遥感图像目标识别文献综述
无人机遥感图像中的目标检测方法研究
无人机遥感图像中的目标检测方法研究一、引言目标检测在计算机视觉中是一项重要的任务，它涉及到利用图像或视频中的信息来定位和识别出目标物体。
近年来，随着无人机技术的发展，越来越多的研究者开始尝试利用无人机遥感图像进行目标检测，例如在农业、城市规划、环境监测等领域。
相比于其他传统的遥感方法，无人机遥感具有高分辨率、高效率、低成本等优势，因此具有广泛的应用前景。
本文将对无人机遥感图像中目标检测方法进行研究和探讨。
二、无人机遥感图像中的目标检测方法在无人机遥感图像中进行目标检测，首先需要进行信号预处理，如图像去噪、图像增强等处理，以提高目标检测的准确度。
然后需要进行特征提取，常用的特征包括颜色特征、纹理特征、形状特征等。
接着通过分类器来检测和识别目标物体，分类器的种类较多，如支持向量机、神经网络、随机森林等。
下面将介绍几种常用的无人机遥感图像中的目标检测方法。
1、基于深度学习的目标检测方法深度学习是目前计算机视觉中最热门的研究方向之一，其在图像处理及目标检测等方面具有广泛应用。
基于深度学习的目标检测方法在无人机遥感图像中也得到了广泛的应用。
其主要特点是能够自动提取图像的高级语义特征，因此对图像的光照、尺度、姿态变化具有较强的鲁棒性。
深度学习中广泛应用的目标检测模型包括Faster RCNN，SSD，YOLO等。
Faster RCNN是一种基于区域的检测方法，它通过RPN(Region Proposal Network)网络来生成候选框，然后再在每个候选框中进行分类和回归。
SSD是一种单阶段的目标检测方法，是在传统的卷积神经网络(CNN)基础上发展而来，其主要优点是在保证准确率的情况下速度较快。
YOLO是一种端到端的卷积神经网络，可以在一次前向传递中同时进行目标检测和分类，特点是速度较快。
2、基于传统机器学习的目标检测方法除了深度学习，传统机器学习也可以用于无人机遥感图像中的目标检测。
这种方法的特点是对于小样本问题表现较好，且可以结合多种特征进行检测。
基于无人机的遥感图像监测与目标检测技术研究
基于无人机的遥感图像监测与目标检测技术研究无人机遥感图像监测和目标检测技术在近年来得到了广泛应用和研究。
随着无人机技术的快速发展和普及，无人机遥感图像监测与目标检测在军事、环保、农业、城市规划等领域的应用呈现出巨大的潜力和市场需求。
本文将从无人机遥感图像监测和目标检测的技术原理、算法方法以及应用实践等方面进行探讨和研究。
一、无人机遥感图像监测技术原理无人机遥感图像监测技术主要包括无人机获取高分辨率图像数据、图像预处理与增强、图像分割与提取、图像分类与识别等环节。
首先，无人机利用载荷设备和传感器获取大规模、高分辨率、立体视角的遥感图像数据。
接下来，对图像数据进行预处理和增强，包括去除噪声、增强对比度等，以提高图像质量和信息内容。
然后，利用图像分割和提取技术，将图像分割成不同的目标区域，提取出目标的形状、纹理、颜色等特征信息。
最后，通过图像分类和识别算法，对目标进行自动识别和分类，实现目标的监测和分析。
二、无人机目标检测技术方法无人机目标检测技术是指在遥感图像中自动或半自动地识别和检测出感兴趣的目标。
目标检测主要包括目标的定位和识别两个过程。
目前，常用的无人机目标检测技术方法包括基于特征的方法、基于深度学习的方法和基于多特征融合的方法等。
基于特征的方法主要是通过提取目标的特征信息，如纹理、形状、颜色等进行目标的检测。
其中，常用的特征提取方法包括灰度共生矩阵、傅立叶描述子、尺度不变特征变换等。
然后，通过利用分类器，如支持向量机、随机森林等，对提取的特征进行分类和判断，实现目标的检测和分类。
基于深度学习的方法是近年来发展起来的一种新型目标检测技术。
该方法通过利用深度神经网络模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，实现对目标的自动检测和识别。
其中，常用的深度学习模型包括Faster R-CNN、YOLO、SSD等。
基于多特征融合的方法是将多种特征信息进行融合，提高目标检测的准确性和鲁棒性。
遥感变化检测技术及其应用综述
2007年8月第5卷第4期地理空间信息ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＡｕｇ．，２００７Ｖｏｌ．５，Ｎｏ．４遥感变化检测技术及其应用综述吴芳，刘荣，田维春，曾政祥（东华理工学院地球科学与测绘工程学院，江西抚州344000）摘要：从遥感变化检测前的准备工作和技术流程入手，对变化检测技术及应用现状作了简要介绍，综述了近些年来常用的几种遥感变化检测方法，即图像差值法、图像比值法、主成分分析法、植被指数法、分类后比较法。
