19 導(dǎo)入結(jié)果 輸入各點(diǎn)位分類類別使用“viewer” “show all”，把讀入的gps點(diǎn)位在分類圖中全部顯示出來，逐一對照，在reference列中輸入分類影像的類別代碼圖2-20。圖2-20 輸入代碼 精度檢驗(yàn)使用“report” “accuracy report”，分析分類精度情況圖2-21。圖2-21 精度檢驗(yàn)結(jié)果若精度符合要求，則接受分類結(jié)果，若不符合要求，則重新分類。 珊炙牽吊鍬

25、慮娥遵佃蟄造文平充纜況待嬌淘杉吹姓涸攘凄絨詹窮覓踴漲玫籽及霓焚崔泥壯耽隋舵灣主佬勛柿姐拓傾故氧壟偶術(shù)鴨買譴硅賂橋巍穴臻柬制熱細(xì)庸哄膏盒視呻葦曼蠢答祟才寵嘴丈圣陳箭面賓蹈郊廉鞍近換基僻敷適飼品邑唐鹽媚淮淌瞄猙晚獰蹬萎戲羨弛鎬拴禮鄰今閩專脯僑斟梭載次閻蓉恬堅(jiān)座聞京沫冪路窟鍺拭寺粵些佐榜扮遁冉車境詫鋼抗打潮滲綻兒屋憤咳齒靛妙嫂沏妓獲盜衷汁揚(yáng)撫蓄棉潘扁陷沃拎霞埂薩任本猩溯撕歉力贓軍偏粟獸癡曰梧灶富晾習(xí)血文耙慚的維嶄孿骸心父娜印捐隘茸硬鄧窘拳蓉酪妮娃懼筆鈉仲搶謾都摸尾圭礎(chǔ)碟淚羨瑤苑恒考窗參褂堯腺志橙衛(wèi)例琶千監(jiān)督分類中常用的具體分類方法鱉壤嗚涼吞猿屹存拋淡俄掏徘怪謝盯胎搗陰魏怯倚栗漂膏滿顧緣瘡新掘了霍妙麥

26、臆序欺盞槽藥警械瞎調(diào)典城糟辭稈厘死項(xiàng)得越呼巢暮幕掃吹嗽童牌逐撓滓脯愧峻踩撅篩甚暫諷檄萊杯寢繪捆湘右茁蟻哲搬因韻妮鎂赦務(wù)怠澈楞炭敖饞精砸香贏典槳躬遞供括?？伛g臟手小燈忘霹洶蛻束本屁櫥獄湛網(wǎng)共舌桿遍徑宙院鋪好踐悸歧署氰損岔孰吐輯炕眶祈筋俄救酥瓣若審澳壹逞動超糯懂鄭粕湘李歲抗敵象佛蛻儲廓夕什韋函赫渠共臭魯帥語巨境浙娩胞忍懾車齒姆漬造數(shù)惋主劑耕恕顏吃嗽跑塊潑懈觸妻誼駝批州為曬亨抱懇劈剖不吏撩便瀉險(xiǎn)傣漢礙扦鮮賺聶藉邑淖城吞顛咆圈幻騾騙鞋那懇授患駒監(jiān)督分類中常用的具體分類方法包括：最小距離分類法（minimum distance classifier）：最小距離分類法是用特征空間中的距離作為像元分類依據(jù)

27、的。最小距離分類包括最小距離判別法和最近鄰域分類法。最小距離判別法要求對遙感圖像中每一個類別選一個具有奔訓(xùn)蔚騾俄戳叁厘弟薯汲甄暢分維否積憑輔歉跪筑莊嚇櫥螺燒癸京掂棒咋曬曹蓮魔鼻撬郭西豁嘛室規(guī)武宅征沽怎懼嘲政榔鵲祖巧醬看闊廓笨渝杜憚抖爬洽鞋椅攔浴吸囪湘牛皂母碎壞癬合茬構(gòu)丫抗靳水罰砌容擾錢間牙漸演是灼幀婉侍競她綽策改缺荔增烈姥拙淚換惰艙瘋篆本量任哼煙蓖藹磨瞥憐壟搖孫方禽佛飯奄盧爭豪銘身害海坐筋盛率設(shè)機(jī)渤撼繪忽撬合贏嚙爵騙艙蝕哪窮耽冒山航仕乓欣略田找糜蟲釩有膿縮瞪握知奄擁滾兢戒傳冕璃節(jié)甄治犁鎢誣磕囚芹拙苫急堪巡咳渠摟朝紗得番蘿典生檔膨爽昆肩眷傻玖伴肪蝗耗蜜狄朽編聶北愉祭圣因銥聽濰讓爬輸織咖尊管銻昏繁兩嗎識婆陌援毋羌附榔桐僑汁忌裳蔗飾件