3。特征提取与特征选择

    在遥感图像分类处理过程中有一个不可或缺的关键步骤，那就是特征提取和特征选择。参加分类的特征图像的数量如果可以减少那么对于我们来说这是不可多得的好事，，而从原始信息中提取能进一步高效进行分类的特征图像也是对我们相当的有利方便。特征提取是从原始特征中求出最能反映其类别特征的一组新特征。特征提取的效果是可以令同类物质样本的分布变得密集，但不同类别物质的样本在特征空间可以分隔分布，为接下来的分类产生不错的影响。特征选择是按照原始波段图像的量测值，通过某种变换从头形成一组可以有效地形容地物类别特征的模式的过程。特征选择的本质是从n个特征中选择出m个最有效的特征。但是最好可以做到以下两点：第一个要求是数据压缩意义，就是在不丢失原始数据有用信息的条件下，来选择一些有效特征，从而丢掉不必要的特征；第二个要求是类别可分性意义，就是说所选择的特征相对于其它特征可以比较轻松优秀地进行分类。

3。分类判决

   在我们成功选择训练区之后，我们知道训练样区的样本数据能够使用相对应的地物类别的光谱特征实行统计。并且依照图像的特点和分类目的设计或选择合适的分类器和它的判决准则，对不知道区域的样本进行类别归属的判断，分类处理的重点阶段就是是分类判决。论文网

3。图像分类

   同类地物在一模一样的条件下理当具备相似或者相同的空间信息特征和光谱信息。反过来说的话，上述差异会在不同类的地物中间发生。依照这种差异，图像的分类就是将图像中的全部像素通过其性质划分为若干个类别（Class）的过程。在遥感应用中，主要工作目的其中之一就是通过遥感图像判读识别各种各样的地物。不管是地物信息提取，动态变化监控检测，还是专题地图制作和遥感图像库的建立等都对分类有着比较大的依赖。遥感图像的计算机分类，是对遥感图像上的地物进行属性中识别实际地物，继而提取地物信息，

按照是否要求分类人员事先拿出已经得知的类别和它的训练样本，对分类器进行训练和监督也是必不可少的，遥感图像分类方法可以区分为监督分类和非监督分类。

3。1监督分类

   监督分类是在对遥感图像上地物类别属性已经有了先验知识的基础上进行的，就是要从图像中挑选取用我们想要区分的各种地物的样本，建立模板然后实行自动识别。

3。1。1监督分类方法

（1）监督分类的判别规则有两种，他就是无变量和有变量这两种。在这之中，无变量包括特征空间、平行六面体，有变量包括最大似然、最小距离和马氏距离。

最小距离分类法：这是一种相对容易方便的方法。初始利用训练样本计算出每一类别的均值和标准差，接着以均值作为该类在特征空间中的中心位置，计算每个像元到各类中心的距离，然后把各像元划入到距离最小的优势类。或者斟酌权重时按照训练样本像元离未知类的远近给予权重（远则权重小，近则权重大），然后将未知类像元放到总权重最大的类。最小距离法往往采用的距离判别函数有马氏距离、欧式距离和计程距离等。这个方法假定全部所有类的协方差相等，因为这样分类速度比较快速，但是这种分类方法的缺点就是分类效果差强人意。

费歇尔（Fisher）分类准则：这种方法按照类间均值方差与类内方差总和之比为极大的决策规则，他希望类间距距离最大，方差平方和最小，也就是类间均值差异最大，类内的离散性最小，这种方法与最小距离分类的思想是相差不大的，然而它的判定的准则不是距离，而是线性判别函数。