分析了遥感变化检测在国土资源、森林火灾、海洋、军事等方面发挥的重要作用。
关键词：遥感；变化检测；多源数据；检测方法Technology for Remote Sensing Chang Detection and Its Application WU Fang，LIU Rong，TIAN Weichun，ZENG Zhengxiang(East China Institute of Technology,Fuzhou344000,China)Abstract：This paper presents the preparatory work and work flow of remote sensing change detection.The change detection technique and its applications are also introduced.Varieties of useful methods of change detec-tion of recently years were summarized in this paper such as image differencing,image ratio method,principal component analysis,NDVI,post-classification comparison and so on.Has analyzed the important function of change detection in the fields of national land resources、forest-fire、sea and military.Key words：remote sensing；change detection；multi-source data；detective method从１９７２年美国发射第一颗陆地资源卫星以来，对地观测卫星发展迅速，应用领域得到不断扩大，应用成效也得到不断提高［１］。
遥感图像目视实验报告
遥感图像目视实验报告实验背景遥感图像是利用航空或卫星等远距离方式获取地面信息的一种方法。
遥感图像可以提供大范围的地表覆盖信息，对于地理环境、自然资源调查和灾害评估等领域具有重要的应用价值。
目视解译是遥感图像处理的基础工作，通过观察和分析图像中的各种特征进行信息提取。
实验目的本实验旨在通过目视解译遥感图像，熟悉遥感图像的特征和解译方法，培养实际应用遥感技术的能力。
实验步骤步骤一：选择合适的遥感图像从实验室提供的遥感图像库中选择一张图像进行目视解译。
根据实验要求和研究领域，可以选择不同时间和地点的图像。
步骤二：观察和分析图像特征使用图像处理软件加载选择的遥感图像，并对其进行放大、缩小、平移等操作。
观察和分析图像中的地物特征，如土地覆盖类型、建筑物、道路等，并记录下观察结果。
步骤三：目视解译图像中的地物根据图像特征的观察和分析结果，将图像中的地物进行解译。
根据实际情况，可以使用不同的解译方法，如目视比例测量、边缘识别、光谱分析等。
步骤四：结果展示和分析将解译的结果和观察的图像特征进行对比和分析，评估解译的准确度和可靠性。
如果需要，可以绘制解译结果的统计数据、表格和图表，进一步展示和说明解译结果。
实验结果经过对选定遥感图像的观察和解译，得到了以下结果：1. 土地覆盖类型：图像中出现了大片的绿色区域，分布比较均匀，判断为农田；同时还有一些波状的蓝色区域，可能是河流。
2. 建筑物：在图像的中心位置，可以看到一些明显的矩形区域，判断为城市建筑物。
3. 道路：图像中还有一些线状的特征，长度较长且呈直线分布，判断为公路。
结果分析根据目视解译的结果和实验观察，可以得出以下分析结论：1. 图像中的土地覆盖类型主要是农田和河流，这符合该地区的地理特点和土地利用情况。
2. 图像中的建筑物主要集中在城市地区，说明该地区存在城市化现象，并且城市建设较为发达。
3. 公路的存在表明该地区的交通基础设施相对完善。
实验总结通过本次遥感图像目视实验，我接触了真实的遥感数据，学习了目视解译的方法和技巧。
SAR图像目标检测研究综述
2、基于时域的方法：这类方法主要通过滑动窗口等方式，对SAR图像进行时域 分析。这类方法可以更好地抑制斑点噪声，但是计算复杂度较高。
三、典型SAR图像目标检测方法 介绍
1、基于SWT（Sliding Window Technique）的方法：这是一种常用的时域分 析方法，通过在SAR图像上滑动一个窗口，对窗口内的像素进行统计和阈值判 断，以检测目标。
