影像分類的目的就為了將影象中的像元劃分成不同的類別，過程就是根據像元在不同波段的波普亮度、空間結構特徵或者其他資訊，按照某種規則或演算法實現分類。遙感影象分類處理就是是為了提取遙感影象中的目標資訊，遙感影象分類主要用於地物類別的區分。

       影像分類分為監督分類和非監督分類，很多遙感書籍中都有這兩種分類方法的比較。這裡我結合ArcGIS軟體簡單整理一下：

監督分類

監督分類是使用被確認類別的樣本像元去識別其他未知類別像元的過程。其中這些已被確認類別的像元就是訓練樣本。也就是說，在監督分類中，必須事先提取出代表總體特徵的訓練資料以及事先知道影像中有幾種類別。這樣就可以學習這些樣本類別的先驗知識，然後對整體資料進行分類。

在 ArcGIS 中，首先使用 Image Classification 工具條中的訓練樣本管理器，建立訓練樣本。

在建立樣本之後，我們可以評估訓練樣本，使用直方圖、散點圖、統計資料。

（1）直方圖

開啟直方圖，每個波段對應一個直方圖。不同類的直方圖不應重疊。如果發生重疊，則需要刪除或合併其中一些類。

直方圖按鈕僅用於整型影像，不適用於浮點型。

（2）散點圖

散點圖是參加分類的影像資料的波段的兩兩組合，如果有N個波段，就有1 + 2 + … + (N – 1) 個散點圖。

對於所有波段組合，散點圖和統計資料不應彼此重疊。

（3）統計資料

統計資料包括最小值、最大值、平均值、標準差和協方差矩陣。

建立訓練樣本後，可以使用互動式監督分類工具，探索性的直接檢視分類結果。這個工具不需要事先建立特徵檔案，工具後臺使用的是最大似然法分類方法。

在ArcGIS 中，監督分類的主要GP工具是 最大似然法分類工具（Maximum Likelihood Classification）。

（1）需要使用 特徵檔案（Signature File），既可以是通過訓練樣本製作的，也可以是ISO聚類工具求取，*.gsg檔案。

（2）可以根據需要設定 剔除分數（Reject Fraction ），例如0.01。這樣表示，正確分類的機率不到 1% 的像元就會成為 NoData。

（3）先驗概率（priori probability），工具預設使用 Equal 先驗概率，會給像元分配可能性最大的分類。但是，如果某些類出現的可能性大於（或小於）平均值，則應將 FILE 先驗選項與輸入先驗概率檔案結合使用。輸入先驗概率檔案必須是包含兩列的 ASCII 檔案。左列中的值表示類 ID。右列中的值表示相應類的先驗概率。類別先驗概率的有效值必須大於或等於零。如果指定零作為概率，則類無法顯示在輸出柵格中。指定先驗概率的總和必須小於或等於1。

（4）最大似然法分類工具還可以附帶可選生成 置信柵格（confidence raster），這樣可以瞭解每個像元的正確分類的概率。

非監督分類

非監督分類不預先確定類別，而是直接對相似的像元進行歸類，根據歸類的結果來確定類別。也就是在事先沒有任何先驗知識的情況下對未知類別的樣本進行分類。當我們沒有訓練區，有對研究區不熟悉時，或者對影象中包含的目標物不明確的時候，採用此方法。

在 ArcGIS 中進行非監督分類，主要使用工具 ISO聚類非監督分類工具（Iso Cluster Unsupervised Classification）。

需要指定希望分出來的類別的數量，並且根據需要調整迭代的次數、類的最小尺寸、取樣間隔。

ISO 是 iterative self-organizing 的縮寫，也就是迭代自組織方法。此工具的工作原理從幫助中扒出來，供參考：

iso 聚類演算法是一種迭代過程，用於在將各個候選像元指定給聚類時計算最小歐氏距離。該過程從處理軟體指定的任意平均值開始，每個聚類一個任意平均值（您指定聚類數量）。將每個像元指定給最接近的平均值（多維屬性空間中的所有平均值）。基於首次迭代後從屬於每個聚類的像元的屬性距離，重新計算各個聚類的新平均值。重複執行此過程：將各個像元指定給多維屬性空間中最接近的平均值，然後基於迭代中像元的成員資格計算各個聚類的新平均值。您可通過迭代次數指定該過程的迭代次數。該值應該足夠大，才能確保執行指定次數的迭代後，像元從一個聚類遷移至另一個聚類的次數最少；從而，使所有聚類變為穩定狀態。迭代次數應該隨著聚類數的增加而增加。