遥感图像几种分类方法的比较
遥感影像分类方法及其比较分析
遥感影像分类方法及其比较分析遥感影像分类是一种将遥感影像中的像素划分为不同类别的过程。
它是遥感技术中最重要的应用之一，可以提供大量详细的地表信息，对于农业、林业、城市规划等领域具有广泛的应用价值。
本文将探讨几种常用的遥感影像分类方法，并对它们进行比较分析。
一、基于像素的分类方法基于像素的分类方法是最常用的遥感影像分类方法之一。
它通过对遥感影像中的每个像素进行分类，将其划分为不同的类别。
这种方法的优点是简单易懂，适用于各种类型的遥感数据。
但是，由于忽略了像素周围的空间信息，容易在复杂地物的分类中出现错误。
同时，像素的分类结果不具备连续性，不适用于一些需要连续空间分布信息的应用。
二、基于对象的分类方法相比于基于像素的分类方法，基于对象的分类方法考虑到了空间信息。
它将相邻的像素组成的对象作为分类的基本单元，通过对对象进行分类来实现遥感影像分类。
这种方法能够更好地反映地物的形状和空间分布特征，提高分类的准确性。
但是，这种方法需要进行图像分割，对图像处理的要求较高，处理速度较慢。
三、基于特征的分类方法基于特征的分类方法是一种常见的遥感影像分类方法。
它通过提取遥感影像中的各种特征，如颜色、纹理、形状等，然后将这些特征作为分类的依据进行分类。
这种方法适用于各种类型的遥感数据，具有较高的分类准确性。
然而，在特征提取过程中，如何选择合适的特征以及如何克服特征间的冗余和相关性仍然是一个挑战。
四、基于深度学习的分类方法近年来，深度学习技术在遥感影像分类中的应用越来越广泛。
深度学习通过构建多层网络，能够自动学习特征，提高分类的准确性。
它能够处理大量的数据，适用于各种类型的遥感影像分类。
然而，深度学习技术需要大量标记好的训练样本，并且对计算资源的要求较高。
综上所述，不同的遥感影像分类方法各有优缺点。
在实际应用中，应根据具体的需求和问题选择适合的方法。
如果需要考虑地物的空间信息，可以选择基于对象的分类方法；如果需要提高分类准确性，可以选择基于特征的分类方法；如果拥有足够的标记好的训练样本和计算资源，可以选择基于深度学习的分类方法。
ENVI遥感图像处理中几种监督分类方法的比较
［ 摘 要］ 遥 感 图像 通 过 像 元值 的 差 异 反 映 地 物 的光 谱 信 息 及 空 间 变化 原 理 来表 示 地 物 差
ห้องสมุดไป่ตู้
异… ， 为提 取各 类信 息 ， 图像 分类 尤 为 重要 。在 遥 感 图像 数 据 分 类 处 理 过程 中， 监 督 分 类是 普遍 适 用的一 种分 类方 法 Ｊ 。为 了评价 几种 监督 分 类 的优 势与 缺 点 ， 主要 选 用 Ｓ Ｐ Ｏ Ｔ ５ 图像 数
ｄ ａ ｔ ａ ｔ ｏ ｔ ｅ ｓ ｔ ｓ ｕ ｐ ｅ ｖｉ ｒ ｓ ｅ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｅ ｐｉ ｐ ｅ ｄ ｍｅ ｔ ｈ ｏ ｄ，ｍｉ ｎ ｉ ｍｕ ｍ ｄ ｉ ｓ ｔ ａ ｎ ｃ ｅ ａ ｎ ｄ ｍａ ｘ ｉ ｍｕｍ ｌ ｉ ｋ ｅ ｌ ｉ ｈｏ ｏ ｄ ｍｅ ｔ ｈ ｏ ｄ ．Ｂｙ ｄ ｅ ｉｎ ｆ ｉ ｎ ｇ ｔ ｈ ｅ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｓ ａ ｍｐ ｌ ｅ，ｔ ｒ ａ ｉ ｎｉ ｎ ｇ ｓ ａ ｍｐ ｌ ｅ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ，ｉ ｍｐ ｌ ｅ ｍｅ ｎ— ｔ ａ ｔ ｉ ｏ ｎ ｍｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｇ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ，ｉ ｔ ｓ ｈｏ ｗｓ ｔ ｈ ａ ｔ ｄ ｒ ａ ｗ ｍａ ｘ ｉ ｍｕ ｍ ｌ ｉ ｋｅ ｌ ｉ ｈ ｏ ｏ ｄ
Ａｂｓ ｔ ｒ ａ ｃ ｔ ： Ｔｈ ｒ ｏ ｕ ｇ ｈ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｐ ｉ ｘ ｅ ｌ ｖ ａ ｌ ｕｅ ｄｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ｒ ｅ ｌｅ ｆ ｃ ｔ ｔ ｈ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｂ ａ ｎ ｄ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｓ ｐ ａ ｔ ｉ ａ ｌ ｖ ａ ｉａ ｒ ｔ ｉ ｏ ｎ ｐ ｉｎ ｒ ｃ ｉ ｐ ｌ ｅ ｔ ｏ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｔ ｈｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ｂ ｅ ｔ ｗｅ ｅ ｎ ｖ ａ ｒ ｉ ｏ ｕｓ ｔ ｙ ｐ ｅ ｓ ｏ ｆ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｔ ｈ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ，ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｐ ａ ｒ ｔ ｉ ｃ ｕ ｌ ａ ｒ ｌ ｙ ｉ ｍｐ ｏ ｔａ ｒ ｎ ｔ ．Ｉ ｎ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ — ｉ ｎｇ，ｓ ｕ ｐ ｅ ｒ ｖ ｉ ｓ ｅ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｇ ｅ ｎ ｅ ｒ ａ ｌ ｌ ｙ ａ ｐ ｐ ｌ ｉ ｃ ａ ｂ ｌ ｅ ｔ ｏ ａ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ．Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｅ ｖ ａ ｌ ｕ ａ ｔ ｅ