1、传统方法
基于滤波的方法是SAR图像目标检测的常用方法之一。该方法主要通过滤波器 对图像进行平滑处理，以减小图像的噪声和干扰，然后利用图像的统计特征进 行目标检测。基于边缘的方法则通过检测图像边缘来提取目标信息。该方法主 要利用图像边缘的突
变特性来识别目标，但容易受到噪声干扰。小波变换是一种有效的信号处理方 法，在SAR图像目标检测中主要用于提取图像的多尺度特征，提高目标的识别 精度。
另外，如何将SAR图像目标检测与其他图像处理任务（如图像分割、目标跟踪 等）相结合，进一步提高SAR图像的应用价值，也是未来的一个研究方向。
总之，SAR图像目标检测是一个富有挑战性和应用价值的研究领域。未来的研 究应不断探索和创新，结合新的技术和方法，进一步提高SAR图像目标检测的 性能和鲁棒性，为实际应用提供更为可靠的解决方案。
4、训练策略调整：我们采用了分阶段训练的方法。首先，我们使用大量的无 标签数据进行预训练，以增强网络对SAR图像背景和噪声的适应性。然后，我 们使用有标签数据进行微调，以使网络能够更准确地检测和识别舰船目标。
5、后处理改进：在目标检测任务中，后处理是关键的一部分。我们提出了一 种新的非极大值抑制（NMS）策略，该策略考虑到了SAR图像中舰船目标的空 间关系和形状特征。此外，我们还引入了一种新的目标标签修正算法，以解决 因SAR图像的分辨率和角度问题导致的目标识别错误。
光学遥感图像多目标检测及识别算法设计与实现
光学遥感图像多目标检测及识别算法设计与实现摘要：针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性，多目标检测及识别成为了一个非常值得关注的研究课题，提出了一种光学遥感图像多目标检测及识别算法。
首先，采用自适应阈值算法对目标快速检测分割;然后，结合图像金字塔思想和基于尺度不变特征变换的特征包(BoFSIFT)特征提出了一种分层的BoFSIFT特征表示目标的全局特征和局部特征，详细地描述了目标的分布特性;最后，采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法，经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别，识别率达到了93.52%。
实验结果表明，所提算法对多类遥感图像目标的分割效果显著，特征选取恰当，识别方法快速有效。
关键词：光学遥感图像;自适应阈值;基于尺度不变特征变换的特征包特征;AdaBoost算法;多类目标引言光学遥感图像通常是指可见光和部分红外波段传感器获取的影像数据，其直观易理解，空间分辨率通常比较高，在有光照和晴朗的天气条件下，图像内容丰富，目标结构特征明显，便于目标分类识别。
随着遥感技术和模式识别技术的发展，对光学遥感图像多目标分类和识别的研究已引起了广泛关注，它的发展对对地观测、军事侦察等领域有广泛的意义[1]。
基于光学遥感图像的多目标检测与识别研究主要涉及目标分割检测、特征提取和目标识别3个阶段。
目标的检测分割阶段是提取遥感图像信息的重要准备环节，在目标点检测的基础上，依据特征把图像划分成多个区域[2]。
文献[3]对纯海洋背景和海陆背景两种情况下的舰船目标分别用区域生长法和先验法完成目标分割;文献[4]对传统的圆形检测Hough变换方法作了改进，首先是计算目标梯度场检测油库圆心坐标，然后通过计算梯度值加权估计半径值以便对目标准确定位;文献[5]首先用小波分析建筑物目标，然后结合马尔可夫随机场(Markov Random Field，MRF)完成检测分割。
多时相遥感影像变化检测方法研究进展综述
多时相遥感影像变化检测方法研究进展综述1. 本文概述随着遥感技术的飞速发展，多时相遥感影像在环境监测、资源管理、城市规划等领域发挥着越来越重要的作用。
多时相遥感影像变化检测，作为遥感影像分析的核心内容之一，旨在识别和量化不同时间点获取的遥感影像之间的变化信息。
本文旨在全面回顾和评述多时相遥感影像变化检测方法的研究进展，包括传统方法和基于深度学习的方法，以及它们在各类应用场景中的性能表现。
本文首先介绍了多时相遥感影像变化检测的基本概念、研究背景和重要性。
随后，本文详细梳理了当前主流的变化检测方法，包括基于像素、基于特征和基于决策的方法，并分析了这些方法的优缺点。
特别地，本文重点关注了近年来兴起的基于深度学习的变化检测方法，如卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等，并探讨了它们在提高变化检测精度和效率方面的潜力。
