遥感影像监督分类：基于马氏距离的模式识别

"这篇文档是关于使用马氏距离进行遥感影像监督分类的介绍和代码实现，主要针对遥感信息工程学院的学生，作者是陈卉君，指导教师是马洪超。" 在模式识别领域，监督分类是一种常用的技术，它依赖于已知的训练样本来对未知数据进行分类。在这个案例中，马氏距离作为一种有效的监督分类方法被讨论。马氏距离考虑了样本间的相关性，可以更准确地衡量样本间的差异。在遥感影像处理中，这种距离计算方法尤其有用，因为它能处理不同类型的内部变化。 算法原理部分详细介绍了马氏距离的计算公式，包括变量X（像素测量向量）与类均值𝑀𝑐之间的关系，以及协方差矩阵𝐶𝑜𝑣𝑐的作用。分类过程主要包括以下步骤： 1. 确定分类区域、波段和特征，确保波段之间已对齐。 2. 选择训练区，这些区域代表已知的地物类型。 3. 计算协方差矩阵和各类别的均值，设置分类半径。 4. 使用马氏距离公式对图像中每个像素进行分类，将其归入距离最小的类别。 5. 生成分类图，并对各类别赋予不同颜色以便于可视化。 6. 检验分类结果，如有误，需调整训练区并重复上述步骤，直至结果满意。 代码实现部分提到了使用TM影像的1至5波段及第7波段进行合成，然后使用ERDAS软件处理，生成img格式的影像。虽然具体的数据读取和处理代码没有给出，但可以推断，这一步通常涉及遥感影像处理库，如GDAL或ENVI，用于加载和预处理影像。 在实际应用中，马氏距离分类方法的优势在于其考虑了类别的统计特性，提高了分类精度。然而，这种方法也有局限性，如对协方差矩阵中的大值敏感可能导致过度分类，且要求输入数据遵循正态分布。因此，选择合适的训练样本和充分理解算法是实现高效分类的关键。 总结来说，这篇文档提供了一个基于马氏距离的遥感影像监督分类的理论框架和基本流程，对于理解和实践遥感影像分析具有指导意义。通过深入理解算法原理并结合实际编程，可以进一步优化和应用这种分类方法。