【摘要】：非监督分类方法很多，其中K-均值方法和ISODATA方法是效果较好、使用最多的两种方法。在非监督分类中，主要采用聚类分析的思想和方法，即先把像素按照相似性归成若干类别。因为遥感图像的数据量很大，往往是海量数据，非监督分类使用的方法都是快速聚类方法。因为没有利用地物类别的先验知识，非监督分类只能先假定初始的参数，并通过预分类处理来形成类群。在特征变量确定后，非监督分类算法的关键是初始类别参数的选定。
非监督分类是指人们事先对分类过程不加入任何的先验知识，在没有类别判定函数的情况下，将所有样本划分为若干个类别的方法，也称聚类（Clustering）。
非监督分类方法很多，其中K-均值方法和ISODATA方法是效果较好、使用最多的两种方法。很多遥感图像处理软件都含有这两种方法，聚类分析有两种实现途径：迭代方法和非迭代方法。迭代方法首先给定某个初始分类，然后采用迭代算法找出使准则函数取极值的最好聚类结果，因此聚类分析的过程是动态的。在遥感图像分类中，通常使用这种动态聚类方法。
在非监督分类中，主要采用聚类分析的思想和方法，即先把像素按照相似性归成若干类别。它的目标是：属于同一类别的像素之间的差异（距离）尽可能地小，而不同类别中像素间的差异尽可能地大。因为遥感图像的数据量很大，往往是海量数据，非监督分类使用的方法都是快速聚类方法。与统计学上的系统聚类方法不同，在进行聚类分析时不保存距离矩阵。
因为没有利用地物类别的先验知识，非监督分类只能先假定初始的参数，并通过预分类处理来形成类群。通过迭代使有关参数达到允许的范围为止。在特征变量确定后，非监督分类算法的关键是初始类别参数的选定。
非监督分类的一般流程如下：
（1）先确定初始类别参数，即先确定最初类别数和类别中心（点群中心）。(www.xing528.com)
（2）计算每个像素所对应的特征向量与各点群中心的距离。
（3）选取与中心距离最短的类别作为这一向量的所属类别。
（4）计算新的类别均值向量。
（5）比较新的类别均值与初始类别均值，如果发生了改变，则以新的类别均值作为聚类中心，再从第（2）步开始进行迭代。
（6）如果点群中心不再变化，计算停止。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
