以下是幾種常用的遙感圖像分類方法:
1.最大似然分類
最大似然分類是壹種基於貝葉斯準則的非線性監督分類方法，需要知道訓練樣本區域典型標準的先驗概率P(wi)和條件概率密度函數P(wi，x)。P(wi)通常根據各種先驗知識給出或假設為相等；P(wix)是先確定其分布形式，然後利用訓練樣本估計其參數。壹般假設為正態分布，或者用數學方法將其轉化為正態分布。其判別函數集為:
Di(x)=P(wix)，i=1，2，…，m (2-2)
如果Di(x)≥ Dj(x)，那麽X屬於wi範疇。其中j≠i，j = 1，2，...，m. M是類別數。
從上面對最大似然分類的描述來看，關鍵在於已知類別的定義、先驗概率的確定、參與分類的變量的質量以及結果誤差的評估。到目前為止，最大似然分類至少有兩個缺點:壹個是大量的人事先知道譜類的選擇和定義；另壹個是計算機分類計算需要很長時間。事實上，這也限制了最大似然分類的遙感應用，所以很多人專門改進算法，以解決和縮短圖像分類的時間，提高分類的精度。Solst和Lillesand(1991)為了解決已知類定義耗費大量人力的缺點，開發了壹種半自動訓練方法來定義已知譜類。Fabio Maselli等人(1992)利用Skidmore和Tumer提出的非參數分類器計算每個已知類訓練集的先驗概率，然後將其插入到常規的最大似然分類過程中進行分類。該方法結合了非參數和參數分類過程的優點，提高了分類精度。
通常情況下，地形會影響訓練集數據，因此訓練集的光譜數據偏離了最大似然分類的假設正態分布，因此常規的最大似然分類方法在地形起伏較大的地區效果不是很好。為了解決這壹問題，C.Conese，G.Maracchi和F.Maselli(1993)提出了壹種改進的最大似然分類算法，即去除每個數據集中與第壹主成分有關的信息(地形信息)，然後進行分類。實驗表明，該方法是有效的，提高了分類精度。
K arai (1993)使用光譜和空間信息來改進最大似然分類法。這種方法簡單易操作，大大提高了正確分類的概率。C.Conese和Fabio Maselli(1992)使用誤差矩陣來提高最大似然分類面積估計的精度。Irina Kerr (1996)加最大似然分類準確率，即多概率比較法。他用最大似然法對同壹遙感數據的原始波段、主成分和植被指數進行分類，發現沒有壹個波段組合能給出圖像中所有土地利用類型的準確分類，每個波段組合只對圖像中的壹兩個土地利用類型分類有效。因此，他提出將能夠有效區分待確定土地利用類型的幾個波段組合的分類結果結合起來對影像進行分類，並將這種方法稱為多概率比較法，這種方法是基於影像數據不同波段組合的分類結果之間分類概率的比較。該方法提高了分類精度。
2.最小距離分類。
最小距離分類是壹種線性判別監督分類方法，它還需要對訓練區域模式樣本進行統計分析，這是最大似然分類中壹個極其重要的特例。最小距離分類在算法上相對簡單。首先需要選取待分類的訓練樣本，從圖像數據中計算出各類訓練樣本各波段的均值和標準差，然後計算出圖像中其他像素的灰度值向量與所有已知訓練樣本的均值向量之間的距離。如果距離小於指定的閾值(通常是標準偏差的倍數)，並且距離最接近某個類別，則該像素被分類為某個類別。所以叫最小距離分類。這種方法的精度主要取決於已知類的訓練樣本區域數量和樣本區域的統計精度。此外，距離測量的方法不同，分類結果也不同。常見的有:
(1)閔可夫斯基距離
中亞高光譜遙感目標蝕變信息的識別與提取
當q=2時，為歐氏距離，當q趨於無窮大時，得到切比雪夫距離。明距離，尤其是歐氏距離在實際中應用廣泛，但它有兩個缺點:壹是與各指標的維數有關；為了克服這壹缺點，通常采用先對數據進行歸壹化的方法。第二，它沒有考慮變量之間的相關性。改進的距離是馬哈拉諾比斯距離。
(2)馬氏距離
中亞高光譜遙感目標蝕變信息的識別與提取
當特征之間沒有相關性時，馬氏距離是歐幾裏得距離。
總之，最小距離分類法是壹種簡單的方法，可以經濟有效地在程序中實現。與最大似然法不同，它在理論上並沒有使平均分類誤差最小化，得到的精度與最大似然分類法相當，但計算時間只有後者的壹半。
