遙感圖像分類算法有很多種，但根據(jù)其分類過程中有沒有使用數(shù)據(jù)標(biāo)簽將分類方法主要分為有監(jiān)督分類和無監(jiān)督分類兩種算法。以下對這兩種算法進(jìn)行了簡單介紹。

?

無監(jiān)督分類算法

無監(jiān)督分類算法是沒有先驗(yàn)知識，在分類過程中直接對樣本進(jìn)行分類，其優(yōu)點(diǎn)就是實(shí)驗(yàn)結(jié)果受人為干預(yù)的影響較少，并且對算法的設(shè)計(jì)參數(shù)相對較少；缺點(diǎn)是當(dāng)異類地物間的差距較少時(shí)，分類效果較差。在無監(jiān)督分類中經(jīng)常被用到的算法有 K-means、ISODATA 聚類等算法。

1.?K-means聚類

?K-mean（K-均值聚類）算法屬于常見的聚類型算法，主要思想是給定初始的 K 值與 K 個(gè)初始類簇中心的情況下，將樣本根據(jù)相似性類聚到 K 個(gè)種類中，并使每個(gè)樣本到其樣本的聚類中心比到其它的聚類中心的歐式距離??；分配完畢后需要重新根據(jù)距離計(jì)算來更新每個(gè)類簇內(nèi)的中心點(diǎn)；重復(fù)循環(huán)分配和更新直至每一類簇中所有樣本到中心點(diǎn)的距離變化很小，類簇中心點(diǎn)穩(wěn)定。

2.?ISODATA 算法

ISODATA 算法也是一種實(shí)用性較強(qiáng)的動態(tài)聚類方法，該算法是在 K-means 算法的聚類結(jié)果基礎(chǔ)上進(jìn)行了改進(jìn)后得到的效果更好的算法，模型算法中增添了“合并”與“分裂”步驟，并且還可以對算法中的參數(shù)進(jìn)行控制。當(dāng)聚類結(jié)果中如果存在類簇樣本數(shù)量太小或兩類簇間的距離差距很小就會將他們合并為一類，如果是某一類中的方差很大就將其分裂成為兩類。ISODATA 算法相比 K-means 算法在分類效果上有了一定的提升，但是算法中參數(shù)設(shè)計(jì)較多且參數(shù)之間相互影響，不易確定。

?

有監(jiān)督分類算法

有監(jiān)督分類算法是在對數(shù)據(jù)分類進(jìn)行前需要預(yù)先對算法模型進(jìn)行訓(xùn)練，當(dāng)算法模型特征參數(shù)被確定好后再對測試樣本分類。其優(yōu)點(diǎn)就是算法模型通過對先驗(yàn)知識的學(xué)習(xí)，可以得到較高的分類精確度，訓(xùn)練樣本數(shù)量可以控制；缺點(diǎn)為受人為因素的影響較大，分類精確度的高低在一定程度上受訓(xùn)練樣本數(shù)量設(shè)定的影響。在監(jiān)督算法中經(jīng)常被用于遙感數(shù)據(jù)分類的算法有KNN、決策樹與深度學(xué)習(xí)網(wǎng)絡(luò)等算法。以下為幾種常用算法。

1.?K-近鄰算法（KNN）

K-近鄰是一種分類算法，分類原理為一個(gè)樣本與在空間距離上和它最近的樣本同屬一個(gè)類別的可能性較大，所以該算法在訓(xùn)練樣本中尋找與測試樣本距離最小的 K 個(gè)樣本數(shù)據(jù)，然后統(tǒng)計(jì)這 K 個(gè)樣本的標(biāo)簽，最后預(yù)測樣本的標(biāo)簽為這 K 個(gè)樣本中發(fā)生頻率最高的標(biāo)簽。 KNN 算法簡單，操作方便且無需參數(shù)設(shè)計(jì)，但是存在計(jì)算量大、效率低的問題，因?yàn)樾枰獙⒚總€(gè)待分類樣本與訓(xùn)練樣本進(jìn)行相似度計(jì)算，且對訓(xùn)練數(shù)據(jù)的依賴性較大，對于高維度數(shù)據(jù)容易出現(xiàn)維數(shù)災(zāi)難。

2. 決策樹

決策樹的分類思想和人類逐步分析做決定的過程很相似，是一種分而治之的決策過程，屬于機(jī)器學(xué)習(xí)的方法但是在結(jié)構(gòu)上屬于樹狀結(jié)構(gòu)。