遥感数据的图像分类分析及应用
遥感数据的图像分类分析及应用一、概述遥感数据的图像分类分析及应用是现代科技领域的重要研究方向之一。
遥感数据是使用卫星、飞机等无人机设备获取的地球表面信息数据，其获取方法具有高效、准确的特点，成为人们了解、探究地球表层变化和组成的优质数据来源。
图像分类则是在遥感数据的基础上，对地理信息进行处理和分析，将不同的地物进行分类和识别，为科研、生产等领域提供有力的支撑。
本文将深入探讨遥感数据图像分类的相关知识和应用，供广大读者参考。
二、图像分类的分类方法图像分类是数据处理中的一种方法，这个过程将原始数据根据一定的分组方法，将所有数据分为若干类。
主要方法有监督分类、非监督分类和混合型分类。
1、监督分类监督分类是遥感图像分类分析中最常用的分类方法之一，它能根据现有的人工分类信息来分类遥感图像，具有很高的准确性。
监督分类是利用一些已知地物类别的样本进行分类，这些样本称为训练样本，分类器据此依据训练数据的特征来进行分类判别，从而实现遥感图像分类。
常见的监督分类方法有：最大似然法、最小距离法、线性判别法、支持向量机等。
2、非监督分类非监督分类是一种自动分类方法，它不使用与分类有关的地面真实信息，而是依靠样本间的统计分析，自动从遥感图像中抽象出其不同类别地物的空间分布信息，然后进行分类。
非监督分类常使用的有：聚类法、k-means聚类法、Iso Data聚类法等。
3、混合型分类混合型分类方法是提高分类精度的有效手段。
混合型分类方法既兼具了监督分类和非监督分类的优点，也综合了多个分类方法的优点，是目前遥感图像分类研究中的主流分类方法之一。
混合型分类方法常用的有：自适应带阈值随机森林分类器、基于遗传算法和人工神经网络的模型等。
三、图像分类的应用遥感数据的图像分类应用在地质矿产、城市建设、环境评价等领域。
它可以为相关领域的决策者提供有力的数据支撑，为提高现代生产和生活的品质做出贡献。
1、地质矿产遥感图像分类技术可以提取地质信息，对地质资源进行富集结构和稀缺性等分析。
遥感图像的分类与解译技术
遥感图像的分类与解译技术随着科技的发展，遥感技术已经被广泛应用于农业、城市规划、环境保护等领域。
利用遥感技术获取的图像数据不仅有助于对地球物理现象的探测和研究，而且为许多应用提供有力的支持。
遥感图像的分类与解译技术就是其中的重要组成部分。
本文将重点介绍遥感图像的分类与解译技术。
一、图像分类的基本过程图像分类是一种将多光谱遥感图像分割成具有特定类别的区域的过程。
图像分类的基本过程可以分为以下几个阶段：1. 预处理阶段：对遥感图像进行去噪、几何校正和辐射校正等预处理工作。
2. 特征向量提取：将预处理后的图像转换为可供分类器使用的特征向量。
3. 分类器设计：选择适合该任务的分类器。
4. 图像分类：利用分类器对图像进行分类。
5. 后处理：对分类结果进行后处理，包括空间滤波、形态学操作等。
二、遥感图像的解译技术遥感图像的解译技术是指根据地物的形状、大小、纹理和空间分布等信息，对遥感图像中的地物进行语义识别和解译的过程。
遥感图像的解译技术可以分为以下几种类型：1. 监督分类法：监督分类法是指使用已知类别的训练样本对遥感图像进行分类。
常用的监督分类器包括最小距离分类、支持向量机、决策树、随机森林等。
2. 无监督分类法：无监督分类法是指不使用已知类别信息对遥感图像进行分类。
常用的无监督分类器包括K-means算法、ISODATA算法、自组织神经网络等。
3. 物体识别技术：物体识别技术是指利用遥感图像的几何和光谱信息对地物进行识别。
常用的物体识别技术包括形状分析、纹理分析、物体对比度分析等。
三、遥感图像分类的应用遥感图像分类技术在许多领域都有广泛的应用，以下是一些典型的应用：1. 农业领域：遥感图像分类技术可以用于农作物种植面积和类型的识别、土地质量分级、作物生长监测等。
2. 环境保护领域：遥感图像分类技术可以用于污染区域和水质等环境指标的监测和识别。
3. 城市规划领域：遥感图像分类技术可以用于城市土地利用类型的识别、城市扩张的监测等。
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。
答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。
主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
通常使用马氏距离、欧氏距离、计程距离这三种判别函数。
主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。
可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务，它可以将遥感图像中的像素按照其特征进行分类，并生成分类结果。
