在我看来这个题目不难。 题目是《图像增强方法研究》，顾名思义，在论文中，你主要是罗列各种的增强方法。最后做个总结即可。 至于编程语言c语言就可以了，还可以加上opencv，opencv是图像处理方面的一门语言，有很多现成的函数，可以直接调用，类似于matlab。可以和c语言混合编程，很好用。 因为你是写论文吗，用到的数学知识也不会有多高深，总之这个题目不难做。
有。根据查询论文研究方法表明，图标分析法是论文研究方法最常用的方法之一，可以更加直观的进行数据分析，解释说明。
任何一项研究都离不开方法的支撑。没有研究方法的科学研究是不存在的，没有研究方法，其研究就成了无源之水、无本之木，就不是真正的研究。下面是我整理的论文研究方法，希望可以给大家带来参考。
1、资料收集法：深入班级，深入学生个体，对学生现状进行调查，利用不同的资源进行收集，找准问题所在，明确研究对象。
2、行动研究法：制定个性研究方案，通过学生实践情况进行分析，再研究调整重新进行实践。并将经验总结、记录，形成有价值的文字。
3、教育实验法：立足于自己的所在的教学班级，通过实验前、后学生科学学习的变化，找到适合学生科学素养发展的方案。
4、学生带动法：通过一小部分学生先学、先走，在带动、感染他周围的学生也来学习。
5、文献法：广泛收集整理文献资料，如经典书籍，名人格言，以及课程标准推荐的书目，为学生阅读提供具有时代性，创造性的正面教材。
6、个案研究法：结合课题研究目标，引导学生从实际出发，制定学习计划，针对个性发展的需要，进行有效指导。
7、教育调查法：深入班级，深入学生个体，就学生课外阅读现状进行调查，选取有代表性的典型事例进行缜密分析，找准问题所在，明确研究对象。
1、论文标题
论文标题的文字需要概括精练，一般不可以超过15-20个字，论文标题要居中（单行），论文标题上行比下行题目长（双行）；
英文论文的标题要求不超过12个词或100个字符；论文标题不能使用缩写词或简化词；尽量不用标点符号。
2、内容摘要
论文摘要也成为提要、文摘，是论文重要的组成部分，论文摘要由四部分组成，分别是：目的、方法、结果和结论。
3、关键词
关键词又叫做主题词，它是在论文的标题、摘要以及论文正文中挑选出来的，可以反映论文主要概念，论文关键词的质量直接影响了论文的收录与利用，关键词有利于对全文的检索。
4、引言
论文的开端就是引言，交代了论文中研究成果的来龙去脉，使读者对论文内容有一个整体的了解，引起读者的兴趣。
5、正文
引言之后就是正文了、它是论文的核心部分。提出论点、论据、论证过程、结果以及讨论都需要在正文内容中进行发表展现。
6、结论（结语、结束语）
论文的结论要体现其在研究、预测和评价其应用前景和社会经济价值的基础上的价值，明确展示研究的成果和观点，并指出今后进一步研究工作的前景和设想。
7、致谢
正文内容完结时，因对整个研究过程中给予帮助和支持的单位和个人表示感谢。特别是那些参与部分研究工作的人。
8、附录
附录是不列入在论文正文中。它包括实验部分的详细数据、图表等内容，有的是在论文中写的，有的是一些新发现，这些信息需要补充，所以需要列入到附录之中。附录中列出的材料可以按论文的顺序排列。
9、参考文献
凡是作者引用的其他人论文、报告中的观点、材料、数据、研究成果等信息、都需要根据在论文的引用顺序标出引用的参考文献的作者名称。每个参考文献都按标题、作者和来源进行排列。
1、主要关键词应包含在论文的题名中，以便为检索提供特定的实用信息。
2、论文的特定内容要用最简洁恰当的语言提炼出来，论文未涉及的内容或未得出的结论不能包容进去，论文已涉及的内容或已得出的结论不能摒弃在题名的包容范围之外。
3、切忌逐点描述论文的内容，不能用冗长的主、谓、宾结构的完整语句。
4、题名应尽量避免使用符号，如化学结构式、数学公式，不大为同行所熟悉的符号、简称、缩写以及商品名称等。
5、题名应简洁，科技论文题名用字一般不宜超过20个汉字，外文题名不宜超过10个实词。使用简短题名而语意未尽时，可借助于副题名以补充论文的下层次内容。
论文的研究方法有哪些
论文的研究方法有哪些，研究方法是在一个研究中发现新的现象、新的事物，或者提出新理论、观点，论文研究方法需要大量阅读法，找到不足和创新点，来完善自己的论文，下面一起来学习一下论文的研究方法有哪些。
一、思维方法
思维方法是人们正确进行思维和准确表达思想的重要工具，在科学研究中最常用的科学思维方法包括归纳演绎、类比推理、抽象概括、思辩想象、分析综合等，它对于一切科学研究都具有普遍的指导意义。
二、内容分析法
内容分析法是一种对于传播内容进行客观，系统和定量的描述的研究方法。其实质是对传播内容所含信息量及其变化的分析，即由表征的有意义的词句推断出准确意义的过程。内容分析的过程是层层推理的`过程。
三、文献分析法
文献分析法主要指搜集、鉴别、整理文献，并通过对文献的研究，形成对事实科学认识的方法。文献分析法是一项经济且有效的信息收集方法，它通过对与工作相关的现有文献进行系统性的分析来获取工作信息。一般用于收集工作的原始信息，编制任务清单初稿。
四、数学方法
数学方法就是在撇开研究对象的其他一切特性的情况下，用数学工具对研究对象进行一系列量的处理，从而作出正确的说明和判断，得到以数字形式表述的成果。科学研究的对象是质和量的统一体，它们的质和量是紧密联系,质变和量变是互相制约的。要达到真正的科学认识，不仅要研究质的规定性，还必须重视对它们的量进行考察和分析，以便更准确地认识研究对象的本质特性。数学方法主要有统计处理和模糊数学分析方法。
一、规范研究法
会计理论研究的一般方法，它是根据一定的价值观念或经济理论对经济行为人的行为结果及产生这一结果的制度或政策进行评判，回答经济行为人的行为应该是什么的分析方法。
二、实证研究法
实证研究法是认识客观现象，向人们提供实在、有用、确定、精确的知识研究方法，其重点是研究现象本身“是什么”的问题。实证研究法试图超越或排斥价值判断，只揭示客观现象的内在构成因素及因素的普遍联系，归纳概括现象的本质及其运行规律。
三、案例分析法
案例分析法是指把实际工作中出现的问题作为案例，交给受训学员研究分析，培养学员们的分析能力、判断能力、解决问题及执行业务能力的培训方法，具体说来：
四、比较分析法
是通过实际数与基数的对比来提示实际数与基数之间的差异，借以了解经济活动的成绩和问题的一种分析方法。在科学探究活动中常常用到，他与等效替代法相似。
多媒体多媒体信息加密技术论文是解决网络安全问要采取的主要保密安全 措施 。我为大家整理的多媒体多媒体信息加密技术论文论文，希望你们喜欢。多媒体多媒体信息加密技术论文论文篇一 多媒体信息加密技术论文研究 摘要：随着 网络 技术的 发展 ，网络在提供给人们巨大方便的同时也带来了很多的安全隐患，病毒、黑客攻击以及 计算 机威胁事件已经司空见惯，为了使得互联网的信息能够正确有效地被人们所使用，互联网的安全就变得迫在眉睫。 关键词：网络;加密技术;安全隐患 随着 网络技术 的高速发展，互联网已经成为人们利用信息和资源共享的主要手段，面对这个互连的开放式的系统，人们在感叹 现代 网络技术的高超与便利的同时，又会面临着一系列的安全问题的困扰。如何保护 计算机信息的安全，也即信息内容的保密问题显得尤为重要。 数据加密技术是解决网络安全问要采取的主要保密安全措施。是最常用的保密安全手段，通过数据加密技术，可以在一定程度上提高数据传输的安全性，保证传输数据的完整性。 1加密技术 数据加密的基本过程就是对原来为明文的文件或数据按某种算法进行处理。使其成为不可读的一段代码，通常称为“密文”传送，到达目的地后使其只能在输入相应的密钥之后才能显示出本来内容，通过这样的途径达到保护数据不被人非法窃取、修改的目的。该过程的逆过程为解密，即将该编码信息转化为其原来数据的过程。数据加密技术主要分为数据传输加密和数据存储加密。数据传输加密技术主要是对传输中的数据流进行加密，常用的有链路加密、节点加密和端到端加密三种方式。 2加密算法 信息加密是由各种加密算法实现的，传统的加密系统是以密钥为基础的，是一种对称加密，即用户使用同一个密钥加密和解密。而公钥则是一种非对称加密 方法 。加密者和解密者各自拥有不同的密钥，对称加密算法包括DES和IDEA;非对称加密算法包括RSA、背包密码等。目前在数据通信中使用最普遍的算法有DES算法、RSA算法和PGP算法等。 对称加密算法 对称密码体制是一种传统密码体制，也称为私钥密码体制。在对称加密系统中，加密和解密采用相同的密钥。