计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用，其关键是提取待识别模式的一组统计特征值，然后按照一定准则做出相应决策，以完成对遥感数字图像的识别。

计算机分类的对象是数字图像，地物的所有特征都是以数字化的灰度值加以反映。而不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征，由此使得遥感数字图像的计算机分类成为可能，即遥感图像计算机分类的原理是数字图像中所反映的同类地物光谱相似性和异类地物的光谱差异性，遥感图像的计算机分类原理如图1-1所示。

监督分类（Supervised Classification）又称训练分类法，是通过选择有代表性的、地物类别已知的训练数据来训练分类器，再用训练好的分类器对未知地区影像数据进行自动分类的方法，即用被确认类别的样本像元去识别其他未知类别像元的过程（图1-2）。

2.2.1监督分类基本思路

在监督分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本做比较，按照不同规则将其划分为和它最相似的样本类。一般地，监督分类的流程如图1-3所示，其具体步骤如下：

1、分类准备阶段。收集有关分类区的信息，包括地图、航空像片或实地资料等，以确定分类区域的地面覆盖类型及其分布，即确定信息类；除此之外，还需对图像进行检查，对照已有的参考数据或者实地考察经验，评价图像质量，检查其直方图，决定是否需要其他预处理工作，如地形纠正、配准等，并确定其分类系统。

2、选取训练区（Training Field），即在每个信息类中选择一定数量有代表性的像元集作为样本数据。训练样本的选择是监督分类的关键，在各类目标地物面积较大的中心选取，这样才有代表性；训练样本应能克服各种偶然误差的影响且提供足够的信息量，即同一类别的训练样本必须是均质的，不能包含其他类别，也不能是和其他类别之间的边界或混合像元；其大小、形状和位置必须能同时在图像和实地（或其他参考图）容易识别和定位，最终选择的训练样本应能准确地代表整个区域内每个类别的光谱特征差异。训练样本的来源可以是：①实地收集，即通过全球定位系统（GPS）定位，实地记录的样本；②屏幕选择（图1-4（a）），即通过参考其他图或根据分析者对该区的了解，在屏幕上数字化每一类别有代表性的像元。

（3）利用训练数据估计分类器参数。训练样本选择后，必须结合每个样本的基本统计量（如均值、标准方差、最大值、最小值、方差、协方差矩阵及相关矩阵等）对其训练结果进行检查和评价，以便对各分类器选择合适的参数。

（4）使用训练好的分类器对影像像元逐个进行归类。

（5）输出分类结果。包括专题图（图1-4（b）），整个图像区或某个子集的各种地面覆盖类型的统计表格以及可以用于GIS中的各种数字文件。

2.2.2 监督分类的经典分类器

监督分类的分类器是指监督分类中具体的分类方法，是将未知像元划分到相应类别中的算法。主要介绍其常用的几种算法：

1、最小距离法（Minimum Distance Classification）

最小距离法是一种相对简化的监督分类方法，适用于训练数据有限的情况，是利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其相似程度，在距离最小（相似度最大）的类别上对像元数据进行分类的方法，如图1-5所示。其判别规则如下：