本文将介绍遥感图像分类的方法，并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类，通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法，它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法，它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类，通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组，形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上，通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展，基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型，可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络可以有效地提取图像的空间特征，循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务，可以帮助农民了解农田的分布情况和种植结构，指导农作物管理和精细化农业。
通过遥感图像分类方法，可以将农田遥感图像中的不同农作物进行分类，比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测，提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务，可以帮助决策者了解土地利用的分布情况和变化趋势，指导城市规划和土地资源开发。
遥感图像分类常见方法
遥感图像分类常见方法一、前言遥感分类算法大致有三个阶段（1）基于传统数学统计的方法；（2）经典机器学习；（3）深度学习。
按是否有样本可以分为监督分类和非监督分类两种。
实现分类的流程是：特征+算法二、分类之特征工程分类本来就是计算机领域的问题，遥感分类的本质也是图像处理。
遥感分类属于CV领域的一个子集。
不论是监督还是非监督，分类的前提是特征工程。
构建特征工程的目的是突出关注目标和其他目标之间的差异，从而使得分类具有更好的效果。
遥感的特征工程可以大致分为三类：（1）纹理特征，（2）光谱特征，（3）时序特征。
当然，由上述特征还可延伸出LAI等生物量信息，但其本质上是由光谱特征反演出来的。
（1）纹理特征纹理特征一般从高空间分辨率的遥感影像提取才有效果，纹理特征又可以分为以下三种：统计方法：灰度共生矩阵、灰度游程长度法等模型方法：自相关模型、Markov随机场模型、分形模型等数学变换方法：空间域滤波、傅里叶滤波, Gabor和小波模型等。
（2）光谱特征光谱特征包括地物原始光谱反射率和衍生植被指数两种。
光谱特征较纹理特征容易获得，缺点是反射光谱容易受到“同物异谱”和“异物同谱”的影响。
光谱特征：R，G，B，NIR等衍生植被指数：NDVI，EVI等（3）时序特征由多时相遥感数据提取的特征成为时序特征，包括光谱时序和纹理时序。
时序特征可以描述作物在生育进程中动态的生长变化，已成为遥感农作物分类的重要特征支撑。
大量研究表明，生育期内高频次的时间特征会显著提升分类效果；多特征时间序列比单特征时间序列更能表征不同作物之间的差异特征比较特征的计算是基于数学方法计算的。
（1）光谱植被指数就是加、减、乘，除；（2）纹理特征一般通过滤波模板计算；（3）但数学中更高级，更有用的特征应该是偏导，在矩阵中，偏导及其重要。
因为偏导能够综合多个变量，因此个人认为，偏导特征会更具优势。
传统的统计学方法偏导较少，机器学习次之，深度学习偏导参数最多。
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
遥感影像分类方法与技巧分享
遥感影像分类方法与技巧分享引言：在当今科技迅速发展的时代，遥感技术的广泛应用已经深深影响到了我们的生活。
作为遥感技术的重要应用领域之一，遥感影像分类在土地利用、环境监测和资源管理等方面发挥着重要作用。
本文将分享一些遥感影像分类的方法和技巧，希望能为相关领域的研究者和从业人员提供一些参考。
一、像元级分类方法像元级分类方法是最基本、最常用的遥感影像分类方法之一。
其基本思想是将图像中的每个像元作为一个独立的单位进行分类判别。
常见的像元级分类方法包括最大似然分类、支持向量机（SVM）分类和决策树分类等。
这些方法可以通过大量的样本数据训练，自动提取特征并进行分类。
1.1 最大似然分类最大似然分类是一种基于统计学原理的分类方法，其核心思想是根据已有训练样本的统计特征，在分类器中计算每个类别出现的可能性，并选择最大可能性对应的类别作为分类结果。
最大似然分类方法简单易懂，适用于多数遥感影像分类任务。
1.2 支持向量机（SVM）分类支持向量机是一种经典的机器学习分类方法，在遥感影像分类中也得到了广泛应用。
SVM分类通过构建超平面，使得样本点能够最大程度上分隔开来。
其优点是具有较好的泛化能力和鲁棒性，适用于高维数据的分类。
1.3 决策树分类决策树分类是一种基于逻辑判断的分类方法，通过构建一系列的条件规则，将输入数据逐层划分为不同类别。
决策树分类方法的优点是易于理解和解释，并且可以直观地呈现分类过程。
二、基于对象的分类方法基于对象的分类方法将像元级分类进一步扩展为对影像中的对象进行分类。
该方法将图像中的像素组织为不同的对象区域，然后根据这些区域的形状、纹理和空间关系等特征进行分类判别。
常见的基于对象的分类方法包括分割和目标识别等。
2.1 分割分割是将连续的像元组合成不同对象区域的过程。
常见的分割方法包括基于阈值、区域生长和图论等。
分割方法的选择应根据图像的特点和需要进行合理的选择。
2.2 目标识别目标识别是将已经分割好的对象区域进行分类的过程。
遥感图像的分类与特征提取方法
遥感图像的分类与特征提取方法遥感图像处理是一项重要的技术，可以帮助我们更好地理解和利用地球表面的信息。