因为加解密钥相同，需要通信的双方必须选择和保存他们共同的密钥，各方必须信任对方不会将密钥泄漏出去，这样就可以实现数据的机密性和完整性。对于具有n个用户的网络，需要n(n-1)/2个密钥，在用户群不是很大的情况下，对称加密系统是有效的。DES算法是目前最为典型的对称密钥密码系统算法。 DES是一种分组密码，用专门的变换函数来加密明文。方法是先把明文按组长64bit分成若干组，然后用变换函数依次加密这些组，每次输出64bit的密文，最后将所有密文串接起来即得整个密文。密钥长度56bit，由任意56位数组成，因此数量高达256个，而且可以随时更换。使破解变得不可能，因此，DES的安全性完全依赖于对密钥的保护(故称为秘密密钥算法)。DES运算速度快，适合对大量数据的加密，但缺点是密钥的安全分发困难。 非对称密钥密码体制 非对称密钥密码体制也叫公共密钥技术，该技术就是针对私钥密码体制的缺陷被提出来的。公共密钥技术利用两个密码取代常规的一个密码：其中一个公共密钥被用来加密数据，而另一个私人密钥被用来解密数据。这两个密钥在数字上相关，但即便使用许多计算机协同运算，要想从公共密钥中逆算出对应的私人密钥也是不可能的。这是因为两个密钥生成的基本原理根据一个数学计算的特性，即两个对位质数相乘可以轻易得到一个巨大的数字，但要是反过来将这个巨大的乘积数分解为组成它的两个质数，即使是超级计算机也要花很长的时间。此外，密钥对中任何一个都可用于加密，其另外一个用于解密，且密钥对中称为私人密钥的那一个只有密钥对的所有者才知道，从而人们可以把私人密钥作为其所有者的身份特征。根据公共密钥算法，已知公共密钥是不能推导出私人密钥的。最后使用公钥时，要安装此类加密程序，设定私人密钥，并由程序生成庞大的公共密钥。使用者与其向 联系的人发送公共密钥的拷贝，同时请他们也使用同一个加密程序。之后他人就能向最初的使用者发送用公共密钥加密成密码的信息。仅有使用者才能够解码那些信息，因为解码要求使用者知道公共密钥的口令。那是惟有使用者自己才知道的私人密钥。在这些过程当中。信息接受方获得对方公共密钥有两种方法：一是直接跟对方联系以获得对方的公共密钥;另一种方法是向第三方即可靠的验证机构(如Certification Authori-ty，CA)，可靠地获取对方的公共密钥。公共密钥体制的算法中最著名的代表是RSA系统，此外还有：背包密码、椭圆曲线、EL Gamal算法等。公钥密码的优点是可以适应网络的开放性要求，且密钥 管理问题也较为简单，尤其可方便的实现数字签名和验证。但其算法复杂，加密数据的速率较低。尽管如此，随着现代 电子 技术和密码技术的发展，公钥密码算法将是一种很有前途的网络安全加密体制。 RSA算法得基本思想是：先找出两个非常大的质数P和Q，算出N=(P×Q)，找到一个小于N的E，使E和(P-1)×(Q-1)互质。然后算出数D，使(D×E-1)Mod(P-1)×(Q-1)=0。则公钥为(E，N)，私钥为(D，N)。在加密时，将明文划分成串，使得每串明文P落在0和N之间，这样可以通过将明文划分为每块有K位的组来实现。并且使得K满足(P-1)×(Q-1I)K3加密技术在 网络 中的 应用及 发展 实际应用中加密技术主要有链路加密、节点加密和端对端加密等三种方式，它们分别在OSI不同层次使用加密技术。链路加密通常用硬件在物理层实现，加密设备对所有通过的数据加密，这种加密方式对用户是透明的，由网络自动逐段依次进行，用户不需要了解加密技术的细节，主要用以对信道或链路中可能被截获的部分进行保护。链路加密的全部报文都以明文形式通过各节点的处理器。在节点数据容易受到非法存取的危害。节点加密是对链路加密的改进，在协议运输层上进行加密，加密算法要组合在依附于节点的加密模块中，所以明文数据只存在于保密模块中，克服了链路加密在节点处易遭非法存取的缺点。网络层以上的加密，通常称为端对端加密，端对端加密是把加密设备放在网络层和传输层之间或在表示层以上对传输的数据加密，用户数据在整个传输过程中以密文的形式存在。它不需要考虑网络低层，下层协议信息以明文形式传输，由于路由信息没有加密，易受监控分析。不同加密方式在网络层次中侧重点不同，网络应用中可以将链路加密或节点加密同端到端加密结合起来，可以弥补单一加密方式的不足，从而提高网络的安全性。针对网络不同层次的安全需求也制定出了不同的安全协议以便能够提供更好的加密和认证服务，每个协议都位于 计算 机体系结构的不同层次中。混合加密方式兼有两种密码体制的优点，从而构成了一种理想的密码方式并得到广泛的应用。在数据信息中很多时候所传输数据只是其中一小部分包含重要或关键信息，只要这部分数据安全性得到保证整个数据信息都可以认为是安全的，这种情况下可以采用部分加密方案，在数据压缩后只加密数据中的重要或关键信息部分。就可以大大减少计算时间，做到数据既能快速地传输，并且不影响准确性和完整性，尤其在实时数据传输中这种方法能起到很显著的效果。 4结语 多媒体信息加密技术论文作为网络安全技术的核心，其重要性不可忽略。随着加密算法的公开化和解密技术的发展，各个国家正不断致力于开发和设计新的加密算法和加密机制。所以我们应该不断发展和开发新的多媒体信息加密技术论文以适应纷繁变化的网络安全 环境。 多媒体多媒体信息加密技术论文论文篇二 信息数据加密技术研究 [摘 要] 随着全球经济一体化的到来，信息安全得到了越来越多的关注，而信息数据加密是防止数据在数据存储和和传输中失密的有效手段。如何实现信息数据加密，世界各个国家分别从法律上、管理上加强了对数据的安全保护，而从技术上采取措施才是有效手段，信息数据加密技术是利用数学或物理手段，对电子信息在传输过程中和存储体内进行保护，以防止泄漏的技术。 [关键字] 信息 数据加密 对称密钥加密技术 非对称密钥加密技术 随着全球经济一体化的到来，信息技术的快速发展和信息交换的大量增加给整个社会带来了新的驱动力和创新意识。信息技术的高速度发展，信息传输的安全日益引起人们的关注。世界各个国家分别从法律上、管理上加强了对数据的安全保护，而从技术上采取措施才是有效手段，技术上的措施分别可以从软件和硬件两方面入手。随着对信息数据安全的要求的提高，数据加密技术和物理防范技术也在不断的发展。数据加密是防止数据在数据存储和和传输中失密的有效手段。信息数据加密技术是利用数学或物理手段，对电子信息在传输过程中和存储体内进行保护，以防止泄漏的技术。信息数据加密与解密从宏观上讲是非常简单的,很容易掌握,可以很方便的对机密数据进行加密和解密。从而实现对数据的安全保障。 1.信息数据加密技术的基本概念 信息数据加密就是通过信息的变换或编码，把原本一个较大范围的人(或者机器)都能够读懂、理解和识别的信息(这些信息可以是语音、文字、图像和符号等等)通过一定的方法(算法)，使之成为难以读懂的乱码型的信息，从而达到保障信息安全，使其不被非法盗用或被非相关人员越权阅读的目的。在加密过程中原始信息被称为“明文”，明文经转换加密后得到的形式就是“密文”。那么由“明文”变成“密文”的过程称为“加密”,而把密文转变为明文的过程称为“解密”。 2. 信息数据加密技术分类 信息数据加密技术一般来说可以分为两种，对称密钥加密技术及非对称密钥加密技术。 对称密钥加密技术 对称密钥加密技术，又称专用密钥加密技术或单密钥加密技术。其加密和解密时使用同一个密钥，即同一个算法。对称密钥是一种比较传统的加密方式，是最简单方式。在进行对称密钥加密时，通信双方需要交换彼此密钥，当需要给对方发送信息数据时，用自己的加密密钥进行加密，而在需要接收方信息数据的时候，收到后用对方所给的密钥进行解密。在对称密钥中，密钥的管理极为重要，一旦密钥丢失，密文将公开于世。这种加密方式在与多方通信时变得很复杂，因为需要保存很多密钥，而且密钥本身的安全就是一个必须面对的大问题。 对称密钥加密算法主要包括：DES、3DES、IDEA、FEAL、BLOWFISH等。 DES 算法的数据分组长度为64 位，初始置换函数接受长度为64位的明文输入，密文分组长度也是64 位，末置换函数输出64位的密文;使用的密钥为64 位，有效密钥长度为56 位，有8 位用于奇偶校验。DES的解密算法与加密算法完全相同，但密钥的顺序正好相反。所以DES是一种对二元数据进行加密的算法。DES加密过程是：对给定的64 位比特的明文通过初始置换函数进行重新排列，产生一个输出;按照规则迭代，置换后的输出数据的位数要比迭代前输入的位数少;进行逆置换，得到密文。 