研究者们根据不同的领域对遥感影像应用的不同需求，研究出了多种分类方法，每一种分类方法都有各自的原理与优缺点，选择最适合的分类方法很大程度上可以提高影像的分类精度。传统的分类方法有监督分类方法和非监督分类方法，监督分类方法也被称为“训练分类法”，是用已知类别的样本像元来识别未知类别的像元的过程[5]，需要先验类别作为样本。监督分类主要包括最大似然分类、最小距离分类、马氏距离分类、神经网络分类、支持向量机分类等[6]。非监督分类法则是直接根据像元间相似度的大小“自然地”进行归类合并，将具有相同特征的像元值提取出来，并且将相似度大的像元归为一类， 不需要有先验类别作为样本。非监督分类的方法主要有K均值分类（K-means）、迭代自组织的数据分析法（ISODATA）等。

无论是监督分类还是非监督分类都有其各自的优缺点。非监督分类不受研究者主观因素的影响，能够识别一些未知的类别，但是很多情况下，分类结果不能达到理想的值，研究人员必须将其结果和期望得到的结果进行匹配。这种分类过程某种程度上带有盲目性，影响分类精度[7]。监督分类的可控性好，利用研究者的先验知识，可以根据需求进行分类，结果更接近理想值。但监督分类需要先验信息，受研究者主观因素影响较大，训练样本的选取需要较多的时间，识别未知类别点的能力较低[7]。并且无论是监督分类还是非监督分类，它们大多是针对非线性低维度的数据，对于维度高的数据处理起来比较困难，而度量学习既可以处理线性数据也可以处理非线性数据，对于高维低维的数据都可以处理，它的主要任务就是学习数据之间的距离和相似度[8]，它的算法能够有效的识别影像的主题和特定的对象，相比于传统的算法有更高的正确率和泛化能力[9]。因此将度量学习方法应用到遥感影像分类上可以弥补传统的分类方法的不足。刘敬[10]将度量学习用于高光谱遥感影像分类，充分的证明了度量学习的优越性。本文将以淮安市为例研究基于度量学习的遥感影像分类和基于传统监督分类方法的遥感影像分类，体会机器学习在遥感影像分类中的优越性。

2  遥感影像分类

2。1  基本思想与方法论文网

遥感影像分类的基本原理是遥感影像中的同类地物在相同的条件下（如光照、地形、植被覆盖等），具有相同或者相似的光谱信息特征与空间信息特征，同类地物间存在相似性，不同类的地物之间存在差异性[11]，根据这种差异将影像中的每一个像元或者区域划分为若干类别中的一种，即通过对各个类别地物的光谱信息特征进行分析从而选择特征参数，根据特征参数将特征空间划分为多个互不重叠的子空间，然后将影像内的各个像元划分到所属的各个子空间中去，从而实现影像分类[2]。

在ENVI中最常用的分类方法是监督分类，在分类之前，通过目视解译或野外调查，了解遥感影像中某些影像地物的类别属性（即类别的先验知识），然后分别从每种类别中选取训练样本，通过选择特征变量，用这些类别训练确定判别函数。之后用训练好的辨别函数对剩下的待分类数据进行分类，将每个像元与训练样本相比较，按照不同的方法将它们分别划分到与其最相似的样本类别中。监督分类主要包括马氏距离分类、最大似然分类、最小距离分类、神经网络分类、支持向量机分类等[6]。金杰，朱海岩[6]等人研究证明多数情况下在ENVI软件中进行影像分类时，最大似然法得到的分类精度最高，故本文将在ENVI中使用最大似然法进行分类。