遥感图像分类方法综述
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。
高光谱遥感图像分类方法综述
高光谱遥感图像分类方法综述张蓓（长安大学理学院陕西·西安710064）摘要高光谱遥感技术已经成为遥感技术的前沿领域，受到国内外的广泛关注。
而地物目标分类是高光谱数据处理的一个基本内容。
文中列举了一些高光谱遥感图像的分类方法，并对每种方法作简要介绍。
关键词高光谱遥感图像处理分类中图分类号：TP751文献标识码：A1高光谱遥感的简介高光谱遥感技术是上世纪80年代发展起来的一种新兴的遥感技术，高光谱遥感利用很多窄的电磁波段（通常波段的宽度小于10nm）从感兴趣的物体中获取图像数据，一般它是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，设置了几十甚至几百个连续波段，其光谱分辨率可高达纳米（nm）数量级。
由于许多地表物质的吸收特性仅表现在20~40nm的光谱分辨率范围内，高光谱遥感图像可以识别在宽波段遥感中不可探测的物质。
现在，遥感应用领域也更加拓宽，涉及全球环境，土地利用，资源调查，自然灾害，以及星际探测等方面。
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。
2高光谱遥感图像的分类方法依据是否使用类别的先验知识，可分为监督分类和非监督分类。
2.1非监督分类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，随其自然地进行盲目的分类；其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性；其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查数据相比较后确定的。
非监督分类主要的方法有K-均值聚类，ISODATA分类等。
K均值分类方法属于动态聚类法,其假定被用来表示样本空间的聚类中心的个数是预先知道的,这种假定本身在某种程度上限制了这一类方法的利用,它使聚类域中所有样本到聚类中心的距离平方和最小，这是在误差平方和准则的基础上得到的。
K均值分类方法简便易行。
遥感图像处理与分析算法综述
遥感图像处理与分析算法综述随着遥感技术的发展，遥感图像处理与分析算法在各个领域中得到了广泛的应用。
遥感图像处理与分析算法是指通过对遥感图像进行数字处理和分析，来提取和解释图像中的信息。
本文将综述一些常见的遥感图像处理与分析算法，包括图像增强、分类与分割等。
一、图像增强图像增强是指通过一系列的操作，提高图像的质量和可视化效果。
常见的图像增强算法包括直方图均衡化、滤波和增强函数等。
直方图均衡化是一种常用的图像增强方法，它通过对图像的直方图进行变换，来增加图像的对比度。
该方法通过将图像的像素值映射到一个新的分布上，从而改变图像的亮度分布。
滤波是另一种常见的图像增强方法，通过在图像的空域或频域中对像素进行处理，来减少噪声和增强图像细节。
常见的滤波算法包括高通滤波和低通滤波等。
高通滤波可以增强图像的边缘和细节，而低通滤波则能够平滑图像并去除噪声。
增强函数是一种通过对图像的像素值进行非线性映射，来增强图像的方法。
常见的增强函数包括对数变换、幂次变换和伽马变换等。
对数变换可以扩展暗部像素的动态范围，而幂次变换则能够增强图像的对比度。
二、分类与分割分类与分割是遥感图像处理与分析的重要内容，它们能够将图像中的不同对象进行区分和提取。
常见的分类与分割算法包括聚类分析、最大似然分类和支持向量机等。
聚类分析是一种通过将像素划分到不同的类别中，来实现图像分类和分割的方法。
常见的聚类分析算法包括K均值聚类和自适应聚类等。
K均值聚类将图像像素划分为K个簇，每个簇代表一个类别，而自适应聚类则能够根据像素的分布进行不同权重的划分。
最大似然分类是一种基于概率统计的图像分类方法，它通过计算像素在每个类别中的概率，并选择概率最大的类别作为最终的分类结果。
最大似然分类算法能够准确地对图像中的不同对象进行分类，并且具有较强的鲁棒性。
支持向量机是一种通过构建一个最优决策边界，来实现图像分类和分割的方法。
支持向量机利用训练样本，通过最大化分类边界与样本之间的距离，来找到一个最优的分类超平面。
遥感图像分类方法综述
遥感图像分类方法综述
马莉 （ 新疆疆海测绘院，新疆 乌鲁木齐 830000）
摘要： 随着科学技术的不断发展，遥感技术应运而生பைடு நூலகம்遥感图 像作为遥感技术分析的重要依据而备受关注。笔者选取遥感图 像分类方法为研究点，分别介绍了遥感图像分类方法的原始模 式、基于新视角的遥感图像分类方法，并在此基础上展望了遥 感图像分类方法的发展趋势。本次研究对于促进遥感图像的分 类研究具有一定的推动作用。 关键词： 遥感图像； 监督分类； 分类精度 引言
遥感图像的传统分类方法有两种，是以是否引入监督机制 为划分界限。