其中，遥感图像的分类与特征提取方法是关键的研究方向。
本文将探讨这一主题，介绍常见的分类和特征提取方法，并讨论各种方法的优劣以及适用场景。
一、常见的遥感图像分类方法遥感图像的分类是将图像像素按照其代表的地物类别进行划分和识别。
常见的分类方法包括像素级分类、对象级分类和混合分类。
1. 像素级分类：像素级分类是将图像中的每个像素点都进行分类。
该方法适用于较小的地物或者需要保留细节信息的需求场景。
常见的像素级分类方法包括支持向量机（SVM）、最大似然分类和随机森林分类等。
2. 对象级分类：对象级分类是将图像中的连续区域作为分类单元，对整个区域进行分类。
这种方法可以更好地利用图像中的上下文信息，提高分类精度。
常见的对象级分类方法有基于区域的卷积神经网络（RCNN）、基于区域的卷积神经网络（R-CNN）和卷积神经网络（CNN）等。
3. 混合分类：混合分类方法是将像素级分类和对象级分类相结合，综合利用两者的优点。
例如，可以先进行像素级分类得到初步分类结果，再通过对象级分类对初步结果进行修正和细化。
这种方法可以在保留细节信息的同时，提高分类的准确性和鲁棒性。
二、常见的遥感图像特征提取方法特征提取是遥感图像分类的关键环节，通过提取图像中的特征信息，可以更好地描述和区分不同地物类别。
常见的特征提取方法包括光谱特征提取、纹理特征提取和形状特征提取等。
1. 光谱特征提取：光谱特征是指通过对图像中每个像素点的光谱反射率进行分析和处理，提取出的表示不同地物的特征。
常见的光谱特征提取方法有主成分分析（PCA）、线性判别分析（LDA）和维度约简等。
2. 纹理特征提取：纹理特征是指图像中不同地物的纹理差异。
通过对图像的纹理进行分析和提取，可以更好地区分不同地物。
常见的纹理特征提取方法有灰度共生矩阵（GLCM）、局部二值模式（LBP）和方向梯度直方图（HOG）等。
测绘技术中的遥感图像分类与监督分类方法
测绘技术中的遥感图像分类与监督分类方法引言遥感图像分类是测绘技术中常用的图像处理方法之一，它通过对遥感图像进行分类和分割，为地理信息系统（GIS）和地球观测提供了重要的数据支持。
本文将介绍遥感图像分类的基本概念，以及常用的监督分类方法。
一、遥感图像分类的基本概念遥感图像分类是指将遥感图像中的像素根据其反射率或辐射率等特征划分为不同地物类别，并赋予其相应的分类标签。
遥感图像分类可以帮助人们了解地物分布、变化趋势以及环境状况等，对于农业、城市规划、环境保护等领域具有重要的应用价值。
二、监督分类方法1. 最大似然法最大似然法是一种常用的监督分类方法，它基于贝叶斯决策理论，通过计算每个像素属于不同类别的概率，从而确定其分类标签。
最大似然法假设像素的灰度值服从高斯分布，并通过最大化像素灰度值在每个类别中的概率来进行分类。
虽然最大似然法在某些情况下效果较好，但它对于复杂的遥感图像分类问题可能存在一定的局限性。
2. 支持向量机（SVM）支持向量机是一种基于统计学习理论的监督分类方法，它通过构建一个最优的超平面，将不同类别的像素分隔开。
支持向量机不仅可以处理线性可分的数据，还可以通过核函数将数据映射到高维空间，从而处理线性不可分的数据。
支持向量机在处理遥感图像分类问题时具有较好的性能，但其计算复杂度较高，需要大量的训练样本和运算时间。
3. 随机森林随机森林是一种集成学习方法，它通过组合多个决策树，从而提高分类准确性。
随机森林不仅可以处理多类别的分类问题，还可以处理高维数据，并且具有较好的鲁棒性和抗噪性。
在遥感图像分类中，随机森林通常能够取得较好的分类效果，并且对于特征的选择和处理具有一定的鲁棒性。
4. 卷积神经网络（CNN）卷积神经网络是一种基于深度学习的监督分类方法，它通过多层卷积层和池化层进行特征提取和降维，最后通过全连接层进行分类。
卷积神经网络在图像分类领域取得了显著的成就，对于遥感图像分类问题也有较好的应用效果。
遥感影像处理中的分类算法使用技巧
遥感影像处理中的分类算法使用技巧遥感影像分类是提取和划分遥感影像中不同地物类型的过程。
通过分类算法，可以将遥感影像中的像素点分成不同的类别，如陆地、水体、建筑物等。
遥感影像分类在土地利用、环境监测、城市规划等领域具有重要应用。
在遥感影像分类中，选择适当的分类算法并应用合适的技巧，对于得到准确的分类结果至关重要。
本文将介绍一些常用的遥感影像分类算法及其使用技巧。
一、最大似然分类算法最大似然分类算法（Maximum Likelihood Classification）是一种基于统计学原理的分类方法。
该方法通过计算每个像素点属于不同类别的概率，并选择概率最大的类别作为分类结果。
最大似然分类算法在处理多光谱遥感影像时通常表现较好。
在使用最大似然分类算法时，需要注意以下几点技巧：1. 选择合适的训练样本：训练样本的选择对分类结果有着重要影响。
应选择代表各类别的样本，并尽量覆盖不同地物类型和光谱特征。
2. 分析影像直方图：在进行最大似然分类之前，应先对遥感影像进行直方图分析，了解各类别的光谱特征分布情况。
这有助于选择合适的分类概率密度函数。
3. 考虑波段相关性：在处理多光谱遥感影像时，不同波段之间可能存在相关性，即某些波段的光谱特征信息冗余。
可以通过主成分分析等方法来降低光谱维度，减少冗余信息。
二、支持向量机分类算法支持向量机分类算法（Support Vector Machine Classification）是一种基于机器学习的分类方法。
该方法通过构建超平面，将不同类别的样本点最大程度地分开。
支持向量机分类算法在处理高维遥感影像时通常具有较好的分类效果。
在使用支持向量机分类算法时，需要注意以下几点技巧：1. 选择合适的核函数：支持向量机分类算法中的核函数用于将低维特征映射到高维特征空间。
