基于K均值的遥感图像自动识别分类
基于K均值的遥感图像自动识别分类胡高翔1，韩孜21武汉大学遥感信息工程学院, （430079）2宁波市浙江万里学院计算机与信息学院, （315100）hgxida@，hz110hz@摘 要： 遥感图像的计算机分类是模式识别技术在遥感技术领域中的具体应用。
本文采用了模式识别分类中非监督分类中k均值聚类方法对多维遥感图像进行分类，从而达到提取所需地物信息的目的。
关键词：模式识别、K均值聚类、遥感影像1.引言遥感图像的计算机分类，就是对地球表面及其环境在遥感图像上的信息进行属性的识别与分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。
遥感图像的计算机分类是模式识别中的一个方面，它的主要是别对象是遥感图像及各种变换后的特征图像。
目前，遥感图像的自动识别方法主要采用统计方法，按照决策理论方法，需要从被识别的模式（即对象）中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。
以区分具有不同特征的模式，达到分类的目的。
统计模式识别从根本上讲，是利用各类的分布特征，即直接利用各类的概率密度函数、后验概率等，或隐含地利用上述概念进行分类识别。
其中的聚类分析法是利用待分类模式之间的“相似性”进行分类，较相似的作为一类，较不相似的作为另一类。
在分类过程中不断地计算所分划的各类的中心，一个待分类模式与各类中心的距离作为对其分类的依据。
这实际上是在某些设定下隐含地利用了概率分布概念，因常见的概率密度函数中，距期望值较近的点概率密度较大。
该类方法的另一种技术是根据待分类模式和已指判出类别的模式的距离来确定其类别，这实际上也是在一定程度上利用了有关概念。
K均值聚类方法是统计模式识别分类中非监督分类法的一种。
2.相关背景知识2.1 非监督分类非监督分类（也称聚类分析）算法中并没有显式的信号来对训练样本集中的每个输入样本提供类别标记和分类代价，并寻找能降低总体代价的方向。
系统对输入样本自动形成“聚类”或“自然”的组织。
所谓“自然”与否是由聚类系统所采用的显式或隐式的准则确定的。
给定一个特定的模式集和代价函数，不同的聚类算法将导致不同的结果。
通常要求用户事先指定预定的聚类的数目。
遥感影像的非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性进行“盲目”的分类。
非监督分类的基本思想就是先选择若干个模式点作为聚类中心，每一个中心代表一个类别，按照某种相似性度量方法将各模式归于各聚类中心所代表的类别，形成初始分类。
然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直至合理为止。
2.2类的定义与类间距离2.1.1 类的定义类的划分具有人为规定性。
一个分类的结果优劣最后只能根据实际来评价，因此较多地利用研究对象的知识才能选择适当的类的定义，从而使分类结果更符合实际。
下面给出几组常用的类的定义：（1） 集合S 中任两个元素、的距离有i x j x ij d h d ij ≤ （2.1.1.1） 其中h 为给定的某个域值，称S 对于域值h 组成一类。
（2） 集合S 中任两个元素、的距离有 i x j x ij dh d k sx ij j ≤−∑∈)1(1（2.1.1.2）其中k 为集合S 中元素的个数，h 为给定的某个域值，称S 对于域值h 组成一类。
（3） 集合S 中任两个元素、的距离有 i x j x ij dh dk k sx ijsx j i ≤−∑∑∈∈)1(1r d ij ≤ （2.1.1.3）其中k 为集合S 中元素的个数，h 、r 为给定的某个域值，称S 对于域值h 、r组成一类。
2.1.2类间距离在有些聚类算法中要用到类间距离，下面给出几个常用类间距离定义式。
（1） 最近距离两个聚类i ω和j ω之间最近距离定义为（2.1.2.1）ji ij kli d D ,]min[=式中，表示ij d k i x ω∈和l j x ω∈之间的距离。
