图像数据库分类方法有哪些，数据库分为哪几类

1，数据库分为哪几类

按国际上通用的分类方法，数据库分为以下三大类：　　1、参考数据库(Reference databases)，是能指引用户到另一信息源获取原文或其他细节的数据库；　　2、源数据库(Source databases)，指能直接提供所需原始资料或具体数据的数据库。；　　3、混合型数据库(Mixed databases)，能同时存贮多种类型数据的数据库。按数据结构来分类，有三种： 1、层次式数据库 2、网络式数据库 3、关系式数据库

数据库分为哪几类

2，请问数据库有哪些种类呢

数据库通常分为：层次式数据库、网络式数据库和关系式数据库三种。而不同的数据库是按不同的数据结构来联系和组织的。数据库有类型之分，是根据数据模型划分的。目前成熟地应用在数据库系统中的数据模型有：层次模型、网壮模型和关系模型。一、层次模型：层次模型是用树结构表示记录类型及其联系的。树结构的基本特点是： 1、有且仅有一个结点无父结点； 2、其它结点有且有一个父结点。在层次模型中，树的结点是记录型。上一层记录型和下一层记录型的联系是1:n的。层次模型就象下面我们给出的一棵倒立的树。注意：在层次式数据库中查找记录，必须指定存取路径。这种关系模型不支持m:n联系。二、网状模型：网状模型中结点间的联系不受层次限制，可以任意发生联系，所以她的结构是结点的连通图。网状模型结构的特点是： 1、有一个以上结点无父结点； 2、至少有一个结点有多于一个父结点。注意：虽然网状模型能反映各种复杂的关系，但网状模型在具体实现上，只支持1:n联系，对于m:n联系可将其转化为1:n联系。三、关系模型：关系模型的本质就是用若干个二维表来表示实体及其联系。关系是通过关系名和属性名定义的。一个关系可形式化表示为： R(A1，A2，A3，…，Ai，…) 其中：R为关系名，Ai为关系的属性名。目前常用的数据库管理系统有：ACCESS、SQL Server、 Oracle、MySQL、FoxPro和Sybase等。 ACCESS 是美国Microsoft公司于1994年推出的微机数据库管理系统.它具有界面友好、易学易用、开发简单、接口灵活等特点,是典型的新一代桌面数据库管理系统。 Oracle公司是全球最大的信息管理软件及服务供应商，成立于1977年，总部位于美国加州 Redwood shore。Oracle提供的完整的电子商务产品和服务包括：用于建立和交付基于Web的Internet平台；综合、全面的具有Internet能力的商业应用；强大的专业服务，帮助用户实施电子商务战略，以及设计、定制和实施各种电子商务解决方案...SQL是英文Structured Query Language的缩写，意思为结构化查询语言。SQL语言的主要功能就是同各种数据库建立联系，进行沟通。按照ANSI(美国国家标准协会)的规定，SQL被作为关系型数据库管理系统的标准语言。SQL语句可以用来执行各种各样的操作，例如更新数据库中的数据，从数据库中提取数据等。目前，绝大多数流行的是关系型数据库管理系统。内容来源网络，仅供参考！

请问数据库有哪些种类呢

3，图像分类处理原理

1. 图像分类处理的依据图像分类处理的依据就是模式识别的过程，即通过对各类地物的遥感影像特征分析来选择特征参数，将特征空间划分为互不重叠的子空间并将图像内各个像元划分到各个子空间区，从而实现分类。这里特征参数是指能够反映地物影像特征并可用于遥感图像分类处理的变量，如多波段图像的各个波段、多波段图像的算术/逻辑运算结果、图像变换/增强结果、图像空间结构特征等; 特征空间是指由特征变量组成的多维空间。遥感影像中同一类地物在相同的条件下 ( 纹理、地形、光照及植被覆盖等) ，应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性。在多波段遥感的数字图像中，可以粗略地用它们在各个波段上的像元值的连线来表示其光谱信息 ( 图 4-22a) 。在实际的多维空间中，地物的像元值向量往往不是一个点，而是呈点群分布 ( 集群) 。同类地物的特征向量将集群在同一特征空间域，不同地物的光谱信息或空间信息特征不同，因而将集群在不同的特征的空间域 ( 图 4-22b) 。在实际图像中，不同地物的集群还存在有交叉过渡，受图像分辨率的限制，一个像元中可能包括有若干个地物类别，即所谓 “混合像元”，因此对不同集群的区分要依据它们的统计特征来完成。2. 图像分类处理的关键问题图像分类处理的关键问题就是按概率统计规律，选择适当的判别函数、建立合理的判别模型，把这些离散的 “集群”分离开来，并作出判决和归类。通常的做法是，将多维波谱空间划分为若干区域 ( 子空间) ，位于同一区域内的点归于同一类。子空间划分的标准可以概括为两类: ①根据点群的统计特征，确定它所应占据的区域范围。例如，以每一类的均值向量为中心，规定在几个标准差的范围内的点归为一类。②确定类别之间的边界，建立边界函数或判别函数。不论采取哪种标准，关键在于确定同一类别在多维波谱空间中的位置 ( 类的均值向量) 、范围 ( 协方差矩阵) 及类与类边界 ( 判别函数) 的确切数值。按确定这些数据是否有已知训练样本 ( 样区) 为准，通常把分类技术分为监督和非监督两类。非监督分类是根据图像数据本身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行类别划分的分类处理方法。监督分类是根据已知类别或训练样本的模式特征选择特征参数并建立判别函数，把图像中各个像元点划归至给定类中的分类处理方法。图 4-22 某地数字图像上主要几种地物的光谱反射比曲线和集群分布3. 监督分类与非监督分类的本质区别监督分类与非监督分类的本质区别在于有无先验知识。非监督分类为在无分类对象先验知识的条件下，完全根据数据自身的统计规律所进行的分类; 监督分类指在先验知识( 训练样本的模式特征等先验知识) 的 “监督”之下进行分类。非监督分类的结果可作为监督分类训练样本选择的重要参考依据，同时，监督分类中训练样本的选择需要目视解译工作者、专家的地学知识与经验作为支撑。4. 遥感图像分类的工作流程①确定分类类别: 根据专题目的和图像数据特性确定计算机分类处理的类别数与类特征; ②选择特征参数: 选择能描述各类别的特征参数变量; ③提取分类数据: 提取各类别的训练 ( 样本) 数据; ④测定总体统计特征: 或测定训练数据的总体特征，或用聚类分析方法对特征相似的像元进行归类分析并测定其特征; ⑤分类: 用给定的分类基准对各个像元进行分类归并处理; ⑥分类结果验证: 对分类的精度与可靠性进行分析。

图像分类处理原理