论文部分内容阅读
最大似然（ML）分类方法是一种典型的基于统计分析的监督分类方法，从理论上讲，具有最小出错率与最高分类精度的特点。但最大似然分类方法是以数据的正态分布假设为前提的，这在真实遥感数据中很难满足，从而导致分类精度下降。根据数据分布可以以任意精度由多个正态分布的线性组合表示，对最大似然分布的数据分布进行修正，既提高了数据模型的正确性，又充分利用正态分布的优点。最大似然分类方法的训练样本挑选也具有一定的随意性和主观性，先验概率直接影响分类结果，而且对整幅图像采用同样的先验概率会导致分类精度下降。针对训练样本的选择问题，先用 ISODATA 聚类算法对数据进行聚类，对比参考分类图像选择训练区域，一方面利用聚类结果可以选择性质均匀的区域，另一方面使得样本的选择变得简单，最后进行了遥感数据的分类实验。实验结果证明了该方法不仅可以实现遥感数据的分类，而且具有较高的总体分类精度和 Kappa 系数。