常用的核函数包括线性核函数、多项式核函数和径向基函数等。
应根据实际情况选择合适的核函数。
2. 调整参数：支持向量机分类算法中有一些参数需要进行调整，如惩罚因子C和核函数的参数。
遥感影像分类方法比较研究
遥感影像分类方法比较研究一、本文概述随着遥感技术的迅速发展，遥感影像已成为地理信息系统、环境科学、城市规划等领域获取地表信息的重要手段。
遥感影像分类作为遥感技术应用的关键环节，其准确性和效率直接影响到后续的信息提取和应用。
研究遥感影像分类方法，对于提高遥感数据处理能力，促进遥感技术的广泛应用具有重要意义。
本文旨在比较研究不同遥感影像分类方法的特点、优势与局限性，以期在理论层面为遥感影像分类提供方法论的参考。
文章首先将对遥感影像分类的基本概念、分类体系进行阐述，为后续的比较研究奠定基础。
接着，文章将详细介绍几种主流的遥感影像分类方法，包括基于像元的分类方法、面向对象的分类方法、深度学习分类方法等，并对各方法的原理、实现步骤进行深入剖析。
在此基础上，文章将通过实验数据，对各分类方法的性能进行评估和比较，分析各方法的优劣和适用场景。
文章将总结遥感影像分类方法的发展趋势，展望未来的研究方向和应用前景。
通过本文的研究，旨在提高遥感影像分类的准确性和效率，推动遥感技术在各个领域的应用发展。
也为遥感领域的学者和实践者提供有益的参考和借鉴。
二、遥感影像分类方法概述遥感影像分类是遥感技术应用的重要领域之一，其目的在于通过对遥感影像的解译和分析，识别并区分地表上的不同特征和目标。
随着遥感技术的发展和进步，遥感影像分类方法也在不断更新和完善。
目前，遥感影像分类方法主要分为监督分类、非监督分类和深度学习分类等几种。
监督分类是基于已知训练样本进行分类的方法。
它通过选择具有代表性的训练样本，提取其特征并构建分类器，然后利用该分类器对整个遥感影像进行分类。
常见的监督分类方法包括最大似然分类、支持向量机分类、决策树分类等。
这些方法在遥感影像分类中具有较高的精度和稳定性，但需要大量的训练样本和先验知识。
非监督分类是基于影像内部像素之间的相似性进行分类的方法。
它不需要先验知识和训练样本，而是根据像素之间的统计特征或空间关系进行聚类分析，将具有相似性质的像素归为一类。
遥感影像的解译与分类方法和技巧
遥感影像的解译与分类方法和技巧遥感技术是通过获取地球表面的电磁辐射信息来获取地表信息的一种重要技术手段。
随着遥感技术的发展和应用范围的不断扩大，遥感影像的解译与分类方法和技巧也愈发成为研究的热点。
本文将探讨遥感影像解译与分类的方法和技巧。
一、遥感影像解译方法1. 目视解译法目视解译法是通过人工直接观察遥感影像的色彩、纹理、形状及其在空间分布上的特征，判断地物类型的一种解译方法。
它主要适用于图像上地物边缘清晰、大尺度地物的解译，如城市、河流等。
这种方法在短时间内可以获取较好的解译结果，但主观性较强，解译效率较低。
2. 图像数字化解译图像数字化解译是将遥感影像转化为数字图像，利用计算机和数字图像处理软件进行解译分析的方法。
数字化解译可以提高解译的客观性和准确性，可以利用像元的灰度、光谱特征等进行解译。
这种方法适用于在细节解译方面精确度要求较高的场景。
3. 分割解译分割解译是将遥感影像划分为若干个不同的区域或对象，并对这些区域或对象进行分类和解译。
这种方法可以充分利用图像中地物的空间信息，有利于对图像进行更细致的解译和分析。
分割解译在城市、森林等复杂地物类型的解译中具有一定的优势。
二、遥感影像分类技巧1. 特征提取特征提取是对遥感影像中各类地物的特征进行提取和分析的过程。
常见的地物特征包括光谱特征、纹理特征、形态特征等。
不同地物类别的特征往往具有较大的差异，因此提取和利用这些特征可以有效地区分不同的地物类别。
2. 分类算法分类算法是指将遥感影像根据像素的光谱、空间等特征进行自动分类的一种方法。
常见的分类算法包括最大似然分类、支持向量机分类、决策树分类等。
选择适合的分类算法对于提高分类准确性和效率非常重要，常需要根据具体问题的特点来选择合适的算法。
3. 数据融合数据融合是指将不同传感器或不同分辨率的遥感数据进行融合，提高遥感影像解译和分类的准确性和精度。
融合可以通过像元级、特征级和决策级等多种方式进行。
遥感影像处理中的图像分类算法研究
遥感影像处理中的图像分类算法研究引言：遥感影像处理主要涉及对遥感图像进行分类，即将图像中的像素点根据其特征分为不同的类别。
这项工作对于土地利用、资源管理、环境监测等领域具有重要意义。
图像分类算法是遥感影像处理的核心技术之一，本文将研究当前遥感影像处理中常用的图像分类算法，并探讨其应用。
一、最大似然分类最大似然分类是一种常见的单波段图像分类方法，其基本思想是通过最大化像素点属于某一类别的概率来实现分类。
这一方法通常前提假设是像素点的灰度值服从高斯分布，从而通过计算每个类别的均值和方差来计算概率。
然后将像素点分配给使得概率最大的类别。
最大似然分类算法的优点是简单易懂，计算速度快。
然而，该方法对光照不均匀、地物相似等问题不敏感，容易在复杂的遥感影像中产生分类误差。
因此，需要结合其他方法进行改进。
二、支持向量机（SVM）支持向量机是一种经典的二元线性分类模型，广泛应用于遥感影像分类领域。
它的基本思想是将训练样本通过一个超平面分割为两个类别，使得两个类别的间隔最大化。
在遥感影像处理中，支持向量机通过对训练样本进行特征提取，获得一个高维空间中样本点投影，并根据分割超平面的位置对遥感图像进行分类。
支持向量机具有较好的泛化能力和适应性，能够处理高维数据和非线性问题，对图像分类具有较好的效果。
三、决策树分类方法决策树是一种基于特征选择和决策规则的图像分类方法，适用于多属性、多类别的图像分类问题。
决策树通过将样本分割成互斥的子集，每个子集对应一个决策规则，从而实现分类过程。
