1. 基本概念
地物的類：具有同種特性的地物集合稱為一類。
一類地物具有同一標志，不同種類地物具有不同的光譜特性（地物反射和發射電磁波能量的能力）
分類：根據各類樣本內在的相似性，采用某種判決准則，將特征空間分割成若干集合 的過程。
2. 基本思想
區分不同地物的理論依據：不同的地物類型具有不同的光譜信息和空間信息。
3. 多光譜圖像的表示方法：
假設某個多光譜圖像包括n個波段，則對於任一位置(i , j)的像素的亮度值，可以用矢量x=（x1, x2, …, xn）來表示，其中每個分量xi代表該像素在第i個波段的亮度值。
於是這個多光譜圖像就可以用在n維特征空間的一系列點來表示。
但是，由於地物的各種狀態和成像時的各種干擾因素，導致傳感器獲得的每類地物的光譜響應特性並不完全相同。
所以同一類的地物樣本，在光譜空間中，表現為如下形式：
圍繞某一點呈概率分布或聚集於某一點周圍。
4. 基本流程
定義分類類別->特征選擇與提取->訓練數據的采樣->統計特性評估->分類->分類結果分析
光譜特征是遙感圖像分類時廣泛使用的特征。
5. 分類
{無監督分類
{基於像元的分類
{有監督分類
圖像分類
{面向對象的分類
無監督分類：沒有先驗類別信息，事先不知道分成幾類，僅依據像元間相似度的大小進行歸類合並的方法；
有監督分類：需要徐選取若干可明確辨認的地物類別的訓練區域；
在該區域中進行訓練數據的采樣；
用采樣的數據進行統計分布特性分析，獲取對象類別的統計分布特性；
根據得到的特性對其他像素進行分類處理。
下面說下個人感覺理解起來比較簡單的無監督分類的K均值算法：
步驟：
（1） 給定n個初始類的中心位置；
（2） 計算每一像素到所有類中心的距離，並將該像素重新划分到最近的類中；
（3） 更新各類中心；
（4） 重復（2）和（3），知道中心位置未發生較大變化。
特點：事先給出類別數（自己估）、局部最優、動態聚類。
6. 面向對象的遙感圖像分類
（1） 首先提一下基於像元的遙感圖像分類的缺陷：
1） 難以克服“同譜異物”與“同物異譜”等光譜信息的局限性；
2）影像上一個像元的值包含來自於鄰近像元對應地表的信號。
（2）流程：
（3）圖像的分割：
作用：將一幅圖像分成若干“有意義”的互不相交的區域，使這些特征在某一區域內表現一致或相似，在不同區域表現出明顯的不同。
原理：主要利用光譜特征和形狀特征調整對象邊界。
公式不好打這里就不打了。。。
分割函數如下：
這里有兩個判據，一個是光譜判據，一個是形狀判據。是是光譜相對於形狀的權重，是用戶自己定義的。
光譜判據通過公式計算就行了。
形狀判據是通過光滑度（smoothness）和緊致度（compactness）來計算的。
光滑度是對象的周長l與最小外包矩形周長b的比值：smooth=l/b。
緊致度是對象的周長l與對象大小（對象的像素數）的平方根的比值：cpt=l/
形狀判據的計算公式為：
其中（在0到1之間）是緊致度判據的用戶自定義權值。緊致度判據與光滑度判據根據公式計算就行了。
（4）多尺度分割
定義：從一個像素對象開始進行一個自下而上的區域合並技術。
准備工作：用戶指定光譜和形狀參數的判據和鄰域函數邏輯。
思想：根據定義的這些判據將各個像元擴展為同質區域（上面圖像分割完成的工作）。
這是一個聚集過程。每一步驟中相鄰的對象對，只要符合定義的異質的最小生長的標准就合並，如果該合並超出了尺度參數定義的閾值范圍，合並過程就停止。（好…好抽象……囧）。
7. 提高分類精度的方法
分類精度低的原因：
（1） 圖像分辨率低
（2） 分類特征單一
（3） 分類方法單一
對於分類方法單一會導致分類精度低的原因，主要是不同方法適用於不同特征的地物。對於這個問題的解決方法是：
（1） 多種分類器的融合：比如有監督和無監督的融合；
（2） 采用計算機分類新方法：如模糊分類方法，人工神經網絡方法（*），基於知識的分類方法。
對於模糊分類的方法，主要思想就是不考慮“樣本x屬於B類”，而是考慮“樣本x屬於B類的程度是多少”。