DES 算法还是比别的加密算法具有更高的安全性，因为DES算法具有相当高的复杂性，特别是在一些保密性级别要求高的情况下使用三重DES 或3DES 系统较可靠。DES算法由于其便于掌握，经济有效，使其应用范围更为广泛。目前除了用穷举搜索法可以对DES 算法进行有效地攻击之外， 还没有发现 其它 有效的攻击办法。 IDEA算法1990年由瑞士联邦技术协会的Xuejia Lai和James Massey开发的。经历了大量的详细审查，对密码分析具有很强的抵抗能力，在多种商业产品中被使用。IDEA以64位大小的数据块加密的明文块进行分组，密匙长度为128位，它基于“相异代数群上的混合运算”设计思想算法用硬件和软件实现都很容易且比DES在实现上快的多。 IDEA算法输入的64位数据分组一般被分成4个16位子分组：A1，A2，A3和A4。这4个子分组成为算法输入的第一轮数据，总共有8轮。在每一轮中，这4个子分组相互相异或，相加，相乘，且与6个16位子密钥相异或，相加，相乘。在轮与轮间，第二和第三个子分组交换。最后在输出变换中4个子分组与4个子密钥进行运算。 FEAL算法不适用于较小的系统，它的提出是着眼于当时的DES只用硬件去实现，FEAL算法是一套类似美国DES的分组加密算法。但FEAL在每一轮的安全强度都比DES高，是比较适合通过软件来实现的。FEAL没有使用置换函数来混淆加密或解密过程中的数据。FEAL使用了异或(XOR)、旋转(Rotation)、加法与模(Modulus)运算，FEAL中子密钥的生成使用了8轮迭代循环，每轮循环产生2个16bit的子密钥，共产生16个子密钥运用于加密算法中。 非对称密钥加密技术 非对称密钥加密技术又称公开密钥加密，即非对称加密算法需要两个密钥，公开密钥和私有密钥。有一把公用的加密密钥，有多把解密密钥，加密和解密时使用不同的密钥，即不同的算法，虽然两者之间存在一定的关系，但不可能轻易地从一个推导出另一个。使用私有密钥对数据信息进行加密，必须使用对应的公开密钥才能解密，而 公开密钥对数据信息进行加密，只有对应的私有密钥才能解密。在非对称密钥加密技术中公开密钥和私有密钥都是一组长度很大、数字上具有相关性的素数。其中的一个密钥不可能翻译出信息数据，只有使用另一个密钥才能解密，每个用户只能得到唯一的一对密钥，一个是公开密钥，一个是私有密钥，公开密钥保存在公共区域，可在用户中传递，而私有密钥则必须放在安全的地方。 非对称密钥加密技术的典型算法是RSA算法。RSA算法是世界上第一个既能用于数据加密也能用于数字签名的非对称性加密算法，RSA算法是1977年由Ron Rivest、Adi Shamirh和LenAdleman在(美国麻省理工学院)开发的。RSA是目前最有影响力的公钥加密算法，它能够抵抗到目前为止已知的所有密码攻击，已被ISO推荐为公钥数据加密标准。 RSA算法的安全性依赖于大数分解，但现在还没有证明破解RSA就一定需要作大数分解。所以是否等同于大数分解一直没有理论证明的支持。由于RSA算法进行的都是大数计算，所以无论是在软件还是硬件方面实现相对于DES算法RSA算法最快的情况也会慢上好几倍。速度一直是RSA算法的缺陷。 3. 总结 随着计算机网络的飞速发展，在实现资源共享、信息海量的同时，信息安全达到了前所未有的需要程度，多媒体信息加密技术论文也凸显了其必不可少的地位，同时也加密技术带来了前所未有的发展需求，加密技术发展空间无限。 参考文献： [1] IDEA算法 中国信息安全组织 2004-07-17. 看了“多媒体多媒体信息加密技术论文论文”的人还看： 1. ssl加密技术论文 2. 详解加密技术概念加密方法以及应用论文 3. 浅谈计算机安全技术毕业论文 4. 电子信息技术论文范文 5. 计算机网络安全结课论文
多媒体数据压缩方法分类数据的压缩实际上是一个编码过程，即把原始的数据进行编码压缩。数据的解压缩是数据压缩的逆过程，即把压缩的编码还原为原始数据。因此数据压缩方法也称为编码方法。目前数据压缩技术日臻恼，适应各种应用场合的编码方法不断产生。针对多媒体数据冗余类型的不同，相应地有不同的压缩方法。 按照压缩方法是否产生失真分类根据解码后数据与原始数据是否完全一致进行分类，压缩方法可被分为有失真编码和无失真编码两大类。 有失真压缩法会压缩了熵，会减少信息量，而损失的信息是不能再恢复的，因此这种压缩法是不可逆的。无失真压缩法掉或减少数据中的冗余，但这些冗余值是可以重新插入到数据中的，因此冗余压缩是可逆的过程。 无失真压缩是不会产生失真。从信息主义角度讲，无失真编码是泛指那种不考虑被压缩信息性质和压缩技术。它是基于平均信息量的技术，并把所有的数据当做比特序列，而不是根据压缩信息的类型来优化压缩。也就是说，平均信息量编码忽略被压缩信息主义内容。在多媒体技术中一般用于文本、数据的压缩，它能保证百分之百地恢复原始数据。但这种方法压缩比较低，如LZW编码、行程编码、霍夫曼（Huffman）编码的压缩比一般在2：1至5：1之间。 按照压缩方法的原理分类根据编码原理进行分类，大致有编码、变换编码、统计编码、分析－合成编码、混合编码和其他一些编码方法。其中统计编码是无失真的编码，其他编码方法基本上都是有失真的编码。 预测编码是针对空间冗余的压缩方法，其基本思想是利用已被编码的点的数据值，预测邻近的一个像素点的数据值。预测根据某个模型进行。如果模型选取得足够好的话，则只需存储和传输起始像素和模型参数就可代表全部数据了。按照模型的不同，预测编码又可分为线性预测、帧内预测和帧间预测。 变换编码也是针对空间冗余和时间冗余的压缩方法。其基本思想是将图像的光强矩阵（时域信号）变换到系统空间（频域）上，然后对系统进行编码压缩。在空间上具有强相关性的信号，反映在频域上是某些特定区域内的能量常常被集中在一起，或者是系数矩阵的发布具有某些规律。可以利用这些规律，分配频域上的量化比特数，从而达到压缩的目的。由于时域映射到频域总是通过某种变换进行的，因此称变换编码。因为正交变换的变换矩阵是可逆的，且逆矩阵与转换置矩阵相等，解码运算方便且保证有解，所以变换编码总是采用正交变换。 统计编码属于无失真编码。它是根据信息出现概率的分布而进行的压缩编码。编码时某种比特或字节模式的出现概率大，用较短的码字表示；出现概率小，用较长的码字表示。这样，可以保证总的平均码长最短。最常用的统计编码方法是哈夫曼编码方法。 分析-合成编码实质上都是通过对原始数据的分析，将其分解成一系列更适合于表示“基元”或从中提取若干具有更为本质意义的参数，编码仅对这些基本单元或特征参数进行。译码时则借助于一定的规则或模型，按一定的算法将这些基元或参数，“综合”成原数据的一个逼近。这种编码方法可能得到极高的数据压缩比。 混合编码综合两种以上的编码方法，这些编码方法必须针对不同的冗余进行压缩，使总的压缩性能得到加强。
常用的遥感数据的专题分类方法有多种，从分类判别决策方法的角度可以分为统计分类器、神经网络分类器、专家系统分类器等；从是否需要训练数据方面，又可以分为监督分类器和非监督分类器。
一、统计分类方法
统计分类方法分为非监督分类方法和监督分类方法。非监督分类方法不需要通过选取已知类别的像元进行分类器训练，而监督分类方法则需要选取一定数量的已知类别的像元对分类器进行训练，以估计分类器中的参数。非监督分类方法不需要任何先验知识，也不会因训练样本选取而引入认为误差，但非监督分类得到的自然类别常常和研究感兴趣的类别不匹配。相应地，监督分类一般需要预先定义分类类别，训练数据的选取可能会缺少代表性，但也可能在训练过程中发现严重的分类错误。
1.非监督分类器
非监督分类方法一般为聚类算法。最常用的聚类非监督分类方法是 K-均值（K-Means Algorithm）聚类方法（Duda and Hart，1973）和迭代自组织数据分析算法（ISODATA）。其算法描述可见于一般的统计模式识别文献中。
一般通过简单的聚类方法得到的分类结果精度较低，因此很少单独使用聚类方法进行遥感数据专题分类。但是，通过对遥感数据进行聚类分析，可以初步了解各类别的分布，获取最大似然监督分类中各类别的先验概率。聚类分析最终的类别的均值矢量和协方差矩阵可以用于最大似然分类过程（Schowengerdt，1997）。
2.监督分类器
监督分类器是遥感数据专题分类中最常用的一种分类器。和非监督分类器相比，监督分类器需要选取一定数量的训练数据对分类器进行训练，估计分类器中的关键参数，然后用训练后的分类器将像元划分到各类别。监督分类过程一般包括定义分类类别、选择训练数据、训练分类器和最终像元分类四个步骤（Richards，1997）。每一步都对最终分类的不确定性有显著影响。