（2） 最远距离两个聚类i ω和j ω之间最远距离定义为（2.1.2.2）ji ij kli d D ,]max[=式中，表示ij d k i x ω∈和l j x ω∈之间的距离。
（3） 平均距离两个聚类p ω和q ω之间最近距离定义为 ∑∈∈=qj p i x x ij qp pq d n n D ωω221 （2.1.2.3）式中，表示ij D k i x ω∈和l j x ω∈之间的平均平方距离。
3. k-均值分类算法3.1 基本思想K-均值聚类是非监督分类方法中的一种。
K-均值算法的聚类准则是使每一个聚类中，多模式点到该类别的中心距离的平方和最小。
其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。
3.2 算法步骤（1） 假设分类类别数为m 个，任选m 个类的初始中心、……。
)0(1Z )0(2Z )0(m Z （2） 将待分类的模式矢量特征集{}中的模式逐个按最小距离原则分划给m 类中的某一类，即 i X 如果i=1,2…,N ],min[)()(k ij k ild d =则判∈。
i x )1(+k lω式中表示和的中心的距离，上角标表示迭代次数。
于是产生新的聚类（j=1,2,…m ）。
)(k ij d i x )(k j ω)(k j Z )1(+k jω（3） 计算重新分类后的各类心 ∑+∈++=)1()1()1(1k j i x i k jk j xnz ω，j=1,2, …,m式中为类中所含模式的个数。
)1(+k j n )1(+k jω（4）如果（j=1,2, …,m ）,则结束；否则，k=k+1,转至(2))()1(k j k jz z =+3.3 K-均值算法流程图3.4 K-均值算法表达1 begin intialize n,m 、…… )0(1Z )0(2Z )0(m Z 2 do 按照最近邻分类m 个样本 i Z 3 重计算 i Z 4 until 不在改变 i Z 5 return 、…… 1Z 2Z m Z 6end4. 实验结果本实验在微机上进行。
其微机性能为：Pentium4 CPU 1.6GHz 256MB 内存 。
在VC++环境下，用MFC开发了K-均值遥感图像分类程序，进行有关实验研究。
本次研究的数据主要是TM1,2,3,4,5,7六个波段的数据。
下面是对TM1,2,3,4,5,7六个波段遥感图象分类的结果。
（图4.1 分类类别数3，迭代次数6）（图4.2 分类类别数4，迭代次数6）（图4.3 分类类别数4，迭代次数8）（图4.4 分类类别数4，迭代次数10）（图4.5分类类别数5，迭代次数3） （图4.6分类类别数5，迭代次数6） 由图中我们可以很清楚可以看到，K 均值分类整体效果较好，然而分类数和迭代次数不同，分类效果有一定差异。
图4.1中，分类类别数为3，如图可知，成功将湖泊，河流与其他地物分离开来，因而效果比较好。
而图4.2中，分类结果得出湖泊，河流，房屋，土地，但房屋与土地分离得不是很完美，相比之下图4.3效果比较好，而图4.4迭代次数增多，并没有使分类效果提高反而房屋与土地的分离效果比较差。
同样，这一点在图4.5与图4.6的对比上也有所体现。
这是和算法本身的原因有关。
因为算法结果受到所选聚类中心的数目和其初始位置及模式分布的几何性质和读入次序等因素的影响，并在迭代过程中没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。
5. 结论K-均值是以确定的类数及选定的初始聚类中心为前提，使各模式到其所判属类别中心距离之和最小的最佳聚类。
方法简单，结果比较令人满意。
但是由于算法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，并在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。
