1.原理
1.1 每一个像元作为一个样本，波段作为特征，理想情况下，同类地物应该具有相同或相似的特征描述，因此像元在n维特征空间中聚集在一起，而不同地物应该具有不同的特征描述，因此不同特征地物像元在n维空间中呈现分离状态。

1.2 一个像元可以看成有n个特征组成的n维空间中的一个点；同类地物的像元形成n维空间中的一个点群，差异明显的不同地物会构成n维空间的若干个点群。

1.3 分类就是要分析特征空间这些点群的特征，如点群的位置。分布中心，从而确定点群的界限，完成分类任务。

2.分类过程

• 数据获取；
• 数据预处理；
• 分类类别确定和介意标志建立；
• 训练样本选取和评价；
• 特征提取和选择；
• 分类方法选择；
• 图像分类；
• 分类后处理；
• 精度评价；

3.训练样本选取
3.1 样本个数与所采用的分类方法，特征空间维度数，个类别的大小与分布有光；

3.2 一般情况下，每个类别的训练样本个数至少是特征空间维度的10~30倍。

3.2 采集策略：小区域连续采集，全局均匀分布的采集策略，分层采集，地理分层采集；

4.训练样本评价
4.1 判断训练样本是否能表现不同的光谱特征，即不同类别的光谱特征向量的分离程度。

4.2 评价方法

• 图表法：均值图法，直方图法；

  • 均值图法：把各类别在不同特种空间(波段)的样本点特征值求均值和标准差，构建一个折线图来判断不同类别在不同特征空间的分布情况。
    
    图中，在每个波段上均值都比较接近的样本，是无法区分的，考虑先把它合并，或者考虑其他特征来区分。
  • 直方图法
    
    图中，第一个图曲线有交叉重合部分，不能很好的区分，第二个图能区分，越瘦的越好区分，越胖的越不好区分。

• 统计法；

• 特征空间多维图法：即把训练样本的光谱特征向量表示在多维的窗口中，可以直观的展现所有样本的光谱特证分布状况。

5.分类方法

• 监督分类方法：
  • 欧式距离;
  • 最大似然法；
  • 支持向量机分类算法：采用升维后在分类；
  • 深度学习方法；
• 非监督分类器
  • k-均值算法；

6.分类精度评价

6.1 检验样本选取：简单随机采杨；每个类别的检验样本数量至少得有50个样本；

6.1 混淆矩阵
- 可以计算总体分类精度，被正确分类的在对角线分布；
- 制图精度：
- Kappa系数：采用一种离散多元统计技术，它综合运用了混淆矩阵的所有参数来计算一个最终指标；

6.2 ROC 曲线，主要是二分类问题。

7.特征提取

7.1 衍生特征：把某些或者所有原始属性通过变换生成新的特征变量，从而增强目标物体之间的可分性，通过变换方式得到新的特征变量的过程就是特征提取。

7.2 特征变量过多会引起“维度灾难”，使得识别精度下降。

7.3 光谱特征提取

• 对多种属性线性或非线性组合得到综合指标；
• 在高光谱图像图像中，临近波段之间往往具有高度的相关性，需要从这些数据中提取无冗余的有效信息来识别地物。