监督分类器又分为参数分类器和非参数分类器两种。参数分类器要求待分类数据满足一定的概率分布，而非参数分类器对数据的概率分布没有要求。
遥感数据分类中常用的分类器有最大似然分类器、最小距离分类器、马氏距离分类器、K-最近邻分类器（K-Nearest neighborhood classifier，K-NN）以及平行六面体分类器（parallelepiped classifier）。最大似然、最小距离和马氏距离分类器在第三章已经详细介绍。这里简要介绍 K-NN 分类器和平行六面体分类器。
K-NN分类器是一种非参数分类器。该分类器的决策规则是：将像元划分到在特征空间中与其特征矢量最近的训练数据特征矢量所代表的类别（Schowengerdt，1997）。当分类器中 K=1时，称为1-NN分类器，这时以离待分类像元最近的训练数据的类别作为该像元的类别；当 K ＞1 时，以待分类像元的 K 个最近的训练数据中像元数量最多的类别作为该像元的类别，也可以计算待分类像元与其 K 个近邻像元特征矢量的欧氏距离的倒数作为权重，以权重值最大的训练数据的类别作为待分类像元的类别。Hardin，（1994）对 K-NN分类器进行了深入的讨论。
平行六面体分类方法是一个简单的非参数分类算法。该方法通过计算训练数据各波段直方图的上限和下限确定各类别像元亮度值的范围。对每一类别来说，其每个波段的上下限一起就形成了一个多维的盒子（box）或平行六面体（parallelepiped）。因此 M 个类别就有M 个平行六面体。当待分类像元的亮度值落在某一类别的平行六面体内时，该像元就被划分为该平行六面体代表的类别。平行六面体分类器可以用图5-1中两波段的遥感数据分类问题来表示。图中的椭圆表示从训练数据估计的各类别亮度值分布，矩形表示各类别的亮度值范围。像元的亮度落在哪个类别的亮度范围内，就被划分为哪个类别。
图5-1 平行六面体分类方法示意图
3.统计分类器的评价
各种统计分类器在遥感数据分类中的表现各不相同，这既与分类算法有关，又与数据的统计分布特征、训练样本的选取等因素有关。
非监督聚类算法对分类数据的统计特征没有要求，但由于非监督分类方法没有考虑任何先验知识，一般分类精度比较低。更多情况下，聚类分析被作为非监督分类前的一个探索性分析，用于了解分类数据中各类别的分布和统计特征，为监督分类中类别定义、训练数据的选取以及最终的分类过程提供先验知识。在实际应用中，一般用监督分类方法进行遥感数据分类。
最大似然分类方法是遥感数据分类中最常用的分类方法。最大似然分类属于参数分类方法。在有足够多的训练样本、一定的类别先验概率分布的知识，且数据接近正态分布的条件下，最大似然分类被认为是分类精度最高的分类方法。但是当训练数据较少时，均值和协方差参数估计的偏差会严重影响分类精度。Swain and Davis（1978）认为，在N维光谱空间的最大似然分类中，每一类别的训练数据样本至少应该达到10×N个，在可能的条件下，最好能达到100×N以上。而且，在许多情况下，遥感数据的统计分布不满足正态分布的假设，也难以确定各类别的先验概率。
最小距离分类器可以认为是在不考虑协方差矩阵时的最大似然分类方法。当训练样本较少时，对均值的估计精度一般要高于对协方差矩阵的估计。因此，在有限的训练样本条件下，可以只估计训练样本的均值而不计算协方差矩阵。这样最大似然算法就退化为最小距离算法。由于没有考虑数据的协方差，类别的概率分布是对称的，而且各类别的光谱特征分布的方差被认为是相等的。很显然，当有足够训练样本保证协方差矩阵的精确估计时，最大似然分类结果精度要高于最小距离精度。然而，在训练数据较少时，最小距离分类精度可能比最大似然分类精度高（Richards，1993）。而且最小距离算法对数据概率分布特征没有要求。
马氏距离分类器可以认为是在各类别的协方差矩阵相等时的最大似然分类。由于假定各类别的协方差矩阵相等，和最大似然方法相比，它丢失了各类别之间协方差矩阵的差异的信息，但和最小距离法相比较，它通过协方差矩阵保持了一定的方向灵敏性（Richards，1993）。因此，马氏距离分类器可以认为是介于最大似然和最小距离分类器之间的一种分类器。与最大似然分类一样，马氏距离分类器要求数据服从正态分布。
K-NN分类器的一个主要问题是需要很大的训练数据集以保证分类算法收敛（Devijver and Kittler，1982）。K-NN分类器的另一个问题是，训练样本选取的误差对分类结果有很大的影响（Cortijo and Blanca，1997）。同时，K-NN分类器的计算复杂性随着最近邻范围的扩大而增加。但由于 K-NN分类器考虑了像元邻域上的空间关系，和其他光谱分类器相比，分类结果中“椒盐现象”较少。
平行六面体分类方法的优点在于简单，运算速度快，且不依赖于任何概率分布要求。它的缺陷在于：首先，落在所有类别亮度值范围之外的像元只能被分类为未知类别；其次，落在各类别亮度范围重叠区域内的像元难以区分其类别（如图5-1所示）。
各种统计分类方法的特点可以总结为表5-1。
二、神经网络分类器
神经网络用于遥感数据分类的最大优势在于它平等地对待多源输入数据的能力，即使这些输入数据具有完全不同的统计分布，但是由于神经网络内部各层大量的神经元之间连接的权重是不透明的，因此用户难以控制（Austin，Harding and Kanellopoulos et al.，1997）。
神经网络遥感数据分类被认为是遥感数据分类的热点研究领域之一（Wilkinson，1996；Kimes，1998）。神经网络分类器也可分为监督分类器和非监督分类器两种。由于神经网络分类器对分类数据的统计分布没有任何要求，因此神经网络分类器属于非参数分类器。
遥感数据分类中最常用的神经网络是多层感知器模型（multi-layer percep-tron，MLP）。该模型的网络结构如图5-2所示。该网络包括三层：输入层、隐层和输出层。输入层主要作为输入数据和神经网络输入界面，其本身没有处理功能；隐层和输出层的处理能力包含在各个结点中。输入的结构一般为待分类数据的特征矢量，一般情况下，为训练像元的多光谱矢量，每个结点代表一个光谱波段。当然，输入结点也可以为像元的空间上下文信息（如纹理）等，或多时段的光谱矢量（Paola and Schowengerdt，1995）。
表5-1 各种统计分类器比较
图5-2 多层感知器神经网络结构
对于隐层和输出层的结点来说，其处理过程是一个激励函数（activation function）。假设激励函数为f（S），对隐层结点来说，有：
遥感信息的不确定性研究
其中，pi为隐层结点的输入；hj为隐层结点的输出；w为联接各层神经之间的权重。
对输出层来说，有如下关系：
遥感信息的不确定性研究
其中，hj为输出层的输入；ok为输出层的输出。
激励函数一般表达为：
遥感信息的不确定性研究
确定了网络结构后，就要对网络进行训练，使网络具有根据新的输入数据预测输出结果的能力。最常用的是后向传播训练算法（Back-Propagation）。这一算法将训练数据从输入层进入网络，随机产生各结点连接权重，按式（5-1）（5-2）和（5-3）中的公式进行计算，将网络输出与预期的结果（训练数据的类别）相比较并计算误差。这个误差被后向传播的网络并用于调整结点间的连接权重。调整连接权重的方法一般为delta规则（Rumelhart，et al.，1986）：
遥感信息的不确定性研究
其中，η为学习率（learning rate）；δk为误差变化率；α为动量参数。
将这样的数据的前向和误差后向传播过程不断迭代，直到网络误差减小到预设的水平，网络训练结束。这时就可以将待分类数据输入神经网络进行分类。
除了多层感知器神经网络模型，其他结构的网络模型也被用于遥感数据分类。例如，Kohonen自组织网络被广泛用于遥感数据的非监督聚类分析（Yoshida et al.，1994；Schaale et al.，1995）；自适应共振理论（Adaptive Resonance Theory）网络（Silva，S and Caetano，）、模糊ART图（Fuzzy ART Maps）（Fischer， and Gopal，S，1997）、径向基函数（骆剑承，1999）等也被用于遥感数据分类。
许多因素影响神经网络的遥感数据分类精度。Foody and Arora（1997）认为神经网络结构、遥感数据的维数以及训练数据的大小是影响神经网络分类的重要因素。
