非监督分类（Unsupervised Classification），也称为聚类分析，是指在没有先验类别作为样本的条件下，凭遥感影像地物的光谱特征的分布规律进行“盲目”分类。它是按照灰度值向量或波谱样式在特征空间聚集的情况下划分点群或类别，再根据像元间的相似度进行归类。其分类结果仅能区分不同类别，而无法确定类别相关的属性。由于非监督分类不需要对被研究区有事先的了解，所以分类速度快。使用该方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类像元数大体等比例。由于人为干预少，非监督分类过程的自动化程度高（陈婧，2011）。
非监督分类的主要方法有动态聚类法、模糊聚类法、系统聚类法、分裂法等（赵春霞，2004）。
1.动态聚类法
动态聚类法是按某些原则选择一些代表点作为聚类的核心，然后将其余待分点按照判据准则分到各类中去，完成初始分类，之后再重新计算各聚类中心，把各点按照初始分类判据重新分到各类，完成第一次迭代。然后修改聚类中心进行下一次迭代，对上次分类结果进行修改，如此反复直到满意为止。动态聚类的方法是目前非监督分类中比较先进，也较为常用的方法。
典型的聚类过程包括以下几步：选定初始集群中心；用一判据准则进行分类；循环式的检查和修改；输出分类结果。聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法（ISODATA）等。其中比较成熟的是K-means和ISODATA算法，它们较之其他分类方法的优点是把分析判别的统计聚类算法和简单多光谱分类融合在一起，使聚类更准确、客观。但这些传统的建立在统计方法之上的分类法存在着一定的缺点：很难确定初始化条件，很难确定全局最优分类中心和类别个数，很难融合地学专家知识。基于尺度空间的分层聚类方法（SSHC）是一种以热力学非线性动力机制为理论基础的新型聚类算法，它与传统聚类算法相比最大的优点是其样本空间可服从自由分布，可获取最优聚类中心点及类别，可在聚类过程中融合后验知识，有更多的灵活性和实用性。
2.模糊聚类法
模糊聚类法根据样本间的统计量的相似程度作为模糊隶属度，在无预知类别的前提下对数据集中各点作含量划分。模糊聚类算法有多种，如基于模糊等价关系的模糊聚类分析法、基于最大模糊支撑树的模糊聚类分析法等，最典型的模糊聚类法是模糊迭代自组织的数据分析法。但纯粹的非监督分类是在对影像一无所知的情况下进行的，所得到的结果往往与实际特征存在一定的差异，因此聚类结果的精度并不一定能够满足实际应用的要求，还需要地学知识的辅助。
3.系统聚类法(www.xing528.com)
系统聚类法是将影像中每个像元各自看作一类，计算各类间均值的相关系数矩阵，从中选择最相关的两类进行合并形成新类，并重新计算各新类间的相关系数矩阵，再将最相关的两类合并，这样继续下去，按照逐步结合的方法进行类与类之间的合并，直到各个新类间的相关系数小于某个给定的阈值为止。
4.分裂法
分裂法又称等混合距离分类法，它与系统聚类的方法相反，在开始时将所有像元看成一类，求出各变量的均值和均方差，按照一定公式计算分裂后两类的中心，再算出各像元到这两类中心的聚类，将像元归并到距离最近的那一类去，形成两个新类，然后再对各个新类进行分类，只要有一个波段的均方差大于规定的阈值，新类就要分裂。
非监督分类的主要优缺点如下（杨鑫，2008）。
（1）非监督分类的主要优点表现在：①不需要预先对所要分类的区域有广泛的了解和熟悉，但分析者仍需要一定的知识来解释分类得到的集群组；②人为误差的机会减少，所产生的类别比监督分类的更均质；③独特的、覆盖量小的类别均能够被识别，而不会像监督分类那样被分析者的失误所丢失。
（2）非监督分类的主要缺点来自对其“自然”的依赖性：①所产生的光谱集群组并不一定对应于分析者想要的类别，因此分析者面临着如何将它们和想要的类别相匹配的问题，实际上几乎很少有一对一的对应关系；②分析者较难对产生的类别进行控制，因此其产生的类别也许并不能让分析者满意；③图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使不同图像之间的对比变得困难。
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。
