非监督分类方法：神经网络驱动的遥感影像识别提升

本文主要探讨了传统的非监督分类方法在遥感影像识别中的应用，特别关注的是马氏距离分类法和平行体分类法。马氏距离分类法（Mahalanobis distance classification）是通过计算样本之间的协方差矩阵来衡量它们在特征空间中的相对位置，考虑了变量间的相关性，是一种敏感于方向的距离度量，但在没有预先设定距离阈值时，所有像元都归入最近的区域。当有阈值时，部分像元可能无法分类。 平行体分类法则更为精细，它通过设定多个维度上的分割点，将多维特征空间划分为互不重叠的特征子空间，对应不同的类别。这种方法依赖于训练区域中各类别的特征精确了解和设定，未知类别像素的分类取决于它落在哪个特征子空间内。然而，这需要训练样本全面覆盖所有类型，分类过程涉及逐个维度的区间判断。 非监督分类，如c-Means、ISODATA、自组织特征映射（Self-Organizing Map, SOM）和模糊Kohonen聚类网络（Fuzzy Kohonen Clustering Network, FKCN），无需预先定义类别，而是基于像素间的相似性进行聚类。神经网络技术，特别是BP神经网络和模糊Kohonen网络，因其学习能力、容错性和对概率模型的灵活性，被广泛应用于遥感影像分类中，尤其是在解决假设条件差异导致的传统分类方法识别效果不佳的问题上。 本文作者刘宣江在基于神经网络的遥感影像识别研究中，首先回顾了相关领域的研究成果，重点介绍了神经网络在遥感影像分类中的应用原理和方法。他分析了传统监督和非监督分类方法的优缺点，并结合模糊数学的思想，引入模糊模式识别技术，以提高分类的精度。通过ERDAS这样的遥感软件，对渤海湾地区1M遥感影像进行了预处理和二次分类，使用了BP神经网络和改进的自适应FKCN网络。 本文探讨了传统非监督分类方法在遥感影像识别中的实际操作和神经网络技术的应用，展示了如何通过结合统计学和模糊数学提升遥感图像的自动分类性能，以及如何利用ERDAS等专业软件进行实际操作。这为遥感影像分析提供了有效且灵活的解决方案。