1． 非监督分类方法。非监督分类方法又叫做聚类分析方 法。在非监督分类方法的应用范围内，不要求对遥感图像影像 地物获取任何先前的知识基础，单单凭借提取遥感图像上不同 种类地物光谱的信息特征就可以完成分类，主要依据的是图像 自身表现出来的统计学特征。常用的算法有以下两种： K － 均 值聚类算法和迭代自组织数据分析法等。
4． 小波理论。20 世纪 80 年代，在应用数学领域快速兴 起了一个学习理论———小波分析。由于小波分析理论的特殊性 能即良好的时频局部特性，因此能够站在时域和频域两个不同 的角度来对图像的特征进行精确的描述。为了让大家理解的更 透彻，有人将小波函数比作一个带通滤波器的系统响应，将小 波的变换比作是原始信号通过不同制度的滤波器进行滤波，再 将信号进行分析，在不同的频带上进行分析。由于小波分析理 论的上述特征决定了其应用的范围，包括图像降噪、分类、分 割和压缩等。
遥感是指非接触的，远距离的探测技术。一般指运用传感 器或者遥感器对物体的电磁波的辐射、反射特征的探测。具体 来说，就是通过人造地球卫星上的遥测仪器把对地球表面实施 感应遥测和资源管理的监视 （ 如树木、草地、土壤、水、矿 物、农家作物、鱼类和野生动物等的资源管理） 结合起来的 一种新技术。遥感技术系统包括四个基本的关键的要素，一是 遥感平台，二是传感器，三是遥感数据接收及处理系统，四是 分析系统。其中遥感数据是进行分析的重要依据，是遥感技术 的核心。所谓的遥感数据是一种数字化的数据，是通过使用遥 感器对地球表面的电磁波进行探测，然后再对其进行采样和量 化所得到的。遥感图像是遥感数据的主要表现形式，于是越来 越多的研究者将视角放在遥感图像上，本次笔者研究的主题就 是遥感图像的分类方法。 一、遥感图像分类方法的原始模式
遥感图像分类方法的综述
遥感图像分类方法的综述遥感技术是现代科技中最为先进的一门技术之一，其可以通过卫星获取到地面的大量图像数据，为我们提供很多有用的信息和资源。
对遥感图像的分类处理，是遥感应用的重要领域之一，它可以将大量遥感图像数据变为可视化和可分析的信息。
因此，本文讨论了遥感图像分类方法的综述，包括基于像元的分类方法、基于物体的分类方法、基于深度学习的分类方法等。
1. 基于像元的分类方法像元是遥感图像中最基本的元素，其指的是各个像素点的信息。
这种方法是通过分析像素点的不同，划分颜色、纹理、形状等不同特征，将图像分成不同的类别。
该方法能够精确地提取单个像素的信息，但其不具有关联性，无法考虑到图像中不同物体之间的关系。
在实际应用中，该方法常常与其他分类方法相结合，提高准确度和精度。
2. 基于物体的分类方法基于物体的分类方法是在像元分类的基础上，将图像分成不同的物体，然后对物体进行分类。
其主要过程是先建立一定的阈值，识别出大于该阈值的物体，然后对这些物体进行各种特征提取和分类。
相对于像元分类方法，基于物体的分类方法考虑到了图像中不同物体之间的关系，其结果更加准确和可靠。
3. 基于深度学习的分类方法近年来，深度学习在计算机视觉和自然语言处理等领域中得到了广泛应用，在遥感图像分类方面也有很大的发展。
深度学习是近年来最火热的技术之一，其通过模拟人类大脑的神经网络进行分析和处理，得到结果更加精确和准确。
在遥感图像分类中，深度学习能够有效地提取相应的特征信息，构建相应的分类模型。
使用卷积神经网络（CNN）或循环神经网络（RNN）等深度学习模型进行图像的特征提取和分类，其结果高度准确和可靠。
总结来说，遥感图像分类方法在各地科技领域中都有着广泛的应用。
本文综述了基于像元的分类方法、基于物体的分类方法、基于深度学习的分类方法等，这些方法都有其独特的优势和特点。
在实际应用中，应根据具体的任务、数据和目的选择适合的分类方法，以达到更高的分类精度和准确度。
遥感图像分类方法综述
遥感图像分类方法综述作者：胡伟强，等来源：《中小企业管理与科技·下旬刊》 2015年第8期胡伟强鹿艳晶郑州职业技术学院软件工程系河南郑州 450121摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结，对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。
关键词：遥感图像；监督分类；分类精度1 概述遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。
遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。
遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。
2 传统遥感图像分类方法2.1 非监督分类方法非监督分类方法也称为聚类分析。
进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。