遥感影像处理中的决策树分类方法包括C4.5算法和随机森林算法等。
其中C4.5算法采用信息增益指标进行特征选择，能够有效地处理多属性情况，但容易出现过拟合问题。
而随机森林算法则通过构建并集成多个决策树来减少过拟合现象，提高分类效果。
四、深度学习深度学习是近年来兴起的一种机器学习方法，具有强大的特征提取和图像分类能力，被广泛运用于遥感影像处理。
深度学习通过神经网络模拟人脑的工作原理，通过多层次的特征学习和抽象实现对遥感图像的分类。
测绘技术中的遥感图像分类方法简介
测绘技术中的遥感图像分类方法简介遥感技术是现代测绘学中的重要分支，通过获取和解释远距离传感器获取的数据，可以帮助我们更好地了解和管理地球上的各种自然和人文资源。
其中，遥感图像分类便是遥感技术的核心应用之一。
本文将对遥感图像分类方法进行简要介绍。
一、遥感图像分类的概念和意义遥感图像分类是指根据图像中像素的特征和统计信息，将其划分为不同的类别或类别组合的过程。
通过遥感图像分类，我们可以识别和提取图像中所代表的不同地物、地貌、植被等信息，进而为资源管理、环境监测、灾害评估等领域提供数据支撑。
二、基于像素的图像分类方法1. 监督分类法监督分类法是指依赖于事先准备好的训练样本集合，在图像分类之前对数据进行训练和标记的方法。
通过对训练样本的特征提取和统计分析，监督分类法可以建立起一种分类模型，进而对图像中的未知像素进行分类。
2. 无监督分类法与监督分类法不同，无监督分类法并不依赖于事先准备好的训练样本集合，而是根据图像中像素之间的相似性进行自动分类。
无监督分类法通常采用聚类算法，比如K-means聚类和最大似然聚类等，将图像中的像素划分为不同的类别。
三、基于物体的图像分类方法1. 目标检测法目标检测法是将图像分类扩展到对图像中的目标物体进行检测和识别的方法。
目标检测法既可以基于像素进行分类，也可以基于目标物体的形状、纹理、光谱等特征进行分类。
通过目标检测法，可以精确地定位和识别图像中的目标物体，比如建筑物、车辆、植被等。
2. 地物识别法地物识别法是通过提取和匹配图像中地物的特征信息，将其与已知地物进行比对和识别的方法。
地物识别法通常使用机器学习和人工智能算法，例如支持向量机、决策树等，根据地物的形状、纹理、频谱等特征，对图像中的地物进行分类和识别。
四、遥感图像分类方法的发展趋势1. 多源数据融合随着遥感技术的不断发展，我们可以获取到更多类型的遥感数据，如多光谱、高光谱、雷达等数据。
这些数据源的融合可以提供更多的信息量和更准确的分类结果。
遥感影像数据的分类与应用
遥感影像数据的分类与应用随着遥感技术的发展，遥感影像数据已经成为实现地球资源管理、环境监测与应急响应等方面的重要手段之一。
如何高效地对遥感影像数据进行分类与应用，成为遥感技术应用的重要研究领域之一。
一、遥感影像数据分类1.基本概念遥感影像数据分类是将遥感影像数据中的像素按照行政区划、地物类型等标准进行分类的过程。
2.基本方法遥感影像数据分类的方法一般分为以下几种：（1）.经验分类法：利用图像特征和颜色分布进行分类。
（2）.监督分类法：利用已知地物类型的样本数据进行分类，并进行训练。
（3）.非监督分类法：自动识别出现有地物类型，不需要人为干预。
3.分类准确度评价分类准确度评价是对遥感影像数据分类结果进行评价，反映分类结果的准确性。
常用的方法有：（1）.混淆矩阵法：将分类结果与实际情况进行比对，得出正确分类的数据。
（2）.Kappa系数法：分类准确度评价方法的一种，能够比较直观地反映分类的准确性。
二、遥感影像数据应用1.土地利用监测土地资源是人类赖以生存的基本资源之一，利用遥感影像数据进行土地利用监测，可以及时掌握土地资源的变化情况，提高土地资源管理的效果。
2.矿产资源勘探遥感技术在矿产资源勘探中有着不可替代的作用。
利用遥感影像数据的红外光谱信息，可以快速找到潜在的矿产资源矿体位置。
3.城市规划设计城市规划设计是城市发展的重要环节。
利用遥感影像数据，可以较为直观地了解城市基础设施建设情况、绿化程度、建筑物分布等，为城市规划、设计提供必要的参考。
4.自然灾害监测和预警自然环境的变化难以预测，自然灾害的突发常常导致巨大的损失。
利用遥感技术，可以及时监测自然环境的变化情况，提前预警自然灾害，减少灾害对人们生命和财产的损失。
5.军事侦察和防务建设遥感影像数据具有隐蔽性和全局性，因此可以用于军事侦察和防务建设。
利用遥感影像数据，可以快速获取军事目标的位置、分布情况和建筑信息，对军事行动实施提供必要的情报支持。
遥感图像分类方法与结果验证技巧
遥感图像分类方法与结果验证技巧遥感图像分类是利用遥感数据进行地物分类的过程，是遥感技术在地学领域中的重要应用之一。
而遥感图像分类方法的选择和结果验证技巧的使用对于获得准确可靠的分类结果至关重要。
本文将讨论常见的遥感图像分类方法以及一些结果验证技巧。
一、遥感图像分类方法1. 监督分类方法监督分类方法是最常用的一种遥感图像分类方法，它需要先手动标注一些样本点，然后使用机器学习算法进行分类。
常用的监督分类方法包括支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
这些方法在遥感图像分类中表现出色，但要求标注样本点会增加工作量。
2. 无监督分类方法与监督分类方法相反，无监督分类方法不需要事先手动标注样本点，而是通过对图像内部的类别划分进行分类。
常用的无监督分类方法包括聚类算法，如K均值算法和谱聚类算法。
这些算法可以有效地从遥感图像中自动识别出地物的类别，但分类结果的准确性可能不如监督分类方法。
3. 半监督分类方法半监督分类方法结合了监督和无监督分类方法的优点，它既可以利用有标签样本进行训练，又可以利用无标签样本进行分类。
典型的半监督分类方法包括自动编码器和生成对抗网络（GAN）等。