本文还讨论了变化检测方法在实际应用中面临的挑战，如数据异质性、变化类型多样性和计算复杂性等，并提出了可能的解决方案和未来研究方向。
通过本文的综述，我们期望为遥感科学和相关领域的研究者提供一个关于多时相遥感影像变化检测方法的全面了解，并激发新的研究思路和技术创新。
2. 多时相遥感影像基本概念多时相遥感影像，指的是在不同时间点对同一地区或目标进行多次遥感观测所获取的影像集合。
这些影像可以来自同一传感器，也可以来自不同传感器，但它们的共同点是都反映了同一地区在不同时间点的地表状况。
多时相遥感影像的获取，有助于我们深入了解地表的动态变化，如土地利用覆盖变化、城市扩张、自然灾害等。
多时相遥感影像的变化检测，就是通过对这些不同时间点的影像进行比较和分析，识别出地表发生的各种变化。
这种变化检测的方法，可以基于像素级、特征级或对象级进行。
像素级变化检测主要关注像素值的变化，通过比较不同时间点的像素值来识别变化区域特征级变化检测则提取影像中的特定特征，如纹理、形状等，通过比较这些特征的变化来识别地表变化对象级变化检测则是将影像分割为不同的对象，通过比较这些对象的变化来识别地表变化。
无人机遥感图像目标检测算法研究
无人机遥感图像目标检测算法研究随着科技的不断进步，无人机遥感技术逐渐被广泛应用于农业、环境保护、灾害监测等领域。
作为无人机遥感技术中的一部分，目标检测算法的研究与应用也日益受到关注。
本文将对无人机遥感图像目标检测算法进行探讨。
一、无人机遥感图像目标检测算法简介无人机（UAV）遥感图像目标检测算法是一种通过无人机拍摄的遥感图像进行目标识别和提取的技术。
其主要应用于农业、林业、城市规划、水资源管理和地质勘探等领域。
在实际应用中，无人机遥感图像目标检测算法最常用的方法是基于深度学习的目标检测算法。
二、无人机遥感图像目标检测算法的分类1. 基于传统图像处理方法的目标检测算法这种算法常用于目标在图像中占比较大的情况下，例如对于大型建筑物、道路等目标的检测。
传统图像处理方法的常用技术包括图像分割、纹理特征提取、形状描述子、边缘检测等。
2. 基于深度学习方法的目标检测算法对于一些较小的目标物的识别和提取，深度学习方法是一种更为有效的解决方案。
基于深度学习的目标检测算法又可以分为两类：（1）单阶段目标检测算法单阶段目标检测算法通常以冗余的框架为基础，可直接从图像中检测出目标物并提出属性特征。
主要包括YOLO、SSD、RetinaNet等算法。
（2）两阶段目标检测算法两阶段目标检测算法通过先检测出可能的目标来进一步提出目标物，主要算法有RCNN、Fast RCNN、Faster RCNN等。
三、无人机遥感图像目标检测算法的关键技术1. 特征提取技术特征提取技术是无人机遥感图像目标检测算法的核心技术之一。
通过对图像信息的分析提取出具有差异性的特征，以此提高目标检测的准确度和效率。
卷积神经网络（CNN）是特征提取技术中最常使用的方法。
2. 数据增强技术数据增强技术是一种在原始数据集中添加扰动、变形等方法，以增加数据集的数量和丰富度，增强模型的泛化能力和鲁棒性。
在无人机遥感图像目标检测算法中，数据增强技术可以有效提高算法的识别效率和准确度。
- 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)。
遥感图像目标识别文献综述作者：谭博彦来源：《电脑知识与技术》2016年第35期摘要：随着科学技术的不断发展，特别是遥感技术的飞速发展，遥感图像的分辨率越来越高，其包含的信息也越来越复杂，因此，迫切需要发展感兴趣目标自动识别技术。
精确识别对象对民用导航、环境保护、军事等各个方面意义重大，提高对象的自动识别精度也是不可缺少的。
本文通过查阅分析遥感图像识别的文献资料，对目标识别使用的一些基本理论和方法进行了综合归纳。
关键词：遥感图像；目标识别；综述中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）35-0206-03A Literature Review on Remote Sensing Image Target RecognitionTAN Bo-yan（Class 1422 The 1st Middle School of Loudi， Loudi 417000 China）Abstract：With the continuous development of science and technology， Especially the rapid development of remote sensing technology， The resolution