遥感图像分类方法的国内外研究现状与发展趋势
遥感图像信息处理与应用研究
遥感图像信息处理与应用研究随着科学技术的不断发展，卫星遥感技术得到了迅速的发展。
遥感图像已经成为了现代地理信息获取和处理的重要途径。
遥感图像信息处理与应用研究已经成为了当前国内外教育、科研和产业界关注的焦点。
本文将介绍遥感图像信息处理的研究现状、应用前景和挑战。
一、遥感图像信息处理的研究现状遥感图像信息处理的研究在多学科领域中涵盖了许多技术领域。
它不仅涉及到遥感传感器、图像处理算法、GIS分析工具等方面的技术，同时还与计算机科学、物理学、电子学、图像处理技术、模式识别、地球物理学、土地利用和环境管理等多学科密切相关。
传统的遥感图像处理技术主要包括了数据预处理、特征提取、分类、变化检测等环节，但是这些方法在一些特殊情况下并不一定适用或效果不佳。
随着计算力量和数据量的增加，深度学习技术作为一种更加高效的遥感图像处理技术成为了研究热点。
如何在更小的数据集上进行深度学习网络的训练、如何解决真实场景中的遥感图像复杂性问题，是当前遥感图像信息处理领域的研究重点。
二、遥感图像信息处理的应用前景随着现代遥感技术的广泛应用，其在自然资源管理、环境保护、城市规划、农业生产等社会经济领域中发挥着越来越重要的作用。
在自然资源管理方面，遥感图像信息处理技术成为了不可或缺的工具，可以对土地覆盖、植被类型、水资源、土壤组成等自然资源进行全面的监测和分析，为环境变化的研究和资源利用提供更多的信息支持。
在环境保护方面，遥感图像分析是识别、评估和监测环境变化的可行方式。
遥感技术可以提供大范围且实时的环境监测数据，对环境资源的破坏、水质污染等问题进行查找，使监管更加精准。
在城市规划方面，遥感图像信息处理技术有助于城市的土地利用和景观设计。
可以通过遥感图像信息和GIS技术辅助进行城市发展规划和建筑布局。
在农业生产方面，遥感图像信息处理可以提供大规模和高时间分辨率的生长环境和作物生长数据，用于评估农作物生长情况、监测土地利用变化等，对于推行精准农业和可持续农业发展有着重要的作用。
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。
测绘技术高光谱遥感图像分类方法的研究及其应用前景
测绘技术高光谱遥感图像分类方法的研究及其应用前景引言随着科技的不断发展，遥感技术在测绘领域的应用越来越广泛。
其中，高光谱遥感图像分类方法在地理信息系统（GIS）中具有重要的研究和应用价值。
本文将探讨测绘技术高光谱遥感图像分类方法的研究进展，以及该技术的应用前景。
一、高光谱遥感图像分类方法的研究进展1. 高光谱遥感图像分类方法概述高光谱遥感图像是通过遥感传感器获取的连续多光谱信息，能够提供地物的丰富光谱信息。
因此，高光谱遥感图像分类方法相比于传统的遥感图像分类方法具有更高的分类精度。
近年来，学者们在该领域进行了大量的研究，提出了多种分类方法，如支持向量机（SVM）、神经网络等。
2. 高光谱遥感图像分类方法的应用案例（1）农业领域：高光谱遥感图像分类方法可以帮助农业管理者实现农作物的类型分类、病虫害监测等，提高农作物种植的管理效率。
（2）城市规划领域：通过对高光谱遥感图像进行分类，可以有效地划分城市建筑、绿地、水域等区域，为城市规划和土地管理提供重要的支持。
（3）环境保护领域：高光谱遥感图像分类方法可以用于监测和评估环境中的植被覆盖状况、土壤污染等，为环境保护决策提供有力的数据支持。
二、高光谱遥感图像分类方法的应用前景1. 精细农业高光谱遥感图像分类方法在农业领域的应用前景巨大。
随着我国农业现代化进程的推进，精细农业将成为未来农业发展的趋势。
