11、遥感图像分类技术详解

遥感图像分类技术详解

1. 监督分类基础

监督分类是一种重要的图像分析方法，其基本原理是利用标记好的训练数据，确定光谱域中不同信息类之间的边界，进而对未知像素进行分类。在实际操作中，有多种方法可将光谱域划分为不同的信息类，这些方法的核心都是通过训练数据来找到合适的分类边界。

1.1 线性分类器

线性分类器是较为简单的监督分类器之一。在二维空间中，分类边界表现为直线；而在多维模式空间里，分类边界则是直线和曲面的推广，被称为超平面。

1.1.1 最小距离分类器

确定合适超平面的一种直接方法是利用训练数据计算每个类别的像素平均位置（平均向量），然后找出这些平均向量之间连线的垂直平分线，以此作为分类的超平面。这种分类器被称为最小距离分类器。

1.1.2 相关机器学习方法

线性分类理论是模式识别领域的开端，同时也是过去二十年来两种常见机器学习方法的基础，即支持向量机（SVM）和神经网络（包括流行的卷积神经网络）。
- 支持向量机 ：其强大之处在于能够引入数据变换，将线性分离的超平面转变为更灵活、更强大的超曲线。
- 神经网络 ：可以实现许多分段线性的决策边界，从而实现更灵活的类别分离。

1.2 统计分类器

自20世纪70年代以来，遥感领域广泛使用的原始监督分类方法基于这样一个假设：给定类别或组中的像素分布可以用光谱空间中的概率分布来描述，最常用的概率分布是多维正态分布，这种技术被称为最大似然分类。

1.2.1 多维正态分布

<