of the remote sensing images is higher and higher， it contains information is becoming more and more complex， therefore， an urgent need to develop interest in automatic target recognition technology. Accurately identify the object is of great significance to civil navigation， environment protection， military and other various aspects， to improve the automatic identification precision of the object is also indispensable. This article through the analysis of remote sensing image recognition of the literature， the target recognition using some of the basic theory and method are summarized.Key words：remote sensing image； target recognition； literature review目标识别是计算机视觉、图像处理和机器学习中的重要研究课题之一。
目前，目标识别的技术已经广泛应用在各个领域中，近些年来其在遥感图像中的应用也越来越普遍。
对遥感图像进行精确地目标识别，一直是计算机图像识别中的一个难题，且随着遥感技术的迅速发展，其也成了该领域一个重要研究方向。
精确定位遥感图像中的感兴趣目标，同时提取其状态参数和属性值，是遥感图像目标识别的基本任务。
该任务需要经过地学、生物学、物候学等综合性的专家知识指导，运用信息科学和数学等一系列方法来实现简单地电磁辐射特性的记录，到地物时空分布变化的反演，这是一个非常典型的交叉学科问题[1]。
现在，遥感图像目标识别共有两种方法[2]，一种是数据驱动型，表现为由下而上，一种知识驱动型，表现为由上而下。
第一种是先对图像进行普通的分割、标记、特征提取等，之后对每个已标记区域的特征向量和目标模型进行匹配。
第二种则是根据描述模型，对图像的可能特征提出合理假设，然后根据假设进行分割、标记等。
这两种方法，前者通常是结合分类技术来进行，后者则是结合推理技术和先验知识来进行。
1 基于分类技术的识别方法基于分类技术的遥感图像识别，最常被用于识别点、提取区域以及识别结构目标中的结构基元。
此类方法多采用纹理、光谱、形状等特征，通过提取出多种特征的临近窗口，用来获取在不同的尺度上的图像信息[3]。
根据分类器是否需要采用训练样本我们还可以将遥感图像识别方法分为监督分类和非监督分类方法。
其中，监督分类的精度是由所选取的训练样本决定的，而非监督分类则常被当做预处理部分，其更多的是用于获取整个图像的上下文信息，同时还可用于新目标的探索和发现。
1.1监督分类的方法1.1.1 基于神经网络的分类方法正相对于其他分类方法来说，基于神经网络的分类方法的研究时间较早，代表性成果也较多。
其应用范围涉及农作物、森林、土地利用分类以及特定目标的识别，网络模型包括了反向传播（BP）、分层、模糊和混合神经网络等。
梁路宏[4]等把模板匹配和神经网络方法相结合进行人脸识别。
严柏军[5]等人为计算火车的车皮数，将图像的直方图特征、投影特征和矩阵特征相结合作为神经网络的输入向量，进行货车车锁识别。
李文娟[6]为达到优化网络目的，对现有的黄金分割算法进行了改进，其基于LM算法改进BP网络建立LM-BP水质评价模型，又将遗传算法与BP网络结合，为其寻找最优权值和阈值，从而建立GA-BP模型。
结果表明，GA-BP评价模型在网络性能上要优于LM-BP模型。
刘丹[7]基于改进了的BP神经网络模型对飞机进行目标识别，结果表明此种方法识别的结果更加准确，识别的过程也更稳定、可靠。
在遥感图像分类形式的目标监测中，基于神经网络监督分类方法有效可行，它具备众多优点，如分类结果稳定、自适应能力强、所需先验知识少等。
且实验证明，目前我们所用的诸多使用算法和技术，都是结合了神经网络方法的算法来实现的。
1.1.2基于支持向量机分类方法支持向量机分类方法，是指经过了非线性变换的核函数通过由低维到高维空间的变换过程中，构造出最小泛化误差线性判别函数来实现低维空间的分类。
