遥感图像分类方法的国内外研究现状与发展趋势
高光谱遥感图像分类与分析算法研究
高光谱遥感图像分类与分析算法研究摘要：高光谱遥感图像分类与分析算法作为遥感图像处理与分析领域的重要研究内容，具有广泛的应用前景。
本文将介绍高光谱遥感图像分类与分析算法的研究现状，并探讨目前存在的问题与挑战。
然后，我们将讨论最常用的高光谱遥感图像分类与分析算法，并分析其优点和局限性。
最后，我们提出了未来的研究方向和挑战。
1. 研究现状高光谱遥感图像分类与分析算法是遥感图像处理与分析领域的重要研究内容。
随着遥感技术的发展，获取的遥感图像数据量不断增加，而高光谱遥感图像能够提供更加丰富的光谱信息，因此成为研究的热点。
目前，高光谱遥感图像分类与分析算法主要包括特征提取、特征选择、分类器设计等几个方面。
2. 问题与挑战然而，高光谱遥感图像分类与分析算法的研究仍然存在一些问题与挑战。
首先，高光谱遥感图像的数据维度较高，处理和分析起来较为复杂。
其次，不同地物或地表覆盖类型的光谱特征可能存在较大的重叠，导致分类精度下降。
此外，传统的分类算法在处理高光谱遥感图像时往往存在识别错误和误分类率高的问题。
3. 常用算法介绍针对上述问题，研究者提出了许多高光谱遥感图像分类与分析算法。
以下是一些常用的算法：3.1 监督分类算法监督分类算法是一种常用的高光谱遥感图像分类与分析方法。
它基于已知的地物类别的训练样本，通过构建分类模型来对图像进行分类。
常见的监督分类算法包括最大似然分类、支持向量机、随机森林等。
3.2 非监督分类算法非监督分类算法是一种无需先验知识的分类方法。
它主要通过对图像数据进行聚类分析，将相似的像素点归为同一类别。
K-means和谱聚类是常见的非监督分类算法。
3.3 深度学习算法近年来，深度学习算法在高光谱遥感图像分类与分析中取得了显著的进展。
深度学习模型如卷积神经网络（CNN）具有较强的学习能力和特征提取能力，能够有效处理高光谱遥感图像的分类问题。
4. 算法优缺点分析这些算法各有优缺点。
监督分类算法需要大量标记样本进行训练，模型依赖于标记样本的质量；非监督分类算法不需要标记样本，但对初始聚类中心的选择较为敏感；深度学习算法需要大量的计算资源和训练样本，模型复杂度较高。
遥感图像分类技术研究综述
遥感图像分类技术研究综述随着遥感技术的不断发展，遥感图像已成为一种常用的数据来源，特别是在地理信息系统、城市规划、资源开发等领域中。
而图像分类是遥感应用中的重要研究方向之一，其主要任务是根据遥感数据和相关的语义信息，将图像划分为不同的类别或物体。
目前，图像分类技术已经成为遥感应用中的一个热点问题。
本文将从三个方面来论述遥感图像分类技术的研究综述。
一、遥感图像分类技术背景遥感图像分类技术是指根据遥感数据进行图像分类的技术，它主要应用于土地利用覆盖、城市建设规划、农业灾害监测、水利资源管理、生态监测等领域。
遥感图像分类技术存在的主要问题是如何提高分类的准确度和效率。
目前，遥感图像分类技术主要涉及三个方面：特征提取、分类方法和分类精度评价。
其中，特征提取是图像分类的基础，其目的是将图像中的信息提取出来，以便于分类识别。
分类方法则是根据遥感图像特征和分类规则进行分类的过程，其分类精度的高低直接影响分类结果的质量。
而分类精度评价则是对分类结果进行评价和验证，它是图像分类的关键环节之一。
二、遥感图像分类技术研究进展近年来，随着遥感技术的快速发展，遥感图像分类技术得到了广泛的研究。
在特征提取方面，传统的灰度共生矩阵、纹理特征等被广泛应用，而基于卷积神经网络的深度学习算法也逐渐成为图像特征提取中的热点。
在分类方法方面，支持向量机、决策树、朴素贝叶斯等传统分类方法仍然占据主导地位，但是现在越来越多的研究者开始关注深度学习算法在图像分类中的应用。
分类精度评价方面，传统的混淆矩阵、Kappa系数等指标已不能满足需求，现在更加注重用样本数据集和交叉验证的方式进行分类精度评价。
三、遥感图像分类技术发展趋势随着遥感图像数据量急剧增加和计算机技术的不断革新，未来遥感图像分类技术也将呈现出以下发展趋势：1、深度学习算法的应用。
随着深度学习算法在计算机视觉领域的成功应用，未来更多的研究者也将关注深度学习算法在遥感图像分类中的应用。
卫星遥感图像的图像分类与识别技术研究
卫星遥感图像的图像分类与识别技术研究随着卫星遥感技术的快速发展和卫星载荷的不断升级，卫星遥感图像的获取和应用日益普及。
卫星遥感图像作为一种重要的地球观测数据，对于自然资源管理、环境保护、灾害监测等领域具有重要意义。
