高光谱遥感图像分类方法

遥感图像分类算法有很多种，但根据其分类过程中有没有使用数据标签将分类方法主要分为有监督分类和无监督分类两种算法。以下对这两种算法进行了简单介绍。

无监督分类算法

无监督分类算法是没有先验知识，在分类过程中直接对样本进行分类，其优点就是实验结果受人为干预的影响较少，并且对算法的设计参数相对较少；缺点是当异类地物间的差距较少时，分类效果较差。在无监督分类中经常被用到的算法有 K-means、ISODATA 聚类等算法。

1. K-means聚类

 K-mean（K-均值聚类）算法属于常见的聚类型算法，主要思想是给定初始的 K 值与 K 个初始类簇中心的情况下，将样本根据相似性类聚到 K 个种类中，并使每个样本到其样本的聚类中心比到其它的聚类中心的欧式距离小；分配完毕后需要重新根据距离计算来更新每个类簇内的中心点；重复循环分配和更新直至每一类簇中所有样本到中心点的距离变化很小，类簇中心点稳定。

2. ISODATA 算法

ISODATA 算法也是一种实用性较强的动态聚类方法，该算法是在 K-means 算法的聚类结果基础上进行了改进后得到的效果更好的算法，模型算法中增添了“合并”与“分裂”步骤，并且还可以对算法中的参数进行控制。当聚类结果中如果存在类簇样本数量太小或两类簇间的距离差距很小就会将他们合并为一类，如果是某一类中的方差很大就将其分裂成为两类。ISODATA 算法相比 K-means 算法在分类效果上有了一定的提升，但是算法中参数设计较多且参数之间相互影响，不易确定。

有监督分类算法

有监督分类算法是在对数据分类进行前需要预先对算法模型进行训练，当算法模型特征参数被确定好后再对测试样本分类。其优点就是算法模型通过对先验知识的学习，可以得到较高的分类精确度，训练样本数量可以控制；缺点为受人为因素的影响较大，分类精确度的高低在一定程度上受训练样本数量设定的影响。在监督算法中经常被用于遥感数据分类的算法有KNN、决策树与深度学习网络等算法。以下为几种常用算法。

1. K-近邻算法（KNN）

K-近邻是一种分类算法，分类原理为一个样本与在空间距离上和它最近的样本同属一个类别的可能性较大，所以该算法在训练样本中寻找与测试样本距离最小的 K 个样本数据，然后统计这 K 个样本的标签，最后预测样本的标签为这 K 个样本中发生频率最高的标签。 KNN 算法简单，操作方便且无需参数设计，但是存在计算量大、效率低的问题，因为需要将每个待分类样本与训练样本进行相似度计算，且对训练数据的依赖性较大，对于高维度数据容易出现维数灾难。

2. 决策树

决策树的分类思想和人类逐步分析做决定的过程很相似，是一种分而治之的决策过程，属于机器学习的方法但是在结构上属于树状结构。