神经网络结构，特别是网络的层数和各层神经元的数量是神经网络设计最关键的问题。网络结构不但影响分类精度，而且对网络训练时间有直接影响（Kavzoglu and Mather，1999）。对用于遥感数据分类的神经网络来说，由于输入层和输出层的神经元数目分别由遥感数据的特征维数和总的类别数决定的，因此网络结构的设计主要解决隐层的数目和隐层的神经元数目。一般过于复杂的网络结构在刻画训练数据方面较好，但分类精度较低，即“过度拟合”现象（over-fit）。而过于简单的网络结构由于不能很好的学习训练数据中的模式，因此分类精度低。
网络结构一般是通过实验的方法来确定。Hirose等（1991）提出了一种方法。该方法从一个小的网络结构开始训练，每次网络训练陷入局部最优时，增加一个隐层神经元，然后再训练，如此反复，直到网络训练收敛。这种方法可能导致网络结构过于复杂。一种解决办法是每当认为网络收敛时，减去最近一次加入的神经元，直到网络不再收敛，那么最后一次收敛的网络被认为是最优结构。这种方法的缺点是非常耗时。“剪枝法”（pruning）是另一种确定神经网络结构的方法。和Hirose等（1991）的方法不同，“剪枝法”从一个很大的网络结构开始，然后逐步去掉认为多余的神经元（Sietsma and Dow，1988）。从一个大的网络开始的优点是，网络学习速度快，对初始条件和学习参数不敏感。“剪枝”过程不断重复，直到网络不再收敛时，最后一次收敛的网络被认为最优（Castellano，Fanelli and Pelillo，1997）。
神经网络训练需要训练数据样本的多少随不同的网络结构、类别的多少等因素变化。但是，基本要求是训练数据能够充分描述代表性的类别。Foody等（1995）认为训练数据的大小对遥感分类精度有显著影响，但和统计分类器相比，神经网络的训练数据可以比较少。
分类变量的数据维对分类精度的影响是遥感数据分类中的普遍问题。许多研究表明，一般类别之间的可分性和最终的分类精度会随着数据维数的增大而增高，达到某一点后，分类精度会随数据维的继续增大而降低（Shahshahani and Landgrebe，1994）。这就是有名的Hughes 现象。一般需要通过特征选择去掉信息相关性高的波段或通过主成分分析方法去掉冗余信息。分类数据的维数对神经网络分类的精度同样有明显影响（Battiti，1994），但Hughes 现象没有传统统计分类器中严重（Foody and Arora，1997）。
Kanellopoulos（1997）通过长期的实践认为一个有效的ANN模型应考虑以下几点：合适的神经网络结构、优化学习算法、输入数据的预处理、避免振荡、采用混合分类方法。其中混合模型包括多种ANN模型的混合、ANN与传统分类器的混合、ANN与知识处理器的混合等。
三、其他分类器
除了上述统计分类器和神经网络分类器，还有多种分类器被用于遥感图像分类。例如模糊分类器，它是针对地面类别变化连续而没有明显边界情况下的一种分类器。它通过模糊推理机制确定像元属于每一个类别的模糊隶属度。一般的模糊分类器有模糊C均值聚类法、监督模糊分类方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各种人工神经网络方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由于模糊分类的结果是像元属于每个类别的模糊隶属度，因此也称其为“软分类器”，而将传统的分类方法称为“硬分类器”。
另一类是上下文分类器（contextual classifier），它是一种综合考虑图像光谱和空间特征的分类器。一般的光谱分类器只是考虑像元的光谱特征。但是，在遥感图像中，相邻的像元之间一般具有空间自相关性。空间自相关程度强的像元一般更可能属于同一个类别。同时考虑像元的光谱特征和空间特征可以提高图像分类精度，并可以减少分类结果中的“椒盐现象”。当类别之间的光谱空间具有重叠时，这种现象会更明显（Cortijo et al.，1995）。这种“椒盐现象”可以通过分类的后处理滤波消除，也可以通过在分类过程中加入代表像元邻域关系的信息解决。
在分类过程中可以通过不同方式加入上下文信息。一是在分类特征中加入图像纹理信息；另一种是图像分割技术，包括区域增长/合并常用算法（Ketting and Landgrebe，1976）、边缘检测方法、马尔可夫随机场方法。Rignot and Chellappa（1992）用马尔可夫随机场方法进行SAR图像分类，取得了很好的效果，Paul Smits（1997）提出了保持边缘细节的马尔可夫随机场方法，并用于SAR图像的分类；Crawford（1998）将层次分类方法和马尔可夫随机场方法结合进行SAR图像分类，得到了更高的精度；Cortijo（1997）用非参数光谱分类对遥感图像分类，然后用ICM算法对初始分类进行上下文校正。
给你推荐一篇不错的文章，里面对遥感影像分类的方法有详细介绍，希望对你有用。
一、实验目的
通过使用ENVI的六种主要的遥感监督分类器——平行六面体分类、最小距离分类、马氏距离分类、最大似然分类、神经网络分类和支持向量机分类的命令，加深对遥感监督分类原理的理解，了解其技术实现过程，初步掌握其ENVI功能命令的基本使用操作。
二、实验内容
①桂林市TM 遥感影像平行六面体分类；②桂林市TM 遥感影像最小距离分类；③桂林市TM 遥感影像马氏距离分类；④桂林市TM 遥感影像最大似然分类；⑤桂林市TM 遥感影像神经网络分类；⑥桂林市TM 遥感影像支持向量机分类；⑦对6种分类结果进行比较分析。
三、实验要求
①平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机六种分类方法在理论上比较复杂，为取得好的实验效果，要求实验前事先预习其原理，从理论上理解并掌握它们的特点和异同。②确定分类处理方法训练样本需要用到的已知地质资料，提前准备。③编写实验报告。④由于同时做六种分类处理工作量较大，可以根据实际课时情况选择做其中部分。最小距离分类为必须做的方法。
四、技术条件
①微型计算机；②灌阳地区QuickBird全色波段遥感数据；③ENVI软件；④Photoshop软件（以上）和ACDSee软件（以上）。
五、实验步骤
遥感影像监督分类可以分为四个过程：样本选择、执行监督分类、评价分类结果和分类后处理。具体操作步骤如下。
（一）定义训练
1.样本选择
（1）在ENVI主菜单中，选择“File>Open Image File”，打开灌阳地区QuickBird全色波段遥感数据，Band3、4、1合成RGB并使之显示在“Display”中，通过分析图像，选择耕地、林地、居民地和水体四种地物样本。
图17-1 ROI工具对话框
（2）在主图像窗口中，选择“Overlay>Region of Interest”，打开“ROI Tool”对话框，如图17-1所示。
（3）在“ROI Tool”对话框中，选择“Window”选项，可以在“Image”、“Scroll”或者“Zoom”窗口中绘制感兴趣区；在“ROI Name”字段输入样本的名称；在“Color”字段中，单击右键选择颜色。
（4）在“ROI Tool”对话框中，选择“ROI Type > Polygon”，在“Image”、“Scroll”或者“Zoom”窗口中绘制感兴趣区。
（5）完成一类感兴趣区的绘制后，在“ROI Tool”对话框中，选择【New Region】按钮，新建另一类样本种类，重复上述操作。
2.评价训练样本
在ROI对话框中，选择“Option>Compute ROI Separability”，打开待分类影像文件，选择所有定义的样本类型，可以计算样本的可分离性，如图17-2所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita距离和转换分离度（Transformed Divergence）来表示。ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed Divergence，在对话框底部，根据可分离性值的大小，从小到大列出感兴趣区组合。这两个参数的值在0～之间，大于说明样本之间可分离性好，属于合格样本；小于，需要重新选择样本；小于1，考虑将两类样本合成一类样本。