3.平行六面體分類
並行管道分類是最簡單的分類方法，通過研究訓練樣本數據的各個光譜分量的直方圖進行分類。圖像直方圖中灰度值的上下限描述了該類別在圖像中每個波段的灰度值範圍。光譜類在所有波段的灰度值範圍內定義了多維並行管道。通過分類計算，將圖像中的未知像素劃分到屬於壹個已知光譜類的平行管道中，所以這種方法稱為平行管道分類。這種方法簡單可行，但也有幾個缺點:①已知光譜等級的平行管之間必須有壹定的間隔。如果圖像中的像素落在這些區間內，它們將不會被分類。②對於圖像中相關性強的光譜類，其定義的平行管之間必然存在壹定的重疊，結果落在重疊區域的這些像素無法很好的分離。③沒有考慮已知光譜類別的先驗概率。④根據直方圖定義的已知光譜類的平行管只是通常用來定義光譜類特征的橢圓平面的粗略表示。
T.w .凱倫伯格和K.I.Iten(1996)提出了壹種改進的方法。改進的並行流水線方法基於每個圖像帶中兩個類的累積百分比直方圖的最大差值自動分離已知的目標類，並自動選擇這個分離值和圖像帶。他利用改進的並行管道分類對TM遙感數據進行森林覆蓋分類，取得了很好的效果，提高了分類精度。
4.模糊分類
模糊理論是處理模糊性的理論的總稱，它以紮德在1965中提出的模糊集合論為基礎。模糊分類是壹種基於模糊理論的分類方法。在常規的遙感圖像分類中，圖像中的每個像元都被歸為某壹類地物，像元與類別之間存在壹壹對應關系，沒有考慮遙感圖像中實際存在的混合像元問題，即壹個像元中同時存在幾種類型的地物，所以這種分類方法的結果必然會有誤差，這也是常規遙感圖像分類方法的局限性。模糊分類恰好克服了這壹缺點，它用像素的隸屬度來表示像素的屬性。當像元對某類地物的隸屬度為0時，表示該像元不屬於該類；當像元對某類地物的隸屬度為1時，表示該像元屬於該類；當像素對某壹類地物的隸屬度為0 ~ 1之間的數時，說明該像素屬於具有該隸屬度的這壹類，也就是說該像素為混合像素。模糊分類有許多方法，其中大多數是傳統分類方法的擴展。王(1990)詳細討論了遙感圖像模糊監督分類的意義。他認為模糊監督分類與傳統分類方法相比有三個方面的改進:①用模糊集表示地理信息更合理；②光譜空間的模糊劃分；③分類參數的模糊估計。
Paolo Gamba等人(1996)使用全模糊分類鏈對多光譜遙感圖像進行分類。他們不僅考慮了圖像中像素的光譜特征，還考慮了圖像中相鄰像素之間的空間關系，從而提高了圖像的分類精度。
5.神經網絡分類。
神經網絡的結構包括壹個輸入層、壹個輸出層和壹個或多個隱含層。輸入層的節點數與參與分類的特征數相同，輸出層的節點數與最終類別的節點數相同，中間隱層的節點數由實驗確定。神經網絡分類主要是網絡的訓練叠代。要達到壹定的精度，往往需要多次叠代，非常耗時。但是網絡訓練壹旦完成，就可以快速應用於分類識別。
F.Amar等人(1995)基於分類錯誤百分比和用戶的CPU時間比較了四種神經網絡的遙感應用。他發現反向傳播神經網絡算法需要的叠代次數最多，要獲得88%的分類準確率是最慢的算法。動態學習神經網絡算法只需要叠代兩次，獲得85%的分類準確率需要591 s的CPU時間，達到86%的分類準確率需要5次叠代，需要1613.7s的CPU時間。函數連接神經網絡算法的分類精度低於快速學習神經網絡算法，但占用的CPU時間較少。快速學習神經網絡算法提供了最高的分類精度，但經過兩次叠代後，它比函數連接神經網絡算法和動態學習神經網絡算法需要更長的CPU時間。此外，許多研究者使用神經網絡算法對遙感影像數據進行分類(Mcclellan et al .，1989；貝內迪克特松等人，1990；Kanellopoulos等人，1991；赫爾曼和哈澤尼，1992；比朔夫等人，1992)，這些研究表明，神經網絡分類可以給出壹個很好的分類結果，其分類精度大致相當於常規的最大似然分類算法所獲得的分類精度。如果神經網絡分類算法應用得當，分類精度更高。K Sanjo (1996)研究了基於神經網絡技術的遙感圖像分類，發現監督分類中訓練樣本數據的排列影響分類精度，因此在神經網絡算法的學習階段，必須註意訓練樣本數據的簡單重排所引起的分類結果的變化。此外，他還研究了混合像元問題，結果表明神經網絡算法通過學習混合數據可以有效降低分類誤差。