主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A, ISODATA）等。
2.2 监督分类方法对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。
主要的算法有：最大似然分类（Maximum Likelihood classification, MLC）、最小距离分类、K-近邻分类等。
3 基于新理论的遥感图像分类方法3.1 基于人工神经网络的遥感图像分类在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。
每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。
遥感点云分类综述
遥感点云分类综述全文共四篇示例，供读者参考第一篇示例：遥感点云分类是遥感技术领域中的一个重要研究方向，它通过获取地表或地球大气中各种自然物体的三维坐标信息，用点云数据对地物进行分类和识别。
随着无人机、卫星等遥感技术的不断发展，遥感点云分类在土地利用、环境监测、城市规划等领域扮演着重要的角色。
1. 遥感点云数据获取方式遥感点云数据主要来源于激光雷达和光学影像两种方式。
激光雷达通过发射激光束到地面并接收反射回来的信号，可以获取高密度的三维点云数据。
光学影像则是通过航拍或卫星遥感获取的地面影像，通过三维重建等技术可以得到点云数据。
2. 遥感点云分类的意义及挑战遥感点云分类能够对地表地貌、建筑物、植被等进行精细化分析，为城市规划、环境保护、资源管理等提供支持。
遥感点云数据的体量庞大，存在噪声、遮挡等问题，导致数据处理和分类难度较大。
目前，遥感点云分类的方法主要包括基于特征的分类、基于深度学习的分类、混合分类等。
基于特征的分类方法主要通过对点云数据进行特征提取，并通过机器学习算法进行分类。
基于深度学习的方法则通过深度神经网络进行端到端的分类。
混合分类方法则将两种方法结合使用，提高分类精度和鲁棒性。
遥感点云分类广泛应用于城市规划、土地利用监测、环境变化分析、灾害损失评估等领域。
在城市规划中，可以通过点云分类来自动提取建筑物、道路、绿地等信息，为城市更新改造提供决策支持。
5. 遥感点云分类的未来发展方向未来，随着遥感技术的不断进步和深度学习算法的发展，遥感点云分类将朝着更智能化、高效化的方向发展。
结合多源数据、多尺度数据进行综合分析，提高分类精度和应用范围。
遥感点云分类在自动驾驶、智慧农业等领域也有着广阔的应用前景。
遥感点云分类作为遥感技术的重要应用领域，不仅推动了遥感数据处理技术的发展，也为人类社会的可持续发展提供了重要支持。
随着技术的进步和应用需求的不断增加，遥感点云分类将在未来发挥更加重要的作用。
第二篇示例：遥感点云分类是遥感技术领域中一个重要的研究方向，其在地理信息系统、环境监测、城市规划等领域具有广泛的应用价值。
遥感图像分类技术综述
无 功 、电压 间联 系 的 疏 密 程度 。 电网 节点 ｉ的灵 敏 度 目标 函 数 定 义
由表 １可 以看 出 ，所 选 主 导 节 点 在 区域 内部 大 致 处 于 中心 位
为 ：
置 ，有利于对 电网区域 中末端位置的节点电压水平进行 调控 ，能更
ｆ一 一 １
Ｓｉ＝ｍａｘ｛【∑ Ｑ ＋∑６ｉｊ｝
『１］Ｎｅｗｍａｎ Ｍ Ｅ Ｊ， Ｇｉｒｖａｎ Ｍ．Ｆｉｎｄｉｎｇ ａｎｄ ｅｖａｌｕａｔｉｎｇ ｃｏｍｍｕｎｉｔｙ
程度 中心性指标是社团中节点在其所 属群 体内的重要程度进 ｓｔｒｕｃｔｕｒｅ ｉｎ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｈｙｓ Ｒｅｖ Ｅ，２００４，６９（２）：１—１６．
行判别依据之一Ｈ，其定义为：
前 言
为 了 验证 基 于复 杂 网络 理 论 中程 度 中 心 性 指 标 的电 网主 导 选
自从 １９９９年 Ｂａｒａｂａ和 Ａｌｂｅｒｔ发现了无标度网络特性 ，揭示 出 择方法的可行性 ，文章将利用 Ｍａｔｌａｂ仿真软件对 ＩＥＥＥ一３９节点标
复杂网络结构 中包 含的结构特征与各种动力学特征之间的关系 ，突 准测试系统进行仿真分析。
Байду номын сангаас
电网 中 的主 导 节点 不 仅 要 能进 行 电压 调 控 ，同 时 也应 该 具 有 反
映其 节 点 电 压 水平 的 能 力 。 因此 ，在 已有 文献 中大 部 分 都 是通 过 构
建成 考 虑 可 观性 与 可 控性 的 目标 函数 来 进行 主 导 节点 选 择Ｉ２－３１。该 矩
阵是关于无功注入变化对 电压变化 的灵敏度 ，其性质能反 映电网间
的编号 ；ｓ 为分 区内所有负荷节点合集 ，Ｓ 为分 区内所有无功 电源 点综合考虑 了电网的地理结构与灵敏 度矩阵 ，从而提高了主导节点
- 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)。
