如何进行有效的监督分类

在遥感图像的非监督分类中，由于没有人为干扰，所以只是在聚类分析之前人为设定了分类的个数，而聚类中心是由计算机随机选取的。例如，当你对一幅影像进行非监督分类时，人为地设定为7类或设定为8类，此时聚类中心就发生巨大的变化，这样不仅分类结果不同，而且分类精度也大不相同。分为8类的遥感影像精度未必比分为7类的遥感影像精度要好。为了提高分类精度，人们想到了监督分类方法。这种分类的本质是：人们根据自己的先验知识，先选择某些地物的标准像素作为聚类中心，这样就可以大幅提高分类的精度。

由上述可见，遥感图像的监督分类的基本思想是：首先根据类别的先验知识（人们的目视判读）来确定判别函数和相应的判断准则，利用一定数量的已知类别的样本作为训练样本；然后将未知类别的样本与这些训练样本比对，哪个距离最近或者最为相似，就把未知像素定为该类。

监督分类的基本过程是：首先根据已知的样本类别和类别的先验知识确定判别准则，计算判别函数，然后将未知类别的样本值代入判别函数，依据判别准则对该样本所属的类别进行判定。例如，在真彩色TM影像中，水域呈现蓝色，此时可以在水域位置中选择一些像素作为水体的标准样本，计算机根据这些像素的样本建立起水体的判别准则，与这些像素颜色接近的未知像素可以判定为水体。在这个过程中，利用已知类别样本的特征值求解判别函数的过程称之为学习或训练。监督分类的算法很多，比较常见的有基于最小错误概率的Bayes分类算法、子空间分类算法和概率松弛算法等。(www.xing528.com)

在监督分类中，样本训练区的选择非常重要。这是提高分类精度最为关键的一步。下面讲述训练区的选择与训练区的调整。