遥感图像分类是指根据遥感图像中地物的光谱特征、空间特征、时相特征等，对地物目标进行识别的过程，图像分类通常是基于图像像元的灰度值，将像元归并成有限几种类型。

1.非监督分类（Unsupervised Classification）

又称聚类分析，是通过在多光谱图像中搜寻、定义其自然相似光谱集群，对图像进行分类的过程。

不需要人工选择训练样本，需要预设一定的条件，让计算机按照一定的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、比较集群组和参考数据，给每个集群组赋予一定的类别

（1）K-均值算法（K-means）

使集群组中每一个像元到该类中心的特征距离平方和最小

过程：

a.选K个初始聚类中心

b.逐个将待分类的像元按照最小距离原则分配给K个聚类中心中的某一个

c.计算各个聚类中心所包含像元的均值矢量，以均值矢量作为新的聚类中心，再逐个将待分类像元按照最小距离原则分配给新的聚类中心。

d.比较新的聚类中心的均值矢量与前一次迭代计算中的均值矢量。如果二者相差小于设定的阈值，则聚类过程结束；否则，返回b，将像元逐个重新分类，重复迭代计算，直到相邻两次迭代计算中聚类中心的均值矢量差小于设定的阈值。

（2）ISODATA算法

与K-均值算法相似，即聚类中心同样是通过集群组像元均值的迭代运算来得到的。但ISODATA还加入了一些试探步骤，并且组合成人机交互结构，使之能够利用通过中间结果所得到的经验。

基本步骤：

a.选择一组初始值作为聚类中心，将待分类像元按照指标分配到各个聚类中心

b.计算各个聚类中心所包含像元的距离函数等指标

c.按照给定的要求，将前一次获得的集群组进行分裂和合并处理，以获得新的聚类中心。通常集群组的分裂和合并主要根据下列指标：预设的最大集群组数量、迭代运算中最大的类别不变的香橼树、最大迭代次数、每个集群中最小的像元数和最大的标准差、最小的集群均值间距离等

d.进行迭代运算，重新计算各项指标，判别聚类结果是否符合要求。经过多次迭代运算后，如果结果收敛 ，预算结束。

非监督分类的优点：在于不需要事先对所要分类的区域有广泛的了解和熟悉，人为引入的误差小，而且独特的、覆盖量小的类别也能够被识别。

缺点：其产生的光谱集群组一般难以和分析所获得的预分类别相对应，而且用户难以对分类过程进行控制。

2.监督分类（Supervised Classification）

首先选择可以识别或者借助其他信息可以断定其类型的像元建立分类模板（训练样本），然后让计算机系统基于该模板自动识别具有相同特征的像元。对分类结果进行评价后再对分类模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。

步骤：建立模板、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换等。

（1）最大似然分类法（Maximum Likelihood Classifier）

其理论基础是贝叶斯分类。属于参数分类方法，在有足够多的训练样本、一定类别先验概率分布的知识且数据接近正态分布的条件下，最大似然分类被认为是分类精度最高的分类方法。但当训练数据较少时，均值和协方差参数估计的偏差会严重影响分类精度。

（2）最小距离分类法（Minimum Distance Classifier）

（3）马氏距离分类法（Mahalanobis Distance Classifier）

（4）平行六面体分类法（Parallelepiped Classifier）

（5）K-NN分类法（K-Nearest Neighbors Classifier）