遥感图像分类方法综述刘佳馨摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。
在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。
关键词：遥感图像；图像分类；分类方法1 引言遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。
伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。
遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。
2 遥感图像分类基本原理遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。
图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。
而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。
3 遥感图像传统分类方法遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。
从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(UnsupervisedClassification )。
3.1 监督分类（supervised classification）监督分类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。
即根据已知训练样区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。
要求训练样区具有典型性和代表性。
判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。
常用算法有：最大似然比分类(maximum likelihood classification)，最小距离分类(minimum distance classification)。
3.2 非监督分类(Unsupervised Classification )非监督分类(Unsupervised Classification )是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。
根据待分类样本特征参数的统计特征，建立决策规则来进行分类。
而不需事先知道类别特征。
把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。
是模式识别的一种方法。
一般算法有：迭代自组织分类(Iterative Self-Organizing Date Analysis Techniques A),K-均值聚类分类(K-Mean Classification)。
4 遥感图像近代分类方法4.1 神经元网络分类法神经网络属于非参数分类器。
神经元网络分类法是一种通过模拟人脑神经元对信息进行加工、处理、储存和搜索的过程。
由于神经元网络分类方法不需要进行任何关于统计分布的先验知识，因此与传统方法相比，在用于遥感图像分类时，不必考虑一像元统计分布特征。
另外，神经元网络分类法还可以广泛的应用于多源遥感数据分类。
神经元网络分类法的特点包括以下几个方面：在存储信息时采用分布式存储，并且可以并行对信息的处理和推理的过程，对信息的处理还具有自学习、自组织等特点。
4.2 模糊聚类分类法模糊分类，是近年来采用一种模糊数学的方法，对不确定性事物进行分析。
但由于对模糊分类的研究实例较少，各国学者对于遥感分类模糊处理的成果数量不多，还有一系列相关的问题等待研究人员进行进一步的探讨，但在已发布的成果中可以看出，利用模糊数学方法进行遥感图像处理是完全可能的，并且是十分必要的。
参考模糊聚类分类法对遥感图像分类处理的有效性，此方法具有广阔的应用前景。
4.3 决策树分类法决策树分类法利用树结构原则，定义决策树的各个分支，由下而上，根据各个类别的相似程度，逐级向上聚类的过程。
在数据结构以节点代表子集元素，并以二叉树结构作为原理，对决策树结构进行解释。
但因为它的算法基础比较复杂，从而需要大量的训练样区来作为依据寻找各类别之间属性的复杂关系4.4 专家系统分类法从专家两字可以看出，这是一种与人工智能技术相结合的产物。
而在使用这种分类法时需要将专家的经验和知识以某种形式形成知识库，因为在建立知识库时较为复杂，所以相比较其他的分类法，在应用范围上并不是非常的广泛。
4.5 支持向量机分类法支持向量机分类法拥有较强的理论基础。
在同样分类样本信息有限的条件下，它能相对更好的平衡模型中的复杂性和学习能力。
极大地避免了“过度学习”等问题。
支持向量机是一个有监督的学习模型，它通常应用于对对象进行模式识别，分类以及回归分析。