图17-2 样本可分离性计算报表
（二）执行监督分类
在ENVI主菜单中选择“Classificatoin>Supervisred＞分类器类型”，可以根据分类的复杂度、精度需求等选择分类器。
1.平行六面体分类器
平行六面体用一条简单的判定规则对多波谱数据进行分类。判定边界在图像数据空间中形成了一个N维平行六面体。平行六面体的维数由来自每一种选择的分类平均值的标准差的阈值确定。如果像元值位于N 个被分类波段的低阈值与高阈值之间，则它归属于这一类。如果像元值落在多个类里，那么ENVI将这一像元归到最后一个匹配的类里。没有落在平行六面体的任何一类里的区域被称为无类别的。操作步骤如下：
（1）在ENVl主菜单栏中选择“Classification>Supervised>Parallelepiped”，在分类输入文件对话框中选择待分类遥感影像，打开“Parallelepiped Parameters”对话框，如图17-3所示。
图17-3 平行六面体分类器参数设置对话框
（2） Select Classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
（3） Set Max stdev from Mean：设置标准差阈值。有三种类型：不设置标准差阈值（None）、为所有类别设置一个标准差阈值（Single Value）和分别为每种类别设置一个标准差阈值（Multiple Values）。
（4）选择“Single Value”，在“Max stdev from Mean”文本框里输入标准差阈值。
（5）点击【Preview】按钮，可以预览分类结果。
（6）选择分类结果的输出路径及文件名。
（7）设置“Output Rule Images”：是否选择规则图像数据。
（8）设置完上述参数后，点击【OK】按钮执行分类处理。
2.最小距离分类器
最小距离分类用到每一个终端单元的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为“无类别”），操作步骤如下：
（1）在ENVI主菜单栏中选择“Classification>Supervised>Minimum Distance”，在分类输入文件对话框中选择待分类遥感影像，打开“Minimum Distance”对话框，如图174所示。
图17-4 最小距离分类器参数设置对话框
（2） Select classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
（3） Set Max stdev from Mean：设置标准差阈值。有3种类型：不设置标准差阈值（None）、为所有类别设置一个标准差阈值（Single Value）和分别为每种类别设置一个标准差阈值（Multiple Values）。
（4）选择“Single Value”，在“Max stdev from Mean”文本框里输入标准差阈值。
（5） Set Max Distances Error：设置允许的最大距离误差，距离大于该值的像元将不被分入该类，如果不满足所有类别的最大距离误差，将会被归为未分类类型中，有3种类型：不设置最大距离误差（None）、为所有类别设置一个最大距离误差（Single Value）和分别为每种类别设置一个最大距离误差（Multiple Values）。
（6）点击【Preview】按钮，可以预览分类结果。
（7）选择分类结果的输出路径及文件名。
（8）设置“Output Rule Images”：是否选择规则图像数据。
（9）设置完上述参数后，点击【OK】按钮执行分类处理。
.3 马氏距离分类器
马氏距离分类是一个方向灵敏的距离分类器，分类时用到了统计。它与最大似然分类有些类似，但是假定所有类的协方差相等，所以是一种较快的方法。所有像元都被归到最临近的ROI类，除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别），操作步骤如下：
（1）在ENVI主菜单栏中选择“Classification>Supervised>Mahalanobis Distance”，在分类输入文件对话框中选择待分类遥感影像，打开“Mahalanobis Distance”对话框，如图17-5所示。
（2） Select Classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
图17-5 马氏距离分类器参数设置对话框
（3） Set Max Distances Error：设置允许的最大距离误差，距离大于该值的像元将不被分入该类，如果不满足所有类别的最大距离误差，将会被归为未分类类型中，有3种类型：不设置最大距离误差（None）、为所有类别设置一个最大距离误差（Single Value）和分别为每种类别设置一个最大距离误差（Multiple Values）。
（4）点击【Preview】按钮，可以预览分类结果。
（5）选择分类结果的输出路径及文件名。
（6）设置“Output Rule Images”：是否选择规则图像数据。
（7）设置完上述参数后，点击【OK】按钮执行分类处理。
4.最大似然分类器
最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值，所有像元都将参与分类。每一个像元被归到可能性最大的那一类里。操作步骤如下：
（1）在ENVI主菜单栏中选择“Classification>Supervised>Maximum Likelihood”，在分类输入文件对话框中选择待分类遥感影像，打开“Maximum Likelihood Parameters”对话框，如图17-6所示。
（2） Select Classes from Regio：n点s击【Select All Items】按钮，选择所有的训练样本。
图17-6 最大似然分类器参数设置对话框
（3）Set Probability Threshold：设置似然度的阈值，有3种类型：不设置最大似然度阈值（None）、为所有类别设置一个最大似然度阈值（Single Value）和分别为每种类别设置一个最大似然度阈值（Multiple Values），如果选择Single Value，则在Probability Threshold文本框中输入一个0～1的值。
（4） Data Scale Factor：输入一个数据比例系数，这个比例系数是一个比值系数，用于将整形反射率或者辐射率数据转换为浮点型数据。例如，对于没有经过辐射定标的8bit数据，设定比例系数为255。
（5）点击【Preview】按钮可以预览分类结果。
（6）选择分类结果的输出路径及文件名。
（7）设置“Output Rule Images”：是否选择规则图像数据。
（8）设置完上述参数后，点击【OK】按钮执行分类处理。
5.神经网络分类器
用计算机模拟入脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类，操作步骤如下：
（1）在ENVI主菜单栏中选择“Classificantion>Supervised>Neural Net”，在分类输入文件对话框中选择待分类遥感影像，打开“Neural Net Parameters”对话框，如图17-7所示。
（2）Select Classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
图17-7 神经网络分类器参数设置对话框
（3） Activation：选择活化函数，包括对数（Logistic）和双曲线（Hyperbolic）。
（4） Training Threshold Contnbution：输入训练贡献阈值（0～1）。该参数决定了与活化节点级别相关的内部权重的贡献量，它用于调节节点内部权重的变化。训练算法交互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数设置为0将不会调整节点的内部权重。适当调整节点的内部权重可以生成一幅较好的分类图像，但是如果设置的权重过大，对分类结果会产生不良影响。
（5） Training Rate：设置权重调节速度（0～1）。参数值越大则使得训练速度越快，但也增加摆动或者使训练结果不收敛。