高光谱遥感图像分类方法可以帮助农民实现农田的精细管理，提高农作物产量和质量，优化农业资源的利用。
2. 灾害监测与预警高光谱遥感图像分类方法可以用于灾害监测与预警。
例如，通过分析高光谱遥感图像中的植被变化，可以提前预警火灾、洪涝等自然灾害，为相关部门采取措施提供时间窗口。
这对于减少灾害损失和保护人民生命财产安全具有重要意义。
3. 地质勘查与矿产资源开发高光谱遥感图像分类方法在地质勘查与矿产资源开发方面的应用前景广阔。
通过分析地质构造和土地变化，可以帮助勘探人员找到潜在的矿产资源。
遥感图像分类技术的研究与应用
遥感图像分类技术的研究与应用随着卫星遥感技术的发展，大量的遥感影像数据被采集并储存，如何从这些影像数据中提取出有用的信息成为了遥感技术研究的重要内容之一。
图像分类是遥感影像处理中的基本问题之一，其目的是将多光谱遥感影像中的像元分组，使得同一组内的像元具有相似的光谱特性和地物属性。
本文将介绍遥感图像分类技术的研究进展与应用情况。
1. 遥感图像分类技术的研究进展（1）传统分类方法传统的遥感图像分类方法主要有最大似然法、最小距离法、K-均值聚类法、支持向量机等。
其中，最大似然法基于统计学原理，将像元的概率密度函数作为分类依据；最小距离法则以最小欧氏距离作为分类依据；K-均值聚类法以欧氏距离作为相似性度量进行像元聚类，将聚类后的中心作为分类依据；支持向量机则是利用核函数将高维特征空间映射到低维空间，实现对线性和非线性分类问题的处理。
（2）深度学习分类方法近年来，深度学习技术在遥感图像分类中得到了广泛应用。
深度学习分类方法主要包括卷积神经网络（CNN）、循环神经网络（RNN）、递归神经网络（RecNN）等。
其中，CNN是较为常用的方法，其通过多层卷积核进行特征提取，从而实现对遥感影像的分类。
2. 遥感图像分类技术的应用遥感图像分类技术已经广泛应用于自然资源调查、环境监测、土地利用与覆盖变化分析等领域。
（1）自然资源调查自然资源调查是利用遥感技术对地球表面进行调查和监测的重要应用之一。
遥感图像分类技术可以对土地利用类型、植被覆盖度等进行分类，实现自然资源的分布和变化。
（2）环境监测环境监测是通过对大气、水、土壤等特征进行监测，了解环境变化、评估环境质量等，遥感图像分类技术可以对污染区域、水体分布等进行分类，实现环境监测的目的。
（3）土地利用与覆盖变化分析土地利用与覆盖变化是指人类活动所导致的土地利用和覆盖类型变化。
遥感图像分类技术可以实现对土地利用类型和覆盖变化的监测和分析，为土地规划和决策提供支持。
3. 遥感图像分类技术存在的问题目前，遥感图像分类技术存在以下问题：（1）图像分辨率低。
遥感图像处理技术的发展现状
遥感图像处理技术的发展现状随着计算机和传感器技术的不断发展，遥感图像处理技术作为一种特殊的图像处理技术也在日益发展。
目前，遥感图像处理技术已经应用到了很多领域，如国土资源管理、环境保护、农业、水利、城市规划等。
在这些领域中，遥感图像处理技术的应用为我们的生产生活带来了很大的便利。
如在国土资源管理中，遥感图像处理技术可以对土地利用、土地覆盖等进行监测和管理；在环境保护方面，遥感图像处理技术可以对自然环境的变化进行监测，对环境污染状况进行评估；在农业方面，遥感图像处理技术可以对农作物的生长状况和适宜生长区域进行分析；在水利方面，遥感图像处理技术可以对水资源的供需进行评估，指导水资源的管理和配置；在城市规划方面，遥感图像处理技术可以为城市规划提供科学、准确的数据支持。
目前，遥感技术主要分为两类：遥感传感器和遥感图像处理技术。
其中，遥感传感器是指用于获取地球表面信息的一种工具，可按照其传感方式分为光电遥感、微波遥感、激光雷达遥感等；而遥感图像处理技术则是对获取的遥感图像进行处理和分析，提取有用的信息。