然而，由于卫星遥感图像具有大数据量、高维度等特点，图像的分类和识别工作变得愈发复杂和困难。
因此，研究卫星遥感图像的图像分类与识别技术具有重要的理论和应用价值。
卫星遥感图像的图像分类与识别技术旨在将卫星遥感图像准确地归类到特定的地物类型，从而实现对地球表面覆盖类型的监测和分析。
在实际应用中，卫星遥感图像常被用于土地利用与覆盖变化分析、城市规划、农作物生长监测等。
因此，研究卫星遥感图像的图像分类与识别技术对于提高遥感图像处理与解译的准确性和效率具有重要的意义。
首先，卫星遥感图像的图像分类与识别技术需要借助计算机视觉和机器学习的方法。
在图像分类中，常用的方法包括特征提取和选择、分类器的训练和测试等。
特征提取和选择是图像分类的重要环节，它能够从图像中提取出有效的特征信息，用于区分不同的地物类型。
常见的特征包括颜色、纹理、形状等。
而分类器的训练和测试则是将提取出的特征信息输入到模型中进行分类。
常用的分类器包括支持向量机、随机森林、卷积神经网络等。
通过合理选择和组合特征提取和选择的方法以及分类器模型，可以提高卫星遥感图像的分类准确性。
其次，卫星遥感图像的图像分类与识别技术还需要考虑到遥感图像的特殊性。
遥感图像具有较大的分辨率，在处理过程中需要考虑到数据量的处理和存储问题。
此外，由于卫星遥感图像的获取依赖于天候条件和卫星的轨道周期等因素，图像中可能存在云、阴影等干扰因素。
因此，研究卫星遥感图像的图像分类与识别技术还需要考虑到干扰因素的处理和纠正，以提高分类和识别的准确性。
此外，卫星遥感图像的图像分类与识别技术还需要考虑到不同地理环境和目标需求的差异。
地球表面的地物类型多种多样，并且在不同的地理环境中可能存在着不同的类别和特征。
遥感图像分类与分割算法研究
遥感图像分类与分割算法研究随着遥感技术的不断发展和普及，遥感图像的应用也越来越广泛。
而对遥感图像进行分类和分割是遥感应用中的重要研究方向。
本文将从算法角度入手，介绍遥感图像分类与分割算法的研究现状和未来方向。
一、遥感图像分类算法遥感图像分类是将图像中的像素或区域划分为不同的类别，用来获取地物信息的关键技术。
传统的分类算法如最小距离分类、最大似然分类和决策树分类等，依赖于高质量的样本数据和特征提取方法。
然而，对于大面积、高维度的遥感图像，传统算法的分类效果受到一定限制。
近年来，深度学习的兴起为遥感图像分类带来更好的解决方案。
深度学习通过多层非线性变换实现高级别、抽象的特征表示，可以有效地降低了特征维度。
深度学习的代表性算法，如卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等，已经在遥感图像分类中得到广泛应用，成为了新的研究方向。
二、遥感图像分割算法遥感图像分割是将图像中的像素或区域划分为不同的集合，从而实现对地物的精确提取。
传统的分割算法如基于灰度、基于边缘、基于区域和基于模型等，都有着各自的特点和适用情况。
然而，对于遥感图像这种大面积、高分辨率、多波段的数据，传统算法受到了很大的挑战。
相比之下，基于深度学习的分割算法具有更好的效果和鲁棒性。
近期出现的网络结构，如全卷积网络（FCN）、带空洞卷积的全卷积网络（DeepLab）和U-Net 等，已经成为遥感图像分割的主流算法。
这些算法采用卷积神经网络和反卷积操作进行像素级别的分类，可以实现较高的分割精度和鲁棒性。
三、未来展望遥感图像分类与分割算法都面临着一些挑战。
在分类方面，深度学习算法对数据量和质量的要求较高，且模型训练和推理速度较慢，需要更加有效的方法来提高效率。
在分割方面，多尺度信息的融合、分类不平衡问题和超分辨率等问题都需要进一步研究。
未来，可以尝试将遥感图像分类和分割进行联合研究，实现更加全面、深入地地物信息提取。
另外，结合时空数据和多源数据，进一步增强数据的丰富性和准确性，也是未来研究的重要方向。
遥感技术发展趋势及现状
byte=8 bits)，所以， 通常用一个字节或二个字
节的数据进行处理。图像数据的全部数据量为：
行数×像元数×通道数×比特数/8，单位为byte。
遥感图像的数据量非常巨大。在地面
站接收的卫星数据通常被实时记录到高密
度数字磁带(HDDT)上，然后根据需要拷贝
到计算机兼容磁带(CCT)等其它载体上。
③遥感图象处理。为满足各种不同的应用 要求，需要对遥感器获取的原始图象进行 处理。常用方法有光学的和电子学的两种， 而目前以电子技术中的计算机数字处理最 为重要。处理内容有图象整饰、几何纠正 和镶嵌、特征提取和分类及各种专题处理。