为了提高分类结果，我们可以对初始聚类进行一些处理，通过一些简单的聚类中心试探方法来找出初始聚类中心而不是单单随机选取初始聚类中心。
参考文献[1]张莉, 孙钢, 郭军基于K-均值聚类的无监督的特征选择方法计算机应用研究2005年第3期[2]孙家柄等《遥感原理与应用》，武汉：武汉大学出版社，2003.2.。
[3]Richard O.Duda Peter E.Hart David G.Stork 《模式分类》，北京：机械工业出版社，2003.9[4]孙即祥《现代模式识别》长沙：国防科技大学出版社，2002.1Automatic recognition and classification of RS imagery based on k-means clustering methodHu Gao-xiang1，Han Zi21School of Remote Sensing Information Engineering,Wuhan university,4300792The Computer Science and Information Technology department,Zhejiang Wanliuniversity,315100AbstractComputer classification based on RS imagery is a general task of pattern recognition in the field of remote sensing. In this paper, in order to extract required features on earth , a method based on k-means ,a classical unsupervised classification method in pattern recognition , is proposed to classifer the multi-dimension RS imagery.Keywords: pattern recognition , k-means clustering , RS imagery作者简介：胡高翔，武汉大学遥感信息学院2005级研究生韩孜，浙江万里学院，计算机与信息学院教师。
envi遥感图像处理之分类
ENVI遥感图像处理之计算机分类一、非监督分类１、K—均值分类算法步骤:1）打开待分类得遥感影像数据２)依次打开：EＮVI主菜单栏—〉Cｌaｓsifiｃatiｏn—>Unsuperｖｉsed—>K—Means即进入K均值分类数据文件选择对话框3）选择待分类得数据文件4)选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数得设置，包括分类得类数、分类终止得条件、类均值左右允许误差、最大距离误差以及文件得输出等参数得设置5）建立光谱类与地物类之间得联系：在新窗口中显示分类结果图：然后，打开显示窗口菜单栏Tools菜单—＞Color Maｐpｉng—〉Ｃlass ＣolｏｒMａppｉｎg…进入分类结果得属性设置对话框，在这里,可以进行类别得名称，显示得颜色等，建立了光谱类与地物类之间得联系。
设置完成以后，点击菜单栏Opｔiｏnｓ-〉Saｖe Chang ｅs 即完成光谱类与地物类联系得确立6)类得合并问题：如果分出得类中，有一些需要进行合并，可按以下步骤进行:选择ENＶI主菜单Classfaction-〉Post Clａｓsｆictｉon—>biｎe Classｅs，进入待合并分类结果数据得选择对话框点击OＫ键,进入合并参数设置对话框，在左边选择要合并得类，在右边选择合并后得类,点击Add bination键即完成一组合并得设置，如此反复，对其她需合并得类进行此项操作，点击OK，出现输出文件对话框,选择输出方式，即完成了类得合并得操作.至此,K—均值分类得方法结束。
2、ISODAＴA算法基本操作与K—均值分类相似。