这些方法在遥感图像分类中具有潜力，可以有效提高分类结果的准确性。
二、结果验证技巧1. 精确度评估精确度评估是验证分类结果准确性的重要指标之一。
常用的精确度评估方法包括混淆矩阵、精确度（Accuracy）、召回率（Recall）和F1值等。
通过对分类结果和真实样本进行对比，可以评估分类算法的准确性。
2. 交叉验证交叉验证是在有限的数据集上评估模型性能的常用方法，它可以有效地避免由于数据集选择不当而引起的偏差。
常见的交叉验证方法有k折交叉验证和留一交叉验证。
在遥感图像分类中，交叉验证可以帮助评估模型在不同样本集上的分类性能。
3. ROC曲线分析ROC曲线分析是衡量分类器性能的重要工具，它可以绘制出分类器在不同阈值下真阳性率和假阳性率之间的关系。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。
遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。
非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。
非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。
而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。
从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。
但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。
本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。
在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。
关键词:TM遥感影像，图像分类，最大似然法，决策树题目：遥感图像几种分类方法的比较........................................ 错误!未定义书签。
摘要.. (1)第一章绪论 (3)1.1遥感图像分类的实际应用及其意义 (4)1.2我国遥感图像分类技术现状 (5)1.3遥感图像应用于测量中的优势及存在的问题 (6)1.3.1遥感影像在信息更新方面的优越性 (6)1.3.2遥感影像在提取信息精度方面存在的问题 (6)1.4研究内容及研究方法 (8)1.4.1研究内容 (8)1.4.2 研究方法 (8)1.5 论文结构 (9)第二章遥感图像的分类 (9)2.1 监督分类 (9)2.1.1 监督分类的步骤 (9)2.1.2 最大似然法 (11)2.1.3 平行多面体分类方法 (12)2.1.4 最小距离分类方法 (13)2.1.5监督分类的特点 (13)2.2 非监督分类 (14)2.2.1 K-means算法 (14)K-均值分类法也称为 (14)2.2.2 ISODATA分类方法 (15)2.2.3非监督分类的特点 (17)2.4遥感图像分类新方法 (17)2.4.1基于决策树的分类方法 (17)2.4.2 人工神经网络方法 (19)2.4.3 支撑向量机 (20)2.4.4 专家系统知识 (21)2.5 精度评估 (22)第三章研究区典型地物类型样本的确定 (24)3.1 样本确定的原则和方法 (24)3.2 研究区地物类型的确定 (24)3.3样本区提取方案 (25)3.4 各个地物类型的样本的选取方法 (25)3.4.1 建立目视解译标志 (25)3.4.2 地面实地调查采集 (26)3.4.3 利用ENVI遥感图像处理软件选取样本点 (26)第四章遥感图像分类实验研究 (26)4.1遥感影像适用性的判定 (26)4.2分类前的预处理 (28)4.2.1空间滤波的处理 (28)4.2.2 频域滤波处理 (28)4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30)4.3.1监督分类 (30)4.3.2 决策树 (33)4.4分类后的处理 (35)4.5 精度的比较 (36)第五章结论和展望 (37)参考文献 (37)致谢 (39)第一章绪论土地利用研究是全球环境变化研究的重要组成部分，土地利用变化驱动因子的研究也是目前研究的热点之一。
以往由于一个地区缺乏现在和过去土地利用的最新地图以及缺乏处理大量资料的分析方法，土地利用和覆盖变化的研究工作工期长、误差大、费用高，使土地利用规划受到严重影响。
遥感技术则以其快速、准确、准时、周期短等优点在大中尺度的土地利用动态监测中具有明显的优势，在国内外已经得到了广泛应用。
利用遥感手段获得土地利用信息的一个重要的中间环节就是分类。
最先出现的分类技术是图像目视解译分类，它可充分利用判读人员的知识，灵活性好，擅长提取空间相关信息，但定位不准确，时效性差，可重复性差，并存在个人差异。
目视解译现在仍然被广泛地应用于对精度要求较高的应用中，特别是在对米级高分辨率遥感图像分类时，目视解译精度一般高于计算机分类精度。
计算机遥感图像分类是计算机模式识别技术在遥感领域中的具体应用，其核心任务就是确定不同地物类别间的判别接口和判别准则，可重复性好，定位准确，处理时间短，时效性好。
然而与其它的计算机模式识别不同的是，遥感影像数据类别多，含混度大，维数高，高精度的多类别分类识别具有较大难度。
传统的计算机分类方法是基于像元光谱统计特性的硬分类，不善于提取空间信息，不容易解决同物异谱、异物同谱、混合像元等问题，常常出现错分、漏分，分类精度不高，且分出的图斑比较零乱，针对传统的计算机分类方法已出现了很多改进。