在遥感图像处理技术中，图像分类是其中的重要一环。
图像分类是指根据图像数据和图像特征，将目标区域分成不同类别，如土地利用类型、地物覆盖类型等。
常用的图像分类方法有基于像元的分类、面向对象的分类和混合分类等。
基于像元的分类是按照像素的不同取值进行分类，是最早用于图像分类的方法之一。
面向对象的分类则是将图像中相似的像素组合成对象，按照这些对象的特征进行分类。
混合分类则是将基于像元和面向对象的分类结合起来，采用不同的分类方法对不同的像素进行分类。
此外，人工神经网络、支持向量机、决策树等方法也可以用于图像分类。
除了图像分类以外，遥感图像处理技术还涉及到了植被遥感监测、遥感影像融合、变化检测等方面的研究。
其中，植被遥感监测主要是通过遥感技术对植被覆盖状况进行监测；遥感影像融合是对不同分辨率的遥感影像进行融合，提高遥感影像的空间和光谱分辨率；变化检测则是对不同时期的遥感图像进行比较，分析图像中的地物变化情况。
遥感图像分类算法的研究与改进
遥感图像分类算法的研究与改进一、引言遥感图像分类是利用遥感技术获取的图像数据进行分类和识别的过程。
对于遥感图像分类算法的研究和改进，具有重要的理论和实践意义。
本文旨在介绍目前常用的遥感图像分类算法，并探讨其存在的问题及改进方法，以推动遥感图像分类算法的发展和应用。
二、常用的遥感图像分类算法1. 基于像元的分类算法基于像元的分类算法是最早应用于遥感图像分类的方法之一，它将图像中的每个像元视为一个分类单元，并根据像元的数值特征进行分类判别。
典型的基于像元的分类算法有最大似然法、支持向量机等。
然而，基于像元的分类算法往往忽略了像元之间的空间关系，导致分类精度较低。
2. 基于对象的分类算法基于对象的分类算法是通过将图像像元组织成不同的对象，利用对象的多维特征进行分类判别。
相比基于像元的分类算法，基于对象的分类算法更能反映真实世界物体的空间组织关系，具有更好的分类精度。
常见的基于对象的分类算法有基于分割的分类算法、基于决策树的分类算法等。
三、遥感图像分类算法存在的问题虽然目前已经有多种遥感图像分类算法被广泛应用，但仍然存在一些问题需要解决。
主要包括以下几点：1. 特征提取问题在遥感图像分类中，特征提取是一个重要的环节。
传统的特征提取方法是基于像元的数值特征，但这些特征往往难以区分不同类别的对象。
如何提取更具有代表性的特征，是遥感图像分类算法需要解决的难题。
2. 高维数据处理问题遥感图像通常具有大量的波段，导致特征空间维度很高。
高维数据给分类算法带来了巨大的计算开销，降低了分类效率。
同时，由于维度灾难的存在，高维数据容易导致维度间的相关性，影响分类精度。
3. 混合像素问题遥感图像中存在着大量的混合像素，即一个像素包含多种地物信息，使得分类难以准确判断。
如何解决混合像素问题，提高分类准确性是遥感图像分类算法需要解决的难题之一。
四、遥感图像分类算法的改进方法为了提高遥感图像分类算法的准确性和效率，以下是一些常用的改进方法：1. 特征选择与降维技术通过选择更具有代表性的特征，可以提高分类算法对不同类别的区分能力。
遥感图像处理与分析技术的发展趋势
遥感图像处理与分析技术的发展趋势随着遥感技术的不断发展和进步，越来越多的遥感数据被获取到并被应用到各种领域中。
然而，在大量的遥感影像中，如何提取出所需的信息和数据，进一步研究遥感图像的信息，是遥感图像处理与分析技术的重要方向。
本文将从影像处理与分析两个角度来讨论遥感图像处理与分析技术的发展趋势。
一、遥感图像处理技术的发展趋势1. 数字化数字化是遥感图像处理的基础，也是其发展的前提。
