一、遥感图像分类与分割的联系与区别。

1.      区别

1.1 定义上

遥感图像分类是指利用计算机技术来模拟人类的识别功能，对遥感图像上的地物进行的属性识别和划分。

图像分割是指把图像分成各具特性的区域并提取感兴趣目标的技术与过程，是按照特定的原则根据图像特征对图像像素进行划分标记的过程。

1.2 方法上

遥感图像分类的对象是遥感图像中的像素，采用的是决策理论或统计方法，以每个像素的属性特征为依据。对同一个传感器的图像，假设传感器的性能是不变的、或其变化对图像的影响误差是可估计的，假设成像条件（传感器的位置、光源或辐射源、辐射传输过程等）是不变的或可估计的，则像素间的差异反映了地物间的差异。基于像素间的差异可以进行地物类别的划分。

图像分割包括以下三类：(1)基于像素的分割。利用阈值直接把像素值划分为不同的类。(2)基于边界的分割。首先标识图像中的像素值变化明显的点作为边缘，然后将边缘连接起来作为区域边界。利用图像梯度来确定边界。(3)基于区域的分割。首先确定区域，然后把像素划归到各个区域中，包括区域生长、区域分裂、分水岭等方法。这些方法简称为：灰度阈值方法、梯度方法和区域方法，属于经典的图像分割方法。

1.3 目的上

遥感图像分类的目的是从图像中识别实际地物，进而提取地物信息。

而图像分割的目的是将一幅图像分成若干区域，这些区域具有不同的属性值，同一区域中各像素具有相同的性质。对于分割依据和分割出来的区域性质的解释，需要借助于专业知识来完成。

1.4 应用上

在遥感应用中，通过遥感图像分类判读识别各种地物是一个主要的工作。无论是地物信息提取、土地动态变化监测，还是专题制图和遥感图像库的建立等都离不开图像分类。

图像分割后的图像区域与真实的物体或地物具有强相关，可以做进一步分析与处理，如测量和描述等。通过图像分割原始图像转化为更抽象、更紧凑的形式，使得更高层次的图像分析与理解成为可能。

        2.     联系

图像分割可以作为图像信息提取和分类的前处理，用来帮助确定典型区域的图像特征；也可以作为图像信息提取和分类的后处理，用来进一步分离细小的分类斑块，并进行区域标识。

二、总结归纳监督分类与非监督分类的区别和代表性方法。

监督分类与非监督分类的根本区别在于是否需要训练样本。其中监督分类需要从研究区域选取有代表性的训练场地作为样本，而非监督分类不需要更多的先验知识。其他区别如下：

1.1 工作方法上

监督分类是根据地物类型划分的要求进行的，先确定地物的分类系统，然后确定各个类别对应的解译标志和典型区域，最后提取和选择图像特征，并用于分类训练器以将光谱数据分类制成专题图。

非监督分类是使用基于聚类的算法，根据图像内在包含的统计信息将光谱图像划分成许多光谱类别，分析人员负责将各个光谱类别标明和合并成为有意义的类别。

1.2 分类结果上

监督分类的分类结果往往包括或与聚类的结果相交叉。

非监督分类的分类结果可能与实际的地物类一致，也可能不一致。

1.3 主要特点上

        监督分类可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。

但该方法人为主观因素较强，训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分类结果（特别是土地覆盖类型复杂的地区）。

        非监督分类无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。   

        但非监督分类对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间或对应或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度增大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。 

监督分类的代表性方法有最大似然法、最小距离法、人工神经网络法、决策树分类法等。

        非监督分类的代表性方法有迭代自组织分类法ISODATA和K-均值聚类算法。