遙感圖像分類算法有很多種，但根據其分類過程中有沒有使用數據標簽將分類方法主要分為有監督分類和無監督分類兩種算法。以下對這兩種算法進行了簡單介紹。

?

無監督分類算法

無監督分類算法是沒有先驗知識，在分類過程中直接對樣本進行分類，其優點就是實驗結果受人為干預的影響較少，并且對算法的設計參數相對較少；缺點是當異類地物間的差距較少時，分類效果較差。在無監督分類中經常被用到的算法有 K-means、ISODATA 聚類等算法。

1.?K-means聚類

?K-mean（K-均值聚類）算法屬于常見的聚類型算法，主要思想是給定初始的 K 值與 K 個初始類簇中心的情況下，將樣本根據相似性類聚到 K 個種類中，并使每個樣本到其樣本的聚類中心比到其它的聚類中心的歐式距離小；分配完畢后需要重新根據距離計算來更新每個類簇內的中心點；重復循環分配和更新直至每一類簇中所有樣本到中心點的距離變化很小，類簇中心點穩定。

2.?ISODATA 算法

ISODATA 算法也是一種實用性較強的動態聚類方法，該算法是在 K-means 算法的聚類結果基礎上進行了改進后得到的效果更好的算法，模型算法中增添了“合并”與“分裂”步驟，并且還可以對算法中的參數進行控制。當聚類結果中如果存在類簇樣本數量太小或兩類簇間的距離差距很小就會將他們合并為一類，如果是某一類中的方差很大就將其分裂成為兩類。ISODATA 算法相比 K-means 算法在分類效果上有了一定的提升，但是算法中參數設計較多且參數之間相互影響，不易確定。

?

有監督分類算法

有監督分類算法是在對數據分類進行前需要預先對算法模型進行訓練，當算法模型特征參數被確定好后再對測試樣本分類。其優點就是算法模型通過對先驗知識的學習，可以得到較高的分類精確度，訓練樣本數量可以控制；缺點為受人為因素的影響較大，分類精確度的高低在一定程度上受訓練樣本數量設定的影響。在監督算法中經常被用于遙感數據分類的算法有KNN、決策樹與深度學習網絡等算法。以下為幾種常用算法。

1.?K-近鄰算法（KNN）

K-近鄰是一種分類算法，分類原理為一個樣本與在空間距離上和它最近的樣本同屬一個類別的可能性較大，所以該算法在訓練樣本中尋找與測試樣本距離最小的 K 個樣本數據，然后統計這 K 個樣本的標簽，最后預測樣本的標簽為這 K 個樣本中發生頻率最高的標簽。 KNN 算法簡單，操作方便且無需參數設計，但是存在計算量大、效率低的問題，因為需要將每個待分類樣本與訓練樣本進行相似度計算，且對訓練數據的依賴性較大，對于高維度數據容易出現維數災難。

2. 決策樹

決策樹的分類思想和人類逐步分析做決定的過程很相似，是一種分而治之的決策過程，屬于機器學習的方法但是在結構上屬于樹狀結構。