4.6 面向对象的分类法面向对象的分类法是一种在遥感图像分析中具有巨大潜力的分析方法。
它是一种地表模型，因为是通过与现实世界中进行建立关系，因此可以达到真正的相互匹配，并以此来利用基于像元分类中几乎不可利用的背景信息。
因此，面向对象的分类方法通常用于解读高分辨率和纹理影像数据的纹理特征。
目前面向对象的分类方法是一种比较理想状态下的方法。
5 常用分类思想5.1 分层分类思想分层分类思想是一种针对各类地物不同的信息特点，按照一定的原则进行层层分解。
当研究者运用这种分层分类思想时，需要拥有对不同子区特征进行识别的能力以及丰富的经验知识，并且研究者还需要选择不同的波段和波段组合来对分类活动进行辅助。
5.2 分区分解思想遥感图像分类中的分区分解思想要根据待处理中所包含的局部特征将一个整体图像转化为几个局部图像，再将局部图像根据自身特点进行分类。
这种思想可以使得每一区域中的种类数目对整体图像相比较有大幅减少。
5.3多分类器结合思想在遥感图像分类中，由于不同的分类方法精度是不同的。
我分类器结合的思想则是利用。
时间存在的复古性，通过适当的方法将不同的分类器之间进行优势互补。
从而弥补单一分类器存在的精度缺陷，来得到更好的分类结果。
6 常见分类后处理对遥感图像进行分类，无论选择何种方式都是按照图像光谱特征进行聚类分析，带有一定的盲目性。
由于各个图像分类方法中的细微差异，当使用不同的遥感分类方法对遥感影像进行分类后，遥感影像上面可能出现小的碎屑多边形、或一些面积很小的图斑等，从而产生一些孤立点、断点、孔穴、毛刺等，会给图像质量、精度带来一些不利影响。
分类后处理如聚类、过滤等操作后可以去除小的碎屑多边形，将小的同类多边形进行合并，从而达到使分类效果更好的目的。
有时为了更好的视觉效果，常常还要进行更改颜色分类的处理。
6.1 过滤过滤处理可以很好的用于解决分类图像结果中出现的孤岛问题一种方法。
过滤处理主要使用斑点分组的方法来消除这些被“隔离”的分类像元。
类别筛选方法是通过随机抓取周围的四到八个临近的部分像元进行分析，来判定一个像元是否与周围的像元同组。
如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元，重新归类为未分类的像元。
6.2 聚类聚类处理是运用数学形态学算子，将临近的类似分类区域聚类并进行合并。
而且聚类处理解决了低通滤波平滑图像时类别信息被临近类别的编码干扰这一问题。
7 遥感分类方法的研究趋势在下图中，是对遥感图像专利申请量随年份变化的情况的不完全统计。
自2003年起，随着对遥感图像分类方法研究的深入，与遥感图像分类相关的专利申请基本保持增长的态势。
随着近年来科技化程度越来越高，这种增长的态势更是迅猛发展。
在这种对遥感图像专利申请的迅猛发展中，相关的专利申请共涉及141个企业、院校、研究所。
在下图，对主要申请人的分析中，可以看出，重要申请人主要是分布在各大重点高校和知名研究所。
在发明申请专利占有比例最多的是中国科学院下的各个相关研究所，紧随其后的分别是武汉大学和西安电子科技大学。
在图像分类专利申请最大的中国科学院，对于各种图像分类方式均有研究，并且不再局限于对各种单个的分类器与分类算法进行研究，而在近几年的研究中可以发现，中国科学院的研究更多的侧重于对集成分类器、多分类器的研究，引领对遥感图像分类方法研究的新一代的发展潮流。
在发展中，通过不断改进分类方式和分类算法，逐步提高对分类的精确度与准确性。
在当前的统计中可以看出，参与研究遥感图像分类方法的高校和研究所数量众多，但企业参与数量还相对较少。
由此可以看出，遥感分类方法大多数还处于研发阶段，能够获得商业应用并取得商业价值的相关技术仍然比较欠缺。
8 遥感分类方法的发展前景遥感一词最早由美国海军科学研究部(海军研究局)的艾弗林·布鲁依提出，后在1961年由美国的密歇根大学等组织发起的环境遥感研讨会上正式采纳。
遥感这一术语得到科学界的普遍认同和接受。
遥感作为一门新兴的独立学科，在世界范围内获得飞速发展。
在近几年来，随着计算机爆炸式的发展，计算机应用的普遍性有很大的提高。
在以往工程实践中实现起来比较困难的近代遥感图像分类新方法在遥感图像处理中逐步开始起到其优势作用。
随着遥感研究手段的不断丰富，高空间分辨率遥感图像逐渐成为图像分类方法中主要对象，为了对高空间分辨率遥感图像进行针对性处理，面向对象的分类法的产生，不仅解决了这一问题，并且以此为代表为遥感图像分类的发展注入了新的活力。
依据现代社会的自动化和智能化的普及，专家系统分类法的出现，已彰显出人工智能已介入遥感图像分类中，在今后遥感分类方法的研究中还将向自动化、智能化的方向进行发展。
9 结束语随着社会的进步以及科学技术的发展，越来越多的遥感图像分类方法出现在我们的身边。
将各种分类方法进行比较，这些方法各有特点，与其他分类方法相比，基于传统统计分析的遥感图像分类方法，算法最为简单方法，应用最为成熟。
而近年来，近代的遥感图像分类新方法的结果精度有了明显的提高。