好的核函数可以赋予向量机好的分类性能，且其可在经验风险和模型的复杂度之间做适当的平衡，目前得到广泛推广。
高恒振等[8]在将K-means聚类算法加入到最小二乘支撑向量机（LS-SVW），对没有标签的样本集进行多次聚类，与分到同一类样本点的次数相结合构造出包袋核函数，并将包袋核函数与RBF核函数运算后组合构造出组合和函数，将两者对比发现，改进后的最小二乘向量机比之前的性能更佳。
郭春燕等[9]通过研究多类支持向量机分类方法的局限性，在一对一SVW 中引入模糊的隶属度函数，对比实验后发现，一对一的模糊支持向量机要比一对多模糊支持向量机和其他三种方法的效果更好，但其对阵元和子带的选择要求较高。
谭琨等[10]研究出了一种小波核函数的支持向量机，它是基于再生核Hilbert空间的，对比实验后发现此种方法的分类精度较高，参数的选择也较容易。
樊继伟等[11]提出一种主动支持向量机算法，其基于改进的概率选择方法，该算法在实验中是根据置信因子来挑选最佳的样本组并计算其概率，该算法的优点是弥补了其他算法的一些不足之处，也提高了遥感图像的分类精度，但是算法的终止条件有待进一步研究完善。
虽然支持向量机分类方法在遥感图像分类中应用广泛，许多基于此改进的算法也提高了分类的精度，但是图像地物的复杂性，“同谱异物”、“同物异谱”等复杂现象导致错分和漏分现象普遍存在，目前亟待更好的解决方法。
1.1.3基于随机场模型分类方法条件随机场CRF以及马尔可夫随机场MRF被广泛地用于遥感图像的标注问题，这是因为其能够融合和利用多种特征和图像信息。
因为遥感图像的分类过程中的目标检测其实也是对遥感图像的标注，因此，目前涌现出了一批基于随机场模型的解决方法。
郑玮[12]建立了模糊马尔可夫随机场模型（Fuzzy MRF， FMRF），用以解决遥感图像分类中某些像素分类的不确定问题，此模型更合理地获取图像先验知识，更好地符合了遥感图像的特点，从而在图像分割中使用更为准确的先验知识。
张晓峰[13]提出了一种自然场景文字提取方法，该方法基于全局特征CRF，利用边缘滤波和开关映射相结合的方法提取出候选的文字区域。
他使用当前和邻域内的节点的相似性作为全局特征，通过CRF将这些全局特征联系起来，有效地提取出了文字区域。
因为遥感图像的上下文信息之间关系复杂，很难用单一的随机场模型来获得准确的结果。
因此，将随机场模型和各种概率模型相结合的方法就显现出了巨大的发展潜能，这种方法或许可以将复杂遥感图像的目标检测变得简单精确。
1.2非监督分类方法因为不需要选定提前标注好的训练样本，非监督分类方法操作简单快速，在遥感图像分类中具有明显的优势，但其分类的精度却没有监督分类高。
在实际的研究中，对遥感图像分类常采用非监督分类的方法作为发现知识、确定参数和特征预分析等步骤。
K-means聚类，K- means方法等非监督分类方法中最常见的各种聚类算法，误差平方和最小是它们聚类评判准则，它们可以通过最小得空间距离来达到平衡状态，但是它们无法自己确定聚类数目。
陈华和陈书海[14]等在进行遥感分类的时候便采用了K- means算法，取得了良好的效果。
非监督分类的实现方式多种多样，如神经网络、随机场模型等。
于瑛英[15]基于聚类分类结合二叉树思想，提出了一种新的聚类算法。
此方法为避免以往聚类方法中同一类点在聚类中变成不同类的问题，充分利用二叉树中分两类的特征将多类聚类简化为点聚类，将原有问题简化处理。
2 基于知识的识别方法在遥感图像目标识别中对某些同类地物，如水体中的河流、水库、湖泊和坑塘等，仅基于局部光谱、纹理等信息，很难对其做深度区分，对一些如公路、细小的河流等信息的提取，因此此类地物“混合像元”的现象比较严重，很难对他们做出精确地识别。
要实现上述识别，要综合利用到地物学、生物学、GIS 信息等知识。
根据遥感信息在识别过程中的应用形式，又可以将其分为基于知识表示、推理和参数模型的方法。
学者们常将目标与目标之间以及和环境之间的关系表示成知识的形式来推理，用这种方式来实现遥感目标的间接识别。
同时目标中的特殊结构常用基于参数模型的方法进行提取，这种方法经常被用作目标的直接识别。
2.1基于参数模型的方法目标中有一些特殊的结构，如公路的平行线、细长结构，机场中的平行跑道等，它们不能直接输入分类器中，这是因为要采用特征向量的形式对他们进行分析描述几乎是不可能的。
在我们识别目标时，常用比如能量函数形式的参数化模型来进行目标的识别。
有时为了完整提取目标，人们可通过设置能量函数的阈值来实现此类结构的识别。
王永刚等[16]提取出了机场跑道对应的平行线对，并且对机场遥感图像进行了边缘检测结果的运算，采取的就是改进的Hough变换方法。