在遥感图像的获取过程中，通常需要使用许多成像传感器，获取到大量的数据后，需要进行数字化处理才能获得高质量的遥感图像。
数字化技术能够移除遥感图像中的噪声和不必要的信息，还能够提高遥感图像处理的效率。
2. 智能化智能化处理是遥感图像处理的一大发展趋势。
随着计算机应用的发展以及人工智能技术的进步，人工智能技术已经被应用到遥感图像处理中。
智能化处理能够利用计算机算法进行遥感图像自动分析，如目标自动检测、红外图像处理等。
智能化处理不仅可以提高遥感图像分析精度，也能够提高分析处理的效率。
3. 高分辨率遥感图像处理随着国内外遥感图像技术的快速发展，高分辨率遥感图像已经成为遥感图像处理发展的重要标志。
高分辨率遥感图像处理技术的目标是提取大量详细的空间信息，如地图、城市规划、资源研究、环境监测等方面。
高分辨率遥感图像处理技术因其高精度、高分辨率和强大可靠性，在城市规划、林业、水资源和农业等领域已有广泛应用。
二、遥感图像分析技术的发展趋势1. 特征提取特征提取是遥感图像分析的重要环节，该技术能够从大量的遥感影像中提取出具有重要意义的信息和数据。
遥感图像的特征提取可以通过遥感影像自动解算和特征选择工具实现，提高遥感图像分析的精度和效率。
在这个过程中，通常会使用计算机视觉技术和机器学习技术。
2. 遥感图像分类遥感图像分类是将特定的地物或目标从遥感图像中抽象出来，进行半自动和自动识别。
遥感图像分类可以分为监督和非监督两种方法。
监督的分类方法是根据已知的地物类型和特性建立分类模型，然后将这个模型用于其他遥感数据的分类。
遥感图像分类技术的发展现状
k：塑．蹩。
凰遥感图像分类技术的发展现状付森(新疆地矿局第四地质大队，新疆阿勒泰836500)瞒要]遥感图像自动分类一直是遥感技术中一项重要工作，它压缩原始图像的信息量，提高其他工作阶段的效率。
本文就此阐述了近年来遥感图像分类技术的爱展现状。
[关键词]遥感图像；分类器；算法遥感图像分类在数字图像分类处理中是一个很重要的应用方向，与普适的图像分类算法有很多相同相通之处，而根据遥感图像自身的特点，面临自身的问题、如果可以使计算机对遥感图像按照一定的意义进行自动的分类处理，将使人们在面对海量的遥感数据时更方便的进行筛选以及分析应用。
因而，不断有遥感科学领域研究者在图像分类的算法的借鉴，改进和创新中探索。
1遥感图像分类方法现状谈到遥感图像的分类就不得不提到图像分类的方法，普遍的，将图像分类的方法分为监督分类和非监督分类，其区别主要在于对与遥感图像的目标地区是否有先验知识。
I．I非监督分类非监督分类的方法很像G I S技术中提到的基于聚类分析的数据挖掘，～些基本的数学模型也f鼢邯扳，同时，也有很多图像处理中的图像分割算法可以应用到遥感图像分类中来，大概分为以下几类：1．1．1基于图像分割算法的分类阈值分割是大部分图像分类方法的基本想法，而简单的与阈值比较大小的判别方法也是很多决策理论的雏形。
在原始图像经过变换选择特征得当的情况下，这种算法也有比较理想的效果，并且其运算速度快，算法结构简单，因而其应用仍然相当广泛。
分水岭变换，区域增长法和边缘检测法都可以应用到图像的分类算法中，一些研究者在这些方法分类中也取得了比较好的结果。
1．12数据聚类算法K一均值法是一种比较常见，原理比较容易理解的聚类算法，这种算法的弊端也很明显，即在初始确定聚类中心即个数时非常随机，而分类结果与最初确定的聚类中心位置个数关系非常大。
所以在初始值设定不合理时得不到理想的结果。
同时，K一均值聚类对于各类样本的边界是线性不可分以及类分布为非高斯分布或类分布为非椭圆分布时，其聚类效果较差。
- 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。