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知識，在分類過程中直接對樣本進(jìn)行分類，其優(yōu)點就是實驗結(jié)果受人為干預(yù)的影響較少，并且對算法的設(shè)計參數(shù)相對較少；缺點是當(dāng)異類地物間的差距較少時，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 個初始類簇中心的情況下，將樣本根據(jù)相似性類聚到 K 個種類中，并使每個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?。环峙渫戤吅笮枰匦赂鶕?jù)距離計算來更新每個類簇內(nèi)的中心點；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的距離變化很小，類簇中心點穩(wěn)定。

2.?ISODATA 算法

ISODATA 算法也是一種實用性較強(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)點就是算法模型通過對先驗知識的學(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，分類原理為一個樣本與在空間距離上和它最近的樣本同屬一個類別的可能性較大，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 個樣本數(shù)據(jù)，然后統(tǒng)計這 K 個樣本的標(biāo)簽，最后預(yù)測樣本的標(biāo)簽為這 K 個樣本中發(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，但是存在計算量大、效率低的問題，因為需要將每個待分類樣本與訓(xùn)練樣本進(jìn)行相似度計算，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)。