1）进行分类数据文件得选择(依次打开:EＮVI主菜单栏—＞Clａｓsifｉｃation—>Unsupeｒｖised—＞IsoＤaｔa即进入ISODATA算法分类数据文件选择对话框，选择待分类得数据文件）2）进行分类得相关参数得设置(点击ＯK键以后，进入参数设置对话框，可以进行分类得最大最小类数、迭代次数等参数得设置）3）如此，光谱类得划分到此结束。
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
K均值算法实现遥感图像的非监督分类
（ 江 大学 电气工程学 院 ， 江 杭 州 ３０２ ） 浙 浙 １０ ７
摘 要 ： Ｋ均值 算 法在 高光谱 遥 感影 像 的非 监督 分 类 中具有 较 强 的 实用性 ， 表现 出 了良好 的 优 点 。首 先
采 用 了最 大最 小选心 法确 定初 始 类 别 中心 ， 然后使 用 了 Ｋ均 值 算 法 实现 遥 感影 像 的 分 类。在 分 类 过 程 中采 用 了 Ｖ Ｃ＋ ２ ０ ＋ ０ ５作 为 开发 平 台 ， 大地提 高 了遥 感影 像 的 分 类速 度 ， 极 同时还 给 出 了 实现 Ｋ均值 分
Ｋｅ ｙ ｗｏｒ ｓ： ｕ ｕ ｒ ｉｅ ｌｓ ｉ ｃ ｉｎ；Ｋ — ａ ｌ ｏ ｉ ｄ ｎｓ ｐｅ ｖｓ ｄ ｃ ａ ｓｆ ａｔ ｉ ｏ ｍｅ ｎ ａ ｇ ｒｔ ｈｍ ；ＶＣ ＋＋ ２ ０５ ０
０ 前 言
遥 感 影像 的 非监 督 分 类 ， 是指 人 们 事先 对分 类 过 程不施 加 任何 的 先验 知 识 ， 凭 据遥 感 影 像 的光 谱 特 仅 性 的分 布规律 ， 其 自然 地 进 行 盲 目分 类 。 它 的 主要 顺
ａ ｈｅ ｍａｎ ｐ ｏ ｅ ｒ ｏ ｅ ｆｒｔ ｅ ｉａｉｎ ｏ ｌ ｓｉ ｃ ｔ ｎ ｗａ ｖ ｎ ｏ ｔ ｎｄ ｔ ｉ ｒ ｃ ｄｕｅ ｃ ｄ ｏ ｈｅ ｒａ ｚ ｔ ｆｃａ ｓｆ ａｉ ｓ ｌ ｏ ｉ ｏ ｅ ｕ ．Ａｔｌｓ ，ｔｅ ｉ ｆｕ ｎ ｅ ｏ ｔｒｔｎ ｕｍｂｅ ｎ ｃａ ｓｆｅ ａ ｔ ｈ ｎ ｅ ｃ ｆｉｅ ａｉ ｇ ｎ ｌ ｒｉ ｌｓ ｉ ｄ ｉ ｉ ｇ ｓｗａ ｕ ｄ ｂ ｏ ｋｎｇｆｒｔ ｅ ｄｆｅ ｅ ｃ ｍｏ ｇ ｄ ｆ ｒ ｎ ｌｓ ｉ ｅ ｍａ ｅ ｉｈ ｗａ ｏ ｙ ｕｓｎ ｉｆｒ ｎ ｔｒｔｎｇｎｕ ｅ ． ｍａ ｅ ｓ ｆ ｎ ｙ ｌｏ ｉ ｈ ｉｆｒ ｎ ｅ ａ ｎ ｉｆ ｅ ｔｃａ ｓｆ ｄ ｉ ｇ ｓｗｈ ｃ ｓｇ ｔｂ ｉｇ ｄ ｆｅｅ ｔｉ ａｉ ｍｂ ｒ ｏ ｏ ｅ ｉ ｅ
第8章遥感图像自动识别分类
• 本健康但错判断为癌症：存伪，虚惊一场；
第八章 遥感图像自动识别分类 §8.1 基础知识
三、模式识别系统
1、数据获取: 图像，波形，物理参量 2、预处理: 去噪、增强、退化复原 3、特征提取与选择 4、分类决策
4、其它方法：模拟退火法、遗传算法等。
12/13
第八章 遥感图像自动识别分类 §8.3 分类器设计
• 本课主要内容 • 分类器（判别准则）概念 • 最小错误率分类器（Bayes 准则） • 线性判别分类器 （Fisher准则） • 非线性判别分类器（最短距离法） • 本课重点内容 • Bayes判别准则 • 最短距离分类器
主分量变换的优良特性 1、变换后Y的协方差阵是对角阵，表明新特征矢量直接 彼此不相关 2、变换后，信息主要集中在前几个主成分中，根据统 计，对于landsat MSS四个波段的影像经KL变换后， PC1占90%的总信息量，PC2占7%的总信息量，PC3和 PC4共占3%的总信X息2 量。 Y2（第二分量）
第八章 遥感图像自动识别分类 §8.4 监督/非监督分类
• 上节主要内容 • 贝叶斯分类器 • 线性分类器（以Fisher准则为例） • 非线性分类器（以最短距离方法为例） • 本节主要内容 • 监督分类的思想 • 监督/非监督分类的区别 • 监督分类步骤 • K-均值聚类算法
第八章 遥感图像自动识别分类 §8.4 监督/非监督分类