（6） Training Momentum：设置权重调节动量（0～1）。该值大于0时，在“Training Rate”文本框中输入较大值不会引起摆动。该值越大，训练的步幅越大。该参数的作用是促使权重沿当前方向改变。
（7）Training RMS Exit Criterai：指定RMS误差为何值时训练应该停止。RMS误差值在训练过程中将显示在图表中，当该值小于输入值时，即使还没有达到迭代次数，训练也会停止，然后开始进行分类。
（8） Number of Hidden Layers：输入所用隐藏层的数量。要进行线性分类，输入值为0；进行非线性分类，输入值应该大于或者等于1。
（9） Number of Training Iterations：输入用于训练的迭代次数。
（10） Min Output Activation Threshold：输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值，在输出的分类中该像元将被归入未分类中。
（11）选择分类结果的输出路径及文件名。
（12）设置“Output Rule Images”：是否选择规则图像数据。
（13）设置完上述参数后，点击【OK】按钮执行分类处理。
6.支持向量机分类器
支持向量机分类（SVM）是一种建立在统计学习理论基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率，操作步骤如下：
（1）在ENVl主菜单栏中选择“Classification>Supervised>SupportVec tor Machine”，在分类输入文件对话框中选择待分类遥感影像，打开“Support Vector Machine Classification Parameters”对话框，如图17-8所示。
图17-8 支持向量机分类器参数设置对话框
（2） Select Classes From Regions：点击【Select All Items】按钮，选择所有的训练样本。
（3） Kemel Type下拉列表中的选项有：Linear、Polynomial、Radial Basis Function和Sigmoid。
若选择Polynomial，需要设置一个核心多项式（Degere of Kernel Polynomial）的次数用于SVM，最小值为1，最大值为6；使用向量机规则需要为Kernel指定“this Bias”，默认值为1；“Gamma in Kernel Function”参数设置为大于0的浮点型数据，默认值为输入图像波段数的倒数。
若选择“Radial Basis Function”，需设置“Gamma in Kernel Function”参数为大于0的浮点型数据，默认值为输入图像波段数的倒数。
若选择Sigmoid，需使用向量机规则需要为Kernel指定“this Bias”，默认值为1；设置“Gamma in Kernel Function”参数为大于0的浮点型数据，默认值为输入图像波段数的倒数。
（4） Penalty Parameter：为大于0的浮点型数据，这个参数控制了样本错误与分类刚性延伸之间的平衡，默认值为100。
（5）Pyramid Levels：设置分级处理等级，用于SVM训练和分类处理过程，如果这个值为0，将以原始分辨率处理，最大值随图像的大小改变。
（6） Pyramid Reclassification Threshold（0～1）：当Pyramid Levels值大于0时，需要设置这个重分类阈值。
（7） Classification Probability Threshold（0～1）：为分类设置概率阈值，如果一个像素计算得到所有的规则概率小于该值，该像素将不被分类。
（8）选择分类结果的输出路径及文件名。
（9）设置“Output Rule Images”：是否选择规则图像数据。
（10）设置完上述参数后，点击【OK】按钮执行分类处理。
（三）评价分类结果
在执行监督分类后，需要对分类结果进行评价，本次实验采用使用地表真实感兴趣区来计算混淆矩阵（Confusion Matrices）方法进行分类结果评价，操作步骤如下。
1.建立地表真实感兴趣区
可以在高分辨率图像上，通过目视解译获取各个分类的地表真实感兴趣区；也可以通过野外实地调查，根据调查数据生成地表真实感兴趣区，获取方法同“（一）定义训练”，为了同训练样本区别，我们使用“植被、城镇、河流、农田”作为地表真实感兴趣区名称。
2.计算混淆矩阵
（1）打开定义验证样本的文件（即灌阳地区QuickBird全色波段）以及图像分类结果，使之显示在“Available Band”列表中。
（2）在ENVI主菜单栏中选择“Basic>Region of Interest>Restore Saved ROI File”，打开地表真实感兴趣区文件。
（3）在ENVI主菜单栏中选择“Basic>Region of Interest>Restore ROIs via Map”，打开“Reconcile ROIs via Map”对话框（图179），选择相应的地表真实感兴趣区，点击【OK】按钮。
（4）在“Select Source File where ROI was Drawn”对话框中，选择定义验证样本的文件（即灌阳地区 QuickBird 全色波段），点击【OK】按钮。
（5）在“Select Destination File to Reconcile ROIs to”对话框中，选择匹配目标文件，也就是分类结果图像。
（6）在主菜单中选择“Classification>Post Classification> Confusion Matrix> Using Ground Truth ROIs”。
图17-9“Reconcile ROIs via Map”对话框
（7）在“Classification Input File”对话框中，选择分类结果图像。地表真实感兴趣区将被自动加载到“Match Classes Parameters”对话框中。
（8）在“Match Classes Parameters”对话框中，选择所要匹配的名称，然后点击【Add Combination】按钮，将地表真实感兴趣区与最终分类结果相匹配，类别之间的匹配将显示在对话框底部的列表中，如图17-10所示，点击【OK】按钮输出混淆矩阵。
图17-10“Match Classse Parameters”对话框
（9）在混淆矩阵输出窗口的“Confusion Matrix Parameters”对话框中，选择像素（Pixels）和百分比（Percent），如图17-11所示。
（10）点击【OK】按钮，输出混淆矩阵，在输出的混淆矩阵报表中，包含了总体分类精度、Kappa系数、混淆矩阵等几项评价指标。
图17-11 混淆矩阵输出对话框
（四）分类后处理
一般情况下，使用上述分类方法得到的结果难于达到最终应用的目的，所以对获取的分类结果需要进行一些处理，才能得到最终理想的分类结果。
图17-12 编辑分类名称和颜色
1.更改分类颜色、名称
（1）打开分类结果，并使之显示在“Display”窗口中。
（2）在分类结果主图像窗口中，选择“Tools>Color Mapping>Class Color Mapping”，打开“Class Color Mapping”对话框，如图17-12所示。
（3）从“Selected Classes”列表中选择需要修改的类别，改变其颜色或者名称。
（4）完成对需要修改类别的颜色、名称的修改后，选择“Options>Save Changes”保存修改内容。
（5）选择“File>Cancel”，关闭“Class Color Mapping”对话框。
2.聚类处理
分类结果中不可避免的会产生一些面积很小的图斑，从实际应用角度有必要对这些小图斑进行剔除或重新分类。目前，常用的方法有Majority/Minority分析、聚类处理和过滤处理，本次实验选择聚类处理方法对邻近的类似分类区聚类并合并。
聚类处理首先将被选的分类用一个扩大操作合并到一起，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作，具体操作步骤如下：
在ENVI主菜单栏中选择“Classification> Post Classification> Clump Classes”，在“Classification Input File”对话框中，选择分类结果图像，单击【OK】按钮，打开“Clump Parameters”对话框，如图17-13所示。Clump Parameters对话框参数设置如下。