6.n維概率密度函數。
Haluk Cetin和Donald w . Levandowski(1991)使用N維概率密度函數對多維遙感數據進行分類和制圖。n維概率密度函數(n-dimension probability density function)是壹種用於顯示、分析和分類數據的算法，它源於所謂的頻率視角，但克服了以往方法的固有局限性。使用N維概率密度函數算法的交互式分類過程是壹種新的多維數據分類方法，它提供了遙感數據分布和監督分類中所選訓練區域分布的清晰視角。將多維數據和分布在訓練區域的N維概率密度函數映射後，根據訓練區域數據的分布劃分N維概率密度函數空間，然後將N維概率密度函數劃分為查找表，對遙感影像數據進行分類。對於無監督分類，N維概率密度函數圖可以提供有價值的數據分布表示，數據分布可以直接用來選擇數據初始聚類時的類數和類均值的位置。與最大似然分類、最小距離分類等需要大量計算機內存、計算速度慢、顯示重疊類能力有限的傳統統計分類方法相比，N維概率密度函數具有極快的分類速度，可以用無限的波段數圖形化顯示數據和類的分布。Haluk Cetin，Timothy A.Warner和Donald W.Levandowski(1993)使用N維概率密度函數對TM和其他遙感數據源進行分類、可視化和增強，取得了較好的效果和比傳統分類方法更高的分類精度。
7.其他分類方法
名詞（noun的縮寫）B.Venkateswarlu和P.S.V.S.K.Raju(1993)提出了壹種新的遙感圖像快速分類器。這個分類器是非參數分類器，稱為整體平均分類器，它使用最小距離的概念。算法步驟如下:
①計算各組的總體平均值(壹般平均值)，Mi，i = 1，2，...，c。
②如果滿足以下兩個等式，那麽任意壹個隨機像素X都會被歸為wi組。
XT(Mi-Mj)< Tij，j≠ I (2-5)
中亞高光譜遙感目標蝕變信息的識別與提取
其中Tij=-Tij。
③在步驟①和②之後，隨機像素X被分類為正確類別。
此外，考慮到參與計算的變量的排序和部分和的邏輯，可以大大減少該算法的計算時間。與最小距離(歐氏距離)和最大似然分類器相比，整體平均分類器耗時最少，分類精度與最小距離大致相當，對於農田面積、森林等名義類型的分類非常有效。
Haluk Cetin(1996)提出了壹種分類方法:類間距離頻率分布，這是壹種針對多光譜數據的非參數分類方法。類間距離頻數分布過程簡單，是壹種強大的可視化技術，圖形化顯示多光譜數據和類分布。首先選擇感興趣的類別，從典型的訓練樣本區域可以獲得這些類別的統計信息。利用該類的平均測量向量計算多光譜數據中每個像素的距離，並存儲在二維數據分布數組中。選擇其他類型的訓練區域，通過距離計算可以得到訓練區域數據的分布。通過視覺檢查結果，建立查找表，然後通過使用查找表對多光譜圖像數據進行分類。詳情請參考原文。
H.N.Srikanta Prakash等人(1996)改進了遙感數據的聚集聚類分析，這是壹種基於互鄰概念的非參數、層次和聚集聚類分析算法，用於多光譜數據分類。該方法首先定義每個像素周圍的感興趣區域，然後在其中尋找分類中初始合並操作所需的K個最近鄰。將像素的特征值、波段值和相對位置值綜合考慮，提出了壹種改進的距離測度，大大減少了計算時間和內存需求，降低了分類的錯誤概率。
Steven E.Franklin和Bradley A.Wilson(1992)設計了壹個三級分類器對遙感圖像進行分類，它由壹個基於四叉樹的分割算子、壹個高斯最小距離平均測試和壹個包括輔助地理網絡數據和光譜曲線測量的最終測試組成。與最大似然分類技術相比，三級分類器的整體分類精度提高，計算時間減少，所需訓練樣本數據最少(它們在復雜地形地區很難獲得)。