参数估计：点估计/区间估计/最大似然估计 非参数估计：Parzen窗法、k-近邻估计法 Bayes分类器的理论作用大于实际作用 能否直接利用特征设计分类器呢？
第八章 遥感图像自动识别分类 §8.3 分类器设计
遥感图像自动识别分类
5
B5
水 B7
地物与光谱特征空间的关系
6
特征点集群在特征空间中的分布大致可 分为如下三种情况：
Bj
理想情况——不同
类别地物的集群至
植被
少在一个特征子空
间中的投影是完全
可以相互区分开的
。
Bi
7
一般情况——无论在总的特征空间中，还是 在任一子空间中，不同类别的集群之间总是 存在重叠现象。这时重叠部分的特征点所对 应的地物，在分类时总会出现不同程度的分 类误差，这是遥感图像中最常见的情况。
► 最大似然法 根据概率判别函数和贝叶斯判别规则来
进行的分类称为最大似然分类法。
22
概率判别函数：把某特征矢量X落入某 类集群wi的条件概率P (wi/X)当成分类判决 函数（概率判决函数）。
贝叶斯判别规则：把X落入某集群wi的 条件概率P (wi/X)最大的类为X的类别。
贝叶斯判别规则以错分概率或风险最小 为准则的判别规则。
10
特征变换的目的：
► 减少特征之间的相关性，使得用尽可能 少的特征来最大限度地包含所有原始数 据的信息。
► 使得待分类别之间的差异在变换后的特 征中更明显，从而改善分类效果。
11
特征变换的方法：
主分量变换 哈达玛变换 生物量指标变换 比值变换 穗帽变换
12
特征选择的目的： 用最少的影像数据最好地进行分类。
另外还有一种现象，分类是正确的，但 某种类别零星分布于地面，占的面积很小， 我们对大面积的类型感兴趣，因此希望用综 合的方法使它从图面上消失。
52
多数平滑:平滑时中心像元值取周围占多数的类别。
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。
《遥感图像分类》课件
将原始特征进行变换，生成新的特征，以更好地 反映地物类别之间的差异。
分类器设计
监督分类
利用已知样本的训练集设计分类器，对未知样本进行分类。
非监督分类
对未知样本进行聚类分析，将相似的样本归为同一类。
混合分类
结合监督分类和非监督分类的优势，提高分类精度和稳定性。
分类结果评价
精度评价
通过比较分类结果与实际地物类别， 计算分类精度、混淆矩阵等指标。
THANKS
感谢观看
分类器。
多源遥感数据融合问题
多源遥感数据融合可以提高分类精度和可靠性，但同时也带 来了数据匹配、融合算法选择等问题。
解决多源遥感数据融合问题的策略包括使用先进的融合算法 ，如基于深度学习的融合方法，以及优化数据匹配方法。
遥感图像分类技术的发展趋势
01
遥感图像分类技术正朝着高精度、高效率和自动化的方向发展 。
可靠性评价
评估分类结果的稳定性、可靠性以及 抗干扰能力。
应用价值评价
根据分类结果在实际应用中的价值， 如土地利用、资源调查、环境监测等
，对分类方法进行综合评价。
04
CATALOGUE
遥感图像分类的挑战与展望
数据质量问题
遥感图像常常受到噪声、失真和 模糊等影响，导致数据质量下降
。
数据质量问题还表现在不同传感 器获取的图像之间的差异，以及 不同时间获取的图像之间的变化
遥感图像分类的应用
遥感图像分类在多个领域有广泛应用，如环境保护、城市规划、资源调查、军事 侦察等。
通过遥感图像分类，可以快速获取大范围的地物信息，为相关领域的决策提供科 学依据。
02
CATALOGUE
遥感图像分类的方法
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。
遥感图像分类基本方法
基本方法1.非监督分类也称为聚类分析或点群分析，即在图像中搜寻、定义其自然相似光谱集群组的过程。
其完全按照像元的光谱特征进行统计分类，常常用于对分类区没有太多了解情况下。
这种方法人为干预较少，自动化程度较高。
