根据有无监督训练样本，可以将遥感图像分类算法分为监督分类和非监督分类两大类。
根据分类的对象，可将遥感分类算法分为基于像元的分类算法、基于对象的分类算法，以及基于混合像元分解算法三大类。

基于像元的分类

基于像元的分类，就是分类的研究对象是单个像元，利用像元的光谱信息、纹理信息、空间关联等信息对像元表示的地物类别属性进行判断。这一类分类算法是目前研究得最多、最深入的分类算法。

在遥感图像自动分类中，传统的基于数理统计的分类方法，主要包括最小距离分类、最大似然分类、波谱角分类、混合距离法分类等，主要依赖地物的光谱属性，基于单个像元进行分类。

统计模式识别方法本身的不足：

• 最大似然法计算强度大，且要求数据服从正态分布
• K-means聚类分类精度低，分类精度依赖于初始聚类中心
• 最小距离法没有考虑各类别的协方差矩阵，对训练样本数目要求低

近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的。在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。人工神经网络（ANN）分类方法一般可以获得更高精度的分类结果，因此ANN方法在遥感分类中被广泛应用，特别是对于复杂类型的地物类型分类，ANN方法显示了其优越性。

专家系统分类法也在遥感分类取得了一定的应用。专家系统是模拟人类逻辑思维的智能系统，将其应用于遥感分类最大的优点就是可以充分利用更多的辅助分类数据。不过由于专家系统知识库难以建立，影响了它的进一步发展。

支持向量机（SVM）具有严格的理论基础，能较好地解决小样本、非线性、高维数等问题，被成功地应用到多光谱、高光谱遥感图像分类领域。对于高光谱数据而言，由于波段多、数据量大、数据不确定性等，易受Hughes现象（即训练样本固定时，分类精度随特征维数的增加而下降）影响。而样本的获取在高光谱分类中往往是一项比较困难的工作，特别是采用高维特征向量时要求每类的样本数都要比特征维数高，因此在高维信息处理中的精度与效率和高光谱遥感信息精细光谱与大数据量之间仍然存在着极大的矛盾。

混合像元的分解

混合像元是指一个像元内保存几种地物的像元。利用多光谱、多时相特点或大小、阴影、纹理、相关位置等辅助因素使“异物同谱”的想象有了较有效地解决方案，但是“同物异谱”依然没有很好的解决策略。在目前硬件发展尚不能完全解决“同物异谱”的条件下，如何应用模型或模糊理论减少或抵消“同物异谱”对混合像元分解的影响，对提高分解精度具有十分重要的意义。

面向对象的分类

基本思想是以综合考虑光谱信息、纹理信息、空间形状信息等一系列因素，通过对遥感影像的分割使遥感图像的最小单元不再是单个像元，而是一个个对象，从而达到分类与目标提取的目的。

Yu等人利用航空照片并借助搞成信息进行了植被信息的提取，首先利用FNEA技术获得对象，然后利用CART树对初步建立的52个特征进行选择，最后采用最小距离法进行植被类型的识别，结果表明该方法获得的精度比利用最大似然分类方法获得的精度高。

……

遥感图像分类所存在的问题

在目前的遥感分类过程中，用得较多的是传统的模式识别分类方法，如最小距离法、平行六面体法，最大似然法、循环集群法（ISODATA）等监督与非监督分类法。其分类结果由于遥感图像本身的空间分辨率的限制以及同物异谱、异物同谱现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高。遥感图像的分类算法很多，但还没有一种算法是最佳的，这主要是由遥感图像数据的复杂性决定的。因此，不少研究者针对具体遥感数据不断探索新的分类算法来达到更好的效果。

针对不同类型的遥感数据，包括MODIS、TM中低分辨率影像，QuickBird、IKONOS高分辨率遥感图像，以及高光谱等遥感图像，需要结合其特点，利用、探索适合于各自数据类型的分类算法，以求达到更好的效果。

转载：http://blog.csdn.net/foreverling/article/details/44451647