计算机分类原理解析

同类地物在相同的条件（如光照）下应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异。根据这种差异，将图像中的所有像素按其质地不同分成若干个类别（class）的过程称为图像的分类。

遥感图像的计算机分类是把每个波段划分为若干个阈值，然后将这些阈值进行组合，每种组合都代表一种地物。然后对整幅图像逐个像素进行比对，实现对每个像素的分类。

为了简化，下面以遥感图像中的两个波段为例来进行说明。因为在通常情况下，同一类地物的光谱特性相同或者比较接近，因此在特征空间中这些点就会聚集在一起，多类地物在特征空间中形成多个点簇。如图10-1所示，先假设图像上只包含三类地物，记为A、B、C。现在以波段1作为x轴，波段2作为y轴，这样构成的坐标系就是一个光谱特征空间。因为每一个像素都有波段1和波段2的亮度值，这样在图10-1的坐标中，就能点出每一个像素点。而且此时有些像素点在图像上是重合的，因为尽管像素点的位置不同，但光谱值却可以相同（例如A地物，在实际空间中占据两个空间，在光谱特征空间中只占据一个空间）。由于A、B、C是3种不同的地物，因此A、B、C在光谱空间中占据的区域不同，通过对该特征空间进行区域分割，如图中用线段分割成3个区域，这样就将图像中的不同地物区分开来，实现了分类的目的。

(www.xing528.com)

图10-1　遥感图像分类原理

而在特征空间中的分类界限就是判别准则或者说判别函数。在上述分类中，分类界限可以不用直线来划界，这意味着判别函数可以不是简单的线性函数。因此，如何寻找较好的判别函数，使各类地物在特征空间中准确地被分割出来，成为遥感图像分类算法的核心问题。

其次，对于多光谱遥感，其波段数目较多，此时由光谱构成的特征空间不再是简单的二维或者三维空间，因此问题将变得很复杂，此时选择或者确定判别函数显得不容易，往往出现顾此失彼的现象。