航天遥感应用中使用的数据基本有两种主要形
式：遥感影像和数字图像无论是用何种遥感成像方
陆地或海洋环境信息的技术。
它是通过传感器对远距离目标进行探测，以取
得电磁波谱资料、数据，从而对地物进行识别和分类。
地球上各种物体都具有发射电磁波的特性，不
同物体又具有互不相同的光谱特征，人们在事先掌握
了各种物体的光谱特征后，只要借助某些手段收集、
记录物体的不同性质的光谱特征，把这些特征信息与
事先掌握(已知的)的光谱特征进行比较，就可以区别
一个由“陆地卫星”系列卫星、海洋观
测卫星和气象卫星为主体组成的“地球
环境遥感卫星系统”，其遥感仪器已由
第一代、第二代发展到第三代。
其他许多工业先进国家和一些发展
中国家，也都积极发展遥感技术。我国
对开发空间遥感技术，从遥感仪器到卫
星航天器都取得了很大进展，为国民经
济发展起了重大作用。
长江源头
IRS与TM融合图
上，植被显示为红色，城镇为蓝灰色，水
体为蓝色，雪和云为白色等等。假彩色合
国内外遥感技术发展及趋势
国内外遥感技术发展及趋势遥感技术是一种通过非接触方式获取地表信息的技术，具有高效、快速、准确、大范围等特点。
随着科技的不断发展，遥感技术在国内外得到了广泛应用，同时也呈现出一些发展趋势。
一、国内遥感技术发展中国遥感技术的发展可以追溯到20世纪70年代，经过多年的发展，已经形成了完善的遥感技术体系，包括卫星遥感、航空遥感、地面遥感等多个方面。
1.卫星遥感中国已经成功发射了多颗遥感卫星，如资源卫星、环境卫星、气象卫星等，这些卫星为国内外用户提供了大量的遥感数据。
同时，中国还在积极研发更高分辨率、更快速响应的遥感卫星，以满足不断增长的遥感数据需求。
2.航空遥感中国拥有庞大的航空遥感队伍和先进的航空遥感技术，可以为各个领域提供高质量的遥感数据。
近年来，无人机遥感技术也得到了快速发展，无人机具有灵活、高效、低成本等优点，可以为应急监测、环境监测等领域提供快速响应。
3.地面遥感地面遥感技术在中国也得到了广泛应用，如地面激光雷达、地面高光谱等。
这些技术可以为地质勘查、环境监测等领域提供高精度、高分辨率的遥感数据。
二、国外遥感技术发展国外遥感技术的发展也非常迅速，主要集中在美国、欧洲、日本等国家。
1.美国美国是全球遥感技术的领军者之一，拥有大量的遥感卫星和先进的航空遥感技术。
近年来，美国还在积极推进商业遥感卫星的发展，鼓励企业参与遥感数据的获取和处理，以推动遥感技术的产业化发展。
2.欧洲欧洲也在积极发展遥感技术，拥有多个遥感卫星计划和航空遥感项目。
欧洲还在推进“哥白尼计划”，旨在建立一个全球性的地球观测系统，为环境保护、气候变化等领域提供数据支持。
3.日本日本也是遥感技术的重要发展国家之一，拥有多个遥感卫星计划和航空遥感项目。
日本还在积极推进遥感技术的应用，如在灾害监测、城市规划等领域的应用。
三、遥感技术发展趋势1.高分辨率、高精度随着技术的不断发展，遥感数据的分辨率和精度也在不断提高。
未来，随着更高分辨率、更高精度的遥感卫星和航空遥感器的研发和应用，遥感技术将为各个领域提供更准确、更详细的数据支持。
我国遥感技术的现状及发展趋势
我国遥感技术的现状及发展趋势随着科技的不断进步和应用领域的不断扩大，遥感技术在国内外得到了广泛的应用和关注。
作为现代环境监测、自然资源管理和地理信息系统等领域的基础，遥感技术已经成为国家发展战略中的重要组成部分。
本文将从当前国内遥感技术的现状以及未来的发展趋势两个方面对其进行探讨。
一、我国遥感技术的现状我国的遥感技术发展始于20世纪60年代，经过近几十年的发展，现已成为全球遥感技术的重要力量。
在卫星、航空和地面遥感领域，我国都取得了较为显著的进步。
1. 卫星遥感卫星遥感是目前国内遥感技术研究的重点领域之一。
我国在该领域已经有了自主研发、自主发射和自主运行的遥感卫星，包括光谱卫星、雷达卫星和合成孔径雷达卫星等。
遥感卫星的发射和运行，改变了对地面信息的获取方式，为我国的环境监测和资源调查提供了更高效、精确、可靠的手段。
2. 航空遥感航空遥感技术是指利用飞机、直升机等载具进行遥感数据采集。
我国在该领域已经实现了高分辨率、高频次、大面积覆盖的目标，使得遥感技术在自然资源、城市更新、环境保护和灾害监测等方面发挥着重要作用。
3. 地面遥感地面遥感是指通过在地面接收、采集和处理卫星遥感数据，利用影像处理技术，进行地球观测。