（1）选择分类类别（Select Classes）：单击【Select All Items】按钮选择所有类别；
（2）输入形态学算子大小（Rows和Cols）：默认为3,3;
（3）选择输出路径及文件名，单击【OK】按钮，完成聚类处理。
3.分类统计
分类统计可以基于分类结果计算相关输入文件的统计信息，包括类别中的像元数、最大值、最小值、平均值以及类中每个波段的标准差等，还可以记录每类的直方图以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录。
（1）在ENVI主菜单栏中，选择“Classification> Post Classification > Class Statistics”，在“Classification Input File”对话框中，选择分类结果图像，单击【OK】按钮。
（2）在“Statistics Input File”对话框中，选择一个用于计算统计信息的输入文件，点击【OK】按钮，打开“Class Selection”对话框（图17-14），在“Select Classes”列表中，选择想计算统计的类别名称，点击【OK】按钮，打开“Compute Statistics Parameters”对话框（图17-15），选择需要的统计项，包括以下统计类型。
图17-13 “Clump Parameters”对话框
图17-14 选择分类对话框
基本统计（Basic Stats）：包括所有波段的最小值、最大值、均值和标准差，若该文件为多波段，还包括特征值。
直方图统计（Histograms）：生成一个关于频率分布的统计直方图。
协方差统计（Covariance）：包括协方差矩阵和相关矩阵以及特征值和特征向量。
（3）输出结果的方式包括3种：可以输出到屏幕显示、生成统计文件（.sta）和生成文本文件，其中生成的统计文件可以通过“Classification>Post Classification>View Statistics File”命令打开，选择输出路径及文件名，单击【OK】按钮，完成分类统计。
4.分类结果转矢量
（1）在ENVI主菜单栏中，选择“Classification>Post Classification>Classification to Vector”，在“Rasterto VectorInput Band”对话框中，选择分类结果图像，单击【OK】按钮，打开“Raster to Vector Parameters”对话框，如图17-16所示。
（2）选择需要被转换成矢量文件的类别，在“Output”标签中，使用箭头切换按钮选择“Single Layer”，把所有分类都输出到一个矢量层中；或者选择“One Layer per Class”，将每个所选分类输出到单独的矢量层。
（3）选择输出路径及文件名，单击【OK】按钮，完成分类结果转矢量文件。
图17-15 计算统计参数设置对话框
图17-16 栅格转为矢量参数设置
完成遥感影像监督分类后，分别利用平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机这六种分类器对灌阳地区QuickBird遥感影像进行监督分类处理，利用混淆矩阵对六种分类结果进行评价，得出总体分类精度和Kappa系数。比较六种分类结果，用WORD文件记录，取名为《灌阳地区QuickBird遥感影像六种监督分类方法分类结果评价》，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①根据实验操作步骤及各步骤之间的关系，分析所做的监督分类方法在模型设计思想或算法上的共同特点。②通过目视解译，定性比较所获得的监督分类图像的图像识别效果优缺点。
实验报告格式见附录一。
1. 一种新的Ad hoc网络路由协议，2007年第1期，微计算机信息CN14－1128TP，全国中文核心，独著2. Web日志挖掘实现网站优化，2006年第11期，微计算机信息CN14－1128TP，全国中文核心，第一作者3. 一种图像加密算法的性能评价方法，2006年第10期，微计算机信息CN14－1128TP，全国中文核心，第二作者4. 一个用于Ad Hoc的路由协议设计方案，2006年第4期，微处理机CN21-1216/TP，中国科技核心，第一作者5. WEB日志挖掘过程研究，2005年第5期，商丘师范学院学报，CN41-1303/Z，独著6. WEB挖掘优化个性化网络教学，2005年第15期，电脑知识与技术CN34-1205/TP，第一作者7. 基于数据挖掘的在线考试系统，2006年11期，电脑知识与技术CN34-1205/TP，独著8. Ad hoc网络中MAC层协议研究，2006年第2期，菏泽学院学报CN37-1436/Z，独著9. Ad hoc网络技术研究，2007年第2期，菏泽学院学报CN37-1436/Z，独著10. 无线自组网路由协议分析，2006年第5期，商丘师范学院学报，CN41-1303/Z，第一作者
周南润教授、博士生导师、硕士生导师从事专业：信息与通信工程、网络空间安全邮箱：个人简介1976年生，江西吉安人，2005年9月博士毕业于上海交通大学通信与信息系统专业，11月获博士学位，2006年3月至2022年6月在南昌大学信息工程学院工作，2013年评为信息管理与信息系统专业博士生导师，2022年7月调入上海工程技术大学电子电气工程学院。曾入选江西省主要学科学术和技术带头人，江西省＂赣鄱英才555工程＂人选，江西省青年科学家培养对象，江西省高校中青年骨干教师，2019年入选江西省“双千计划”科技创新高端人才，2019年12月聘为二级教授。主持国家自然科学基金面上、地区科学基金等项目共6项，主持完成江西省自然科学基金项目4项。获江西省自然科学奖一等奖(2021年，排第一)1项，江西省教学成果奖二等奖(2010年，排第一)1项。IET Optoelectronics，Frontiers in Physics 副主编，China Communications编委，发表学术论文232篇，其中SCI收录论文158篇，EI收录论文42篇，论文他引4700多次，2020、2021两次入选爱思唯尔中国高被引学者，8篇论文入选ESI高被引论文，2篇论文入选ESI热点论文，1篇论文入选Annalen der Physik封面论文，获授权发明专利13项。指导或联合指导博士研究生8人，指导硕士研究生61人，10次入选江西省优秀硕士学位论文指导教师。主持项目情况国家自然科学基金面上项目：高效半量子密钥分配协议及其安全性研究(编号：61871205)，－.国家自然科学基金地区项目：基于变分量子线路的混合型量子机器学习算法研究(编号：62162041)，－，主持在研.国家自然科学基金项目：图像压缩感知与图像加密融合算法研究(编号：61262084)，－.国家自然科学基金项目：基于量子图像表示与变换理论的图像加密算法研究(编号：61462061)，－年江西省“双千计划”科技创新高端人才项目：网络空间安全.第三批江西省“赣鄱英才555工程”人选计划项目：智能信号处理与信息安全关键技术研究，－年江西省主要学科学术和技术带头人培养对象计划项目：基于迭代超混沌系统的图像加密研究(编号：20162BCB22011)，－.
，西北工业大学计算机科学技术系计算机专业，获工学学士学位。1997年9月—1998年9月，国防科技大学计算机应用专业访问学者。—，航空部603研究所从事计算机维护与应用工作。—，湘潭市针织厂新产品开发办从事计算机应用工作。— ——至今，湖南工程学院计算机科学与技术系从事计算机教学、科研与管理工作近几年来主持科研课题2项，主要参加科研课题3项。其中省部级3项，地厅级2项。公开发表学术论文25篇，第一作者16篇，A类1篇，B类1篇，核心期刊7篇。其中EI收录1篇。被评为湘潭市2003-2005年度自然科学二等优秀学术论文和为湖南省自然科学三等优秀学术论文1篇。主持或主要参加教改课题4项，主编教材一部。指导的大学生课外科技作品 “FLASH购物系统”获湖南省第五届挑战杯大学生课外学术科技作品竞赛三等奖。指导的毕业设计论文《数字图像加密算法研究与实现》被评为2007届（首届）湖南工程学院院级优秀毕业设计（论文）。