遥感图像几种分类方法的比较

合集下载

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ＳＰＯＴ５图像数
ｄａｔａｔｏｔｅｓｔｓｕｐｅｖｉｒｓｅｄｃｌａｓｓｉｉｆｃａｔｉｏｎａｎｄｉｎｔｒｏｄｕｃｅｄｐａｒａｌｌｅｌｅｐｉｐｅｄｍｅｔｈｏｄ，ｍｉｎｉｍｕｍｄｉｓｔａｎｃｅａｎｄｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｍｅｔｈｏｄ．Ｂｙｄｅｉｎｆｉｎｇｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅ，ｔｒａｉｎｉｎｇｓａｍｐｌｅｅｖａｌｕａｔｉｏｎ，ｉｍｐｌｅｍｅｎ— ｔａｔｉｏｎｍｏｎｉｔｏｒｉｎｇｃｌａｓｓｉｉｃｆａｔｉｏｎａｎｄｃｌａｓｓｉｉｃｆａｔｉｏｎｅｖａｌｕａｔｉｏｎ，ｉｔｓｈｏｗｓｔｈａｔｄｒａｗｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄ
Ａｂｓｔｒａｃｔ：Ｔｈｒｏｕｇｈｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｐｉｘｅｌｖａｌｕｅｄｉｆｆｅｒｅｎｃｅｓｒｅｌｅｆｃｔｔｈｅｓｐｅｃｔｒａｌｂａｎｄｉｎｆｏｒｍａｔｉｏｎａｎｄｓｐａｔｉａｌｖａｉａｒｔｉｏｎｐｉｎｒｃｉｐｌｅｔｏｒｅｐｒｅｓｅｎｔｔｈｅｆｅａｔｕｒｅｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｖａｒｉｏｕｓｔｙｐｅｓｏｆｉｎｆｏｒｍａｔｉｏｎｆｏｒｔｈｅｅｘｔｒａｃｔｉｏｎ，ｔｈｅｉｍａｇｅｃｌａｓｓｉｉｆｃａｔｉｏｎｉｓｐａｒｔｉｃｕｌａｒｌｙｉｍｐｏｔａｒｎｔ．Ｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｐｒｏｃｅｓｓ — ｉｎｇ，ｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｉｃｆａｔｉｏｎｉｓｇｅｎｅｒａｌｌｙａｐｐｌｉｃａｂｌｅｔｏａｃｌａｓｓｉｉｃｆａｔｉｏｎｍｅｔｈｏｄ．Ｉｎｏｒｄｅｒｔｏｅｖａｌｕａｔｅ

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。

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。