这种方法是最常用的遥感技术手段之一，也是遥感技术的基础。
我国在这方面的研究也非常活跃，通过遥感技术的应用手段，对新能源、生态环境保护等方面进行研究。
二、我国遥感技术的发展趋势1. 遥感技术的智能化和可视化随着大数据、人工智能、云计算和物联网技术的发展，遥感技术在数据分析和处理方面将更加智能化。
未来的遥感技术将实现自动化、高精度、高效率的遥感数据分析，遥感数据的可视化处理也将变得更加人性化、直观和可操作。
2. 遥感技术的高精度化高精度化是遥感技术未来的发展趋势之一，其主要包括两个方面：一是遥感数据获取的精度水平将得到更高的提升，例如超高分辨率、高时空分辨率等；二是遥感影像处理和应用的精度和精细程度将得到更高的提升，例如大数据分析、精准测绘等。
高光谱遥感图像的分类与识别算法研究
高光谱遥感图像的分类与识别算法研究摘要：随着高光谱遥感技术的发展，高光谱遥感图像的分类与识别成为了研究的热点之一。
高光谱图像拥有丰富的光谱信息和空间信息，对地物的识别和分类具有较高的准确性和精度。
本文主要介绍了高光谱遥感图像的分类与识别算法的研究现状和发展趋势，并重点讨论了几种常见的分类与识别方法，并对未来的研究方向进行了展望。
1. 引言高光谱遥感技术是一种获取地球物体光谱反射率的近地空间技术。
与传统的遥感技术相比，高光谱遥感技术能够获取更多的连续谱段信息，能够提供更多的反射波段，有助于地物的识别和分类。
传统的遥感图像分类与识别算法在高光谱图像上存在一定的局限性，因此，高光谱遥感图像的分类与识别算法研究成为了一个重要的课题。
2. 高光谱图像分类方法2.1 基于光谱信息的分类方法基于光谱信息的分类方法是最基础的一种分类方法。
光谱信息代表了目标在不同波长下的响应情况，通过光谱信息可以对不同地物进行分类。
常见的方法包括像元分解法、主成分分析法等。
2.2 基于空间信息的分类方法高光谱图像不仅包含了光谱信息，还包含了空间信息。
基于空间信息的分类方法可以充分利用像素点的空间分布特征进行分类。
常见的方法包括最大似然法、支持向量机等。
2.3 基于特征提取的分类方法特征提取是一种将高维数据转化为低维特征向量的方法，可以提取出地物的显著特征。
常见的特征提取方法包括小波变换、主成分分析、线性光谱混合等。
3. 高光谱图像识别方法高光谱图像的识别主要是通过对图像中地物的特征进行提取和匹配，从而实现对地物的自动识别。
常见的识别方法包括主成分分析法、广义Hough变换法等。
4. 研究现状与发展趋势目前，高光谱遥感图像的分类与识别算法已经取得了一些进展。
然而，在实际应用中仍然存在一些挑战，如遥感图像的分辨率、遥感图像的质量等。
因此，未来的研究方向可以从以下几个方面展开：4.1 提高分类和识别的准确性和精度当前的高光谱遥感图像分类与识别算法还存在一些问题，如准确性和精度不高。
- 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)。
遥感图像分类方法的研究现状与发展趋势摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。
随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。
在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。
这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。
关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。
这种发展主要表现在以下4个方面：1. 多分辨率多遥感平台并存。
空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。
遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。
民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。
例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。
随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。
2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。
