根据有无监督训练样本,可以将遥感图像分类算法分为监督分类和非监督分类两大类。
根据分类的对象,可将遥感分类算法分为基于像元的分类算法、基于对象的分类算法,以及基于混合像元分解算法三大类。
基于像元的分类
基于像元的分类,就是分类的研究对象是单个像元,利用像元的光谱信息、纹理信息、空间关联等信息对像元表示的地物类别属性进行判断。这一类分类算法是目前研究得最多、最深入的分类算法。
在遥感图像自动分类中,传统的基于数理统计的分类方法,主要包括最小距离分类、最大似然分类、波谱角分类、混合距离法分类等,主要依赖地物的光谱属性,基于单个像元进行分类。
统计模式识别方法本身的不足:
- 最大似然法计算强度大,且要求数据服从正态分布
- K-means聚类分类精度低,分类精度依赖于初始聚类中心
- 最小距离法没有考虑各类别的协方差矩阵,对训练样本数目要求低
近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法:在处理模式分类问题时,并不基于某个假定的概率分布,在无监督分类中,从特征空间到模式空间的映射是通过网络自组织完成的。在监督分类中,网络通过对训练样本的学习,获得权值,形成分类器,且具备容错性。人工神经网络(ANN)分类方法一般可以获得更高精度的分类结果,因此ANN方法在遥感分类中被广泛应用,特别是对于复杂类型的地物类型分类,ANN方法显示了其优越性。
专家系统分类法也在遥感分类取得了一定的应用。专家系统是模拟人类逻辑思维的智能系统,将其应用于遥感分类最大的优点就是可以充分利用更多的辅助分类数据。不过由于专家系统知识库难以建立,影响了它的进一步发展