遙感圖像分類是指根據遙感圖像中地物的光譜特征、空間特征、時相特征等，對地物目標進行識別的過程，圖像分類通常是基于圖像像元的灰度值，將像元歸并成有限幾種類型。
1.非監督分類（Unsupervised Classification）
又稱聚類分析，是通過在多光譜圖像中搜尋、定義其自然相似光譜集群，對圖像進行分類的過程。
不需要人工選擇訓練樣本，需要預設一定的條件，讓計算機按照一定的規則自動地根據像元光譜或空間等特征組成集群組，然后分析、比較集群組和參考數據，給每個集群組賦予一定的類別
添加微信好友, 獲取更多信息
復制微信號
（1）K-均值算法（K-means）
使集群組中每一個像元到該類中心的特征距離平方和最小
過程：
a.選K個初始聚類中心
b.逐個將待分類的像元按照最小距離原則分配給K個聚類中心中的某一個
c.計算各個聚類中心所包含像元的均值矢量，以均值矢量作為新的聚類中心，再逐個將待分類像元按照最小距離原則分配給新的聚類中心。
d.比較新的聚類中心的均值矢量與前一次迭代計算中的均值矢量。如果二者相差小于設定的閾值，則聚類過程結束；否則，返回b，將像元逐個重新分類，重復迭代計算，直到相鄰兩次迭代計算中聚類中心的均值矢量差小于設定的閾值。
（2）ISODATA算法
與K-均值算法相似，即聚類中心同樣是通過集群組像元均值的迭代運算來得到的。但ISODATA還加入了一些試探步驟，并且組合成人機交互結構，使之能夠利用通過中間結果所得到的經驗。
基本步驟：
a.選擇一組初始值作為聚類中心，將待分類像元按照指標分配到各個聚類中心
b.計算各個聚類中心所包含像元的距離函數等指標
c.按照給定的要求，將前一次獲得的集群組進行分裂和合并處理，以獲得新的聚類中心。通常集群組的分裂和合并主要根據下列指標：預設的更大集群組數量、迭代運算中更大的類別不變的香櫞樹、更大迭代次數、每個集群中最小的像元數和更大的標準差、最小的集群均值間距離等
d.進行迭代運算，重新計算各項指標，判別聚類結果是否符合要求。經過多次迭代運算后，如果結果收斂 ，預算結束。
非監督分類的優點：在于不需要事先對所要分類的區域有廣泛的了解和熟悉，人為引入的誤差小，而且獨特的、覆蓋量小的類別也能夠被識別。
缺點：其產生的光譜集群組一般難以和分析所獲得的預分類別相對應，而且用戶難以對分類過程進行控制。
2.監督分類（Supervised Classification）
首先選擇可以識別或者借助其他信息可以斷定其類型的像元建立分類模板（訓練樣本），然后讓計算機系統基于該模板自動識別具有相同特征的像元。對分類結果進行評價后再對分類模板進行修改，多次反復后建立一個比較準確的模板，并在此基礎上最終進行分類。
步驟：建立模板、評價模板、確定初步分類結果、檢驗分類結果、分類后處理、分類特征統計、柵格矢量轉換等。
（1）更大似然分類法（Maximum Likelihood Classifier）
其理論基礎是貝葉斯分類。屬于參數分類 *** ，在有足夠多的訓練樣本、一定類別先驗概率分布的知識且數據接近正態分布的條件下，更大似然分類被認為是分類精度更高的分類 *** 。但當訓練數據較少時，均值和協方差參數估計的偏差會嚴重影響分類精度。
（2）最小距離分類法（Minimum Distance Classifier）
（3）馬氏距離分類法（Mahalanobis Distance Classifier）
（4）平行六面體分類法（Parallelepiped Classifier）
（5）K-NN分類法（K-Nearest Neighbors Classifier）
來源：開源地理空間基金會中文分會
來源鏈接：https://www.osgeo.cn/post/b6fd2
本站聲明:網站內容來源于 *** ,如有侵權,請聯系我們,我們將及時處理。