微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。
微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。
成像雷达、激光雷达等的发展，越来越引起人们的关注。
例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。
高光谱遥感的出现和发展是遥感技术的一场革命。
它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。
高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。
但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要集中在一些技术发达国家，对其数据的研究和应用还十分有限。
近10年来情况出现了转机，1999年末第一台中分辨率成像光谱仪(MODIS)随美国EOSAM-1平台进入轨道，“新千年计划”第一星EO一1携带两种高光谱仪随后进入了太空。
此外，欧洲空间局的中分辨率成像光谱仪(MERIs)、日本ADEOS一2卫星的全球成像仪(Gu)以及美国轨道图像公司的轨道观察者4号(ORB一ⅥE1孵4)均相继升空。
一个高光谱群星灿烂的局面将展现在我们面前，可望形成遥感的突破性发展。
总之，不断提高传感器的性能指标，研制出新型传感器，开拓新的工作波段，获取更高质量和精度的遥感数据是今后遥感发展的一个必然趋势。
3. 遥感的综合应用不断深化目前，遥感技术综合应用的深度和广度不断扩展，表现为从单一信息源分析向包含非遥感数据的多源信息的复合分析方向发展；从定性判读向信息系统应用模型及专家系统支持下的定量分析发展；从静态研究向多时相的动态研究发展。
地理信息系统为遥感提供了各种有用的辅助信息和分析手段，提高了遥感信息的识别精度。
另外，通过遥感的定量分析，实现了从区域专题研究向全球综合研究发展，从室内的近景摄影测量到大范围的陆地、海洋信息的采集乃至全球范围内的环境变化监测。
多时相遥感的动态监测，可获取我国当前城市化过程、耕地面积和生态环境变化的基本资料。
与此同时，国际上相继推出了一批高水平的遥感图像处理商业软件包，用以实现遥感的综合应用。
其主要功能包括影像几何校正与辐射校正、影像增强处理与分析、遥感制图、地理信息分析、可视化空间建模等。
4. 商业遥感时代的到来随着卫星遥感的兴起，计算机与通信技术的进步以及各时期军事情报部门的需要，数字成像技术有了极大的提高。
世界各主要航天大国相继研制出各种以对地观测为目的的遥感卫星，并逐步向商用化转移。
因此，国际上商业遥感卫星系统得到了迅速发展，产业界特别是私营企业直接参与或独立进行遥感卫星的研制、发射和运行，甚至提供端对端的服务，也是目前遥感发展的一大趋势。
联合国制定的有关政策，在一定程度上鼓励了卫星公司制造商业高分辨率地球观测卫星的计划，这类卫星多为私营公司拥有，其地面分辨率为1～,5m。
如美国的IKONOS系列、QUICKBIRD系列、ORBVIEW 系列和以色列的EROS系列等。
商业卫星遥感系统的特点是以应用为导向，强调采用实用技术系统和市场运行机制，注重配套服务和经济效益，成为非常重要的遥感信息的补充。
、此外，商用小型地球观测卫星计划正在实施之中，这种小卫星具有灵活的指向能力，可以获取高空间分辨率的图像并快速传回到地面，它投资小、研制周期短，备受重视。
二、遥感图像计算机分类方法从1946年2月14日，世界上第一台电脑ENIAC诞生在宾夕法尼亚大学。
将近六十年过去了。
计算机从以前简单的只会计算到如今的集工作、娱乐各种功能于一身，从以前的巨型机到现在的微型机，历经着翻天覆地的变化。
面对这一个从满未知的领域，人们对其期待是巨大的。
个领域的发展都离不开计算的支持，将计算机技术引入遥感也是遥感技术发展的必然趋势。
遥感图像分类是利用计算机通过对遥感数据的光谱信息和空间信息进行分析、特征选择，并按照某种规则或算法将图像中每个像元划分为不同的类别。
在遥感分类中，有两种分类方法：第一种是象元光谱分类法，即只利用象元的光谱特征对各象元进行分类。
这样分分类方法是现阶段比较简单的分类方法，也是计算集机分类中用的比较多的一种。
这种方法实现比较简单，但是由于仅仅只运用了遥感图像的象元光谱特征这一种性质，而遥感图像中反应的其他大量的信息都被忽略，所以分类的精度不是很好，应用前景不是很广泛。