目前遥感图像分类方法繁多而且种类杂乱，每种方法都有其自身的特点，但也不可避免的有一些缺陷，鉴于这种现状，本文将对土地利用遥感分类技术进行综述，详细阐述了不同类型遥感数据的性质及应用范围，并在综合比较分析研究当前主要的遥感图像分类方法基础上，对一般的统计分类方法、针对实际情况的分类方法及其它较新的分类方法进行了论述。
1.1遥感图像分类的实际应用及其意义随着空间科技的发展，各种资源环境监测卫星的发射与运行为地表动态变化研究提供了多平台、多光谱、多时相、大范围的实时信息，遥感技术已成为当前人类研究地球资源环境的一种有力技术手段。
在遥感技术的研究中，分类是遥感图像应用的一个重要方面，同时也是学者们研究的重点和热点。
随着成像技术及相应数据产品不断的发展，遥感图像分类得到了越来越广泛的应用，由单波段的遥感图像到多光谱图像再到高光谱图像，其应用研究得到不断的扩展和深入。
图像分类是由图像生成专题图的过程。
卫星遥感图像简称卫星图像。
关于卫星图像在探测地球资源和环境中的作用，研究者将遥感的地学应用划分为制图、监测和估算。
在这三方面的应用中，制图特别是专题制图是最常用的，并目_可能是其他两种应用的一个前提条件。
事实上，许多应用卫星图像进行监测和估算的工作，也常常是与卫星图像的分类和制图联系起来的。
而且有时卫星图像分类还可以仅仅作为提取某些特种信息的手段。
卫星图像分类的方法是对传统方法的重大改进，是从定性到定量的一次飞跃[6]。
由于分类的卫星图像都是数字图像，而数字图像的分类又必须通过计算机来进行。
这种分类能充分利用卫星数据提供的丰富信息，其结果必定是高度定量化的结果，容易进行面积统计，并从理论上来说可以精确到图像和地面上的像元。
当然，如何作好分类以及分类后的应用，并辅助以较少的人工解译，可以大规模节省人力，节省时间，多数情况下还可以节省经费，并完全可以达到与人工解译、勾绘、转绘、量算和传统统计方法结合相同或更高的精度。
1.2我国遥感图像分类技术现状从20世纪70年代起，随着第一颗陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图像的解译研究。
最初是利用数字图像处理软件对卫星数字图像进行几何纠正与位置配准，在此基础上采用人机交互方式从遥感图像中获取有关地学信息。
这种方法的实质仍然是遥感图像目视判读，它依赖于图像解译人员的解译经验与水平，在遥感图像分类方法上并没有新的突破。
20世纪80年代，主要是利用统计模式识别方法进行遥感图像的计算机分类，例如Strahier(1980)使用最大似然法对遥感影像数据进行分类，Goldberg(1983)运用光谱特征对多波段卫星影像进行分类，从中获取森林资源信息。
这种方法的特点是根据图像中地物的光谱特征对影像中的地物进行分类。
这些方法对遥感图像计算机分类的发展起到了推动作用。
20世纪90年代期间至今，涌现出了大量的遥感图像分类方法，例如神经网络，支撑向量机等方法都取得较好的效果。
在改进波段信息方面wilkinson．GG(1996)通过增加空间结构信息来辅助分类)采用波段比值。
神经网络算法用于遥感图像分类始于1988年。
因其具有对信息的分布式存储，并行处理、自组织、自学习等特点，在遥感图像分类领域中有较为广泛的应用。
如Mural．H(1997)提出了基于神经网络和知识发现的分类方法，贾永红等提出了基于BP神经网络的多源遥感影像分类。
支撑向量机是由Vapnik提出的。
其基本思想是由事先定义的非线性变换函数集，把向量映射到高维特征空间中，按照支撑向量与决策曲面的空隙极大化的原则来产生最优超平面，然后再把高维特征空间的线性决策边界映射到输入空间的非线决策边界。
刘志刚探讨了一种基于支撑向量机的遥感影像不完全监督分类新方、法，骆剑承则提出了基于支撑向量机(SVM)的遥感影像空间特征提取的新方法，并以SPOT全色波段影像上城市特征信息的提取为应用实例，并与人工神经网络(ANN)等特征提取方法进行综合比较，认为SVM方法不但能够获得比较高的分类精度，而且在学习速度、自适应能力、特征空间高维不限制、可表达性等方面具有优势。
自从1965年扎德教授提出模糊集理论以来，有关模糊信息处理的理论和应用均取得了重大的进展，并由此产生了模糊模式识别方法。
后来陆续应用于文字识别、图像分割和语音识别中，并取得了很好的效果。
由于地球表层信息的复杂性和开放性，地表信息是多维的、无限的，遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性，决定了感信息的分析具有不确定性、多解性和模糊性，实际上遥感图像所包含的不一定是单纯的地物信息，特别是空间分辨率低的或者是地表复杂度高的影像单元中，往往是多种地物的综合反映(即模糊性)。
这一特点使得基于模糊模式识别分类成为遥感影像分类研究中的一个重要趋势。
此外，还有像莫源富等专门针对山区遥感图象，提出分区分类法，结合GIS 多因子辅助分类及人工屏幕修改，有效地改善了山区遥感图象的识别分类。
1.3遥感图像应用于测量中的优势及存在的问题和传统的对地观测手段相比，遥感技术的优势在于:扩大了人们的视野，从可见光发展到红外、微波等波普范围；在遥感与地理信息系统基础上建立的数学模型未定量化研究奠定基础。
在一些地学研究领域，促进了定性描述为主导以定量分析为主的过度；同时，还实现了空间和时间的转移:空间上野外部分工作转移导师实验室；时间上从过去、现在的研究发展到三维空间上的地预测未来。
1.3.1遥感影像在信息更新方面的优越性使用遥感数据修测地形图，比常规方法大大缩短了时间；在测图和更新修测地图的作业中使用卫星像片要比使用航片的数量大大减少，从而大量地避免了繁琐重复的相片处理工作，同时降低了成本：卫星遥感制图使用的图像资料标准一致，规格统一，是短时间在相同的条件下获得的，能保障的土产品内容上的协调和作业过程的一致。