Page 70 - 遥感技术在生态环境监测中的应用研究

第三章 遥感监测技术

实现特征空间降维和压缩的目的。根据分类过程中人工参与程度可以将计算机解译分为监

督分类、非监督分类以及两者结合的混合分类等。近些年发展的分析新方法则多采用句法
方法，这类方法包括人工神经网络方法、模糊数学方法、专家系统法和决策树分类法等。
值得提到的是，在实际分类中，并不存在一个单一“正确”的分类形式。选择哪种方法取

决于图像的特征、应用要求和能利用的计算机软硬件环境。
监督分类（supervised.Classification），又称训练分类法，即用被确认类别的样本像元
去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。

在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训
练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最
相似的样本类。

监督分类方法具有两个非常关键的问题：一是训练样本，选取要有一定的代表性，
而且要有足够的数量，其选择的质量关系到分类能否取得良好的效果；二是分类决策即分

类器选择，常见的分类器有最小距离分类法、马氏距离法和最大似然分类法。其中最大似
然法是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别的归属概率，把
该像素分到归属概率最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自

然界大部分随机现象一样，近似服从正态分布，利用训练区可求出总体的先验概率密度函
数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下宜用最大似然分类

法。彭守章等运用监督分类的最大似然法对陇西黄土高原的祖历河流域进行了土地分类，
对 1993 年和 2007 年土地利用类型分布进行对比分析，查看区域内植被恢复和退耕还林还
草情况。

监督分类最大的优点就是可以根据应用目的和区域，有选择地确定分类类别，避免出
现一些不必要的类型，同时可以通过检查训练样本来决定训练样本是否被精确分类，从而
避免分类中的严重错误和非监督分类中对光谱集群组的重新分类。但是，监督分类由于人

为主观因素较多，训练样本的质量很容易受到影响，而且选择样本时花费时间较多，只能
识别训练样本中所定义的类别，如某类别由于训练者不知道或者其数量太少未被定义，则
监督分类就不能被识别出来。

非监督分类（Unsupervised.Classification），也称为聚类分析或点群分析。即在多光谱
图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，

仅需极少的人工初始输入，计算机按一定规则自动地根据像元光谱或空间等特征组成集群
组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。当对研究区域不熟
悉或图像中包含的目标物不明确时，多采用此方法。该方法基于遥感图像上的同类地物在

相同的表面结构、植被覆盖、光照等自然条件下，应当具有相同或相近的光谱特征，从而
表现出某种内在的相似性，归属于同一个光谱空间区域：不同的地物，光谱信息特征不同，

归属于不同的光谱区域。
63