同土地覆盖类型以产
生出相应的专题地图2。而这些专题图可以在不同程度上清晰地反映出某一区域
范围内地物的显现和潜在的空间关系与分布及规律信息。因此，对遥感影像数据
进行分类处理是人们获取、认识和发现现实规律信息的重要而又有效的途径6。
同时，这也能使得高光谱遥感影像能真正有效地应用于我们的实际生产和生活中，
为我们的生活提供便利。
32
面临的问题
虽然现在已经有了许多包括监督分类和无监督聚类方法在内的多种地物分
类方法被应用于解决高光谱图像分类问题当中，但在遥感影像地物分类算法不断
向着更高效率、更高精度和更加实用的方向发展的背景下，这些方法中的绝大部
分仍然难以满足现实的生产和科研需求。此外，遥感影像分类作为图像分类领域
中最具挑战性的工作，虽然通过多年的发展取得了长足的进步，但仍然存在着许
多问题：Hughes效应（一种在训练样本数目不变的情况下，随着参与分析的波
段数目的增加，分类精度会出现先增加后降低的现象）、光谱混合的影响、分类
器的选择和特征选择与提取等等910。而这些问题都会影响到影像的分类精度。
并且这些问题的存在正是制约高光谱遥感产品进一步推广与应用的瓶颈之一3。
当然，这也成为了促使国内外众多的研究者和研究团队长期致力于探索更为高效、
准确和实用的高光谱分类算法的背后的主要推动力。
33
常用分类方法
目前，针对高光谱遥感影像的地物分类算法可大致分为基于地物光谱特征匹
配的分类算法和基于统计数据统计特征的地物分类算法。其中，基于地物光谱特
征匹配的分类算法常见的主要包括：光谱角填图法（SpectralA
gleMapper，
SAM）、光谱信息散度（SpectralI
formatio
Diverge
ce，SID）、光谱二进制
编码（Bi
aryCodi
g，BC）和最小距离法（Mi
imumDista
ceClassifier，MDC）
等。常见的基于数据统计特征的地物分类算法主要包括：K均值聚类（KMea
s）、
Isodata、最大似然法（MaximumLikelihood，ML）、决策树（Decisio
Tree，
DT）、神经网络（NeuralNetwork，NN）和支持向量机（SupportVectorMachi
e，
SVM）等3。
传统的基于地物光谱特征匹配的分类算法，以及包括Isodata聚类、K均值
f算法和最大似然法在内的传统的统计分类算法是建立在经验风险最小化原则基
础之上的，即这些算法只有在样本数据足够多，样本数量趋向于无穷大的情况下，
其分类性能和精度才能得到有效保证6。然而在大多数的实际情况中，人们所能
使用的样本数目往往是很有限的，很难到理论上的要求。此外，有些分类算法（比
如，基于光谱特征匹配的SAM、SIDr