该种分类方法的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
E n v i中非监督分类的两种算法：a．K-均值算法：通过迭代，逐次移动各类的中心，直到最好的聚类结果为止。
该法使用了聚类分析方法，它需要分析员在数据中选定所需的分类个数，随机地查找聚类簇的中心位置，然后迭代地重新配置它们，直到达到最优化的波谱分类。
b．I S O D A T A算法(Iterative Self-Organizing Data Analysis T echniques Algorithm)亦称迭代自组织数据分析算法，基于最小光谱距离公式，完全按照像元的光谱特性进行统计分类。
迭代：不断重复分类过程,并且重新计算统计值。
自组织：最少的用户输入即可进行类型的确定。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值；用最小光谱距离把每一候选象元赋予一个类别；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
这样不断重复运算，直到最大的循环次数已达到设定阈值或者两次聚类结果相比达到了最大类别的像元百分比已经不再发生变化。
一般ISODAT A需要分析者定义例如最大的集群组数量，最小的集群均值间距离等参数。
在实际应用中，经过此算法所得到的图.分析者还要开展进一步的分类合并以及分类后处理等工作分析者还要开展进一步的分类合并以及分类后处理等工作(分类的后续工作,不管采用哪种方法都应该进行)。
特点：不需要更多的先验知识；方法简单，具有一定的精度；当光谱特征类能够和唯一的地物类型相对应时分类精度较好。
2.监督分类基本思想：根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称之为学习(Learning)或（T ranining），然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。
遥感图像处理方法与技巧
遥感图像处理方法与技巧引言：遥感图像处理是指通过感知、获取地球表面信息的遥感数据，利用计算机技术和图像处理算法对遥感图像进行处理、分析、提取等操作的过程。
这一技术的发展不仅在地理信息系统领域有着广泛的应用，也在农业、环境保护、城市规划等诸多领域发挥着重要作用。
本文将介绍几种常见的遥感图像处理方法和技巧。
一、图像预处理技术在进行进一步的图像处理前，通常需要对原始遥感图像进行预处理，以消除图像中的噪声、增强图像的特定信息等。
图像预处理的主要方法有：1.空间滤波：通过利用滤波器，对图像进行平滑或锐化处理。
常用的滤波器包括均值滤波器、中值滤波器和高斯滤波器。
2.辐射校正：由于不同地表物体对电磁波的反射率不同，遥感图像中的亮度值会受到光照和传感器等因素的影响。
辐射校正可消除这些因素对图像的影响，使得不同遥感图像具有一致的亮度分布。
3.几何校正：由于遥感图像通常受到地球自转、地形起伏等因素的影响，导致图像中的地理信息不准确。
几何校正可以修正图像的位置和形状，使其与真实地理坐标一致。
二、图像分类与分割方法图像分类与分割是遥感图像处理的核心环节，旨在将遥感图像中的不同地物或地物类别进行识别和分离。
常见的分类与分割方法有：1.基于像元的分类：将遥感图像中的每个像元（图像的最小单位）分配给不同的类别。
这种方法基于每个像元的统计特征进行分类，如亮度、颜色和纹理等。
2.分层分类：将遥感图像中的类别按照层级进行分类，从粗粒度到细粒度逐步区分不同地物。
3.聚类分割：通过对遥感图像中的像元进行聚类，将具有相似特征的像元划分到同一类别。
常用的聚类算法有K-means和基于区域的分水岭算法。
4.基于边缘的分割：提取遥感图像中物体的边缘信息，并利用边缘信息对图像进行分割。
这种方法适用于物体之间边缘明显的场景。
三、变化检测技术变化检测是指通过比较不同时期的遥感图像，寻找并分析地表上发生的变化。
变化检测技术在自然灾害监测、城市规划等方面有着广泛的应用。