第二种是面向对象分类法。
这种分类方法不仅是考虑到象元的光谱特性，而且同时也考虑到象元的空间关系，使得计算机在分类的时候能够收集到更多的信息。
面相对象分类法在今年发展很快，出现了很多新的方法，例如：神经网络法、支持向量机SVM分类法、专家分类法。
同时，为了是分类精度提高，还引进了小波分析思想、分区分类思想等。
三、遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征, 它们构成了光谱空间。
每种地物有其固有的光谱特征, 它们位于光谱空间中的某一点。
但由于干扰的存在, 环境条件的不同, 例如: 阴影,地形上的变化, 扫描仪视角, 干湿条件, 不同时间拍摄及测量误差等, 使得测得的每类物质的光谱特征不尽相同, 同一类物质的各个样本在光谱空间是围绕某一点呈概率分布, 而不是集中到一点, 但这仍使我们可以划分边界来区分各类。
因此, 我们就要对图像进行分类。
图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数, 将特征空间划分为不相重叠的子空间, 进而把影像内诸像元划分到各子间去, 从而实现分类。
分类方法可以分为统计决策法( 判别理论识别法) 模式识别和句法模式识别。
统计决策法模式识别指的是: 对研究对象进行大量的统计分析, 抽出反映模式的本质特点、特征而进行识别。
主要的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。
此外还可以将两者结合起来, 互相补充以获得较好的效果。
句法模式识别则需要了解图像结构信息, 从而对其进行分类。
四、传统统计的遥感分类方法先从传统的遥感分类方面说起，该分类方法是目前运用较多，算法比较成熟的方法。
分为监督分类和非监督分类，他们的原理都是根据图像象元的光谱特征的相似度来进行的分类。
监督分类用于用户对分类区比较熟悉，由用户自己控制，非监督分类则是将象元相似度大小进行归类合并。
但是未充分利用遥感图像提供的多种信息，只考虑多光谱特征，没有利用到地物空间关系、空间位置形状、纹理等方面的信息。
1、监督分类监督分类可根据应用目标和区域，有选择地决定分类类别，可控制样本的选择，避免了非监督分类中对光谱集群组的重新归类。
但个人认为其人为主观因素较强，操作者所选择的训练样本有可能不是很典型并且有可能不能反映图像的真实情况，所以图像中同一类别的光谱差异和人为因素，有可能造成样本没有代表性，并且训练样本的选取和评估需要花费较多的人力和时间。
2、非监督分类非监督分类过程不需要任何的先验知识，仅凭遥感影像地物光谱特征的分布规律，随其自然地进行分类。
但是看文献时看到，非监督分类还有一个前提，那就是：假定遥感影像上同类地物在同样条件下具有相同的光谱信息特征。
如果产生的光谱万一不一定对应于操作者想要的类别，且操作者较难对产生的类别进行控制，比如图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱无法保持其连续性，从而使不同图像之间的对比变得困难。
五、分类新方法研究进展无论是监督分类还是非监督分类，都是依据地物的光谱特性的点独立原则来进行分类的，且都是采用的统计方法。
该方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元很多是混合像元，带有混合光谱信息的特点，致使计算机分类面临着诸多模糊对象，不能确定其究竟属于哪一类地物。
而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分情况的出现，因此人们不断尝试新方法来加以改善和提高遥感图像分类的效率和质量。
这些新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等。
近年来的研究大多将传统方法与新方法加以结合。
即在非监督分类和监督分类的基础上，运用新方法来改进，减少错分和漏分情况，对遥感图像的分类精度有了一定程度的增强。
六、发展前景与趋势1、更加自动化和智能化。
目前遥感图像分类趋向于把知识理解和统计相结合，今后还将向自动化、智能化方向发展。
神经网络法的发展和广泛应用显示了自动化、智能化是一个很重要的发展趋势，因为它可以模拟人脑，吸取前期分类的经验，对于后期的分类作调整，进一步提高分类精度。