高光谱遥感图像非监督分类的方法有哪些？

非监督分类就是不需要训练样本，直接根据图像数据的组织方式进行自学习的分类方法，其快速简单且具有定的分类精度，可以作为监督分关的重要朴充手段，参考非监督分类的结果，可以对监督分类结果进行修改和调整。

 (1)聚类法

聚类法是通过提取地物特征，将相似的地物归并到同一类中的方法。聚类法可以分为2种:分级集群法和非分级集群法。分级集群法是根据最小距离原则，将像元归并到不同的类中。经过归并后的像元类别被当作新的个体，重新计算距离并划分类别，直至达到最终的分类类别，这种不断归并的过程是通过分级来实现的。而非分级集群法则是在初始状态就给出合适的类别，通过对个体的不断组合最终获得分离程度最高的判别函数。

(2)分裂法

分裂的过程与聚类过程正好相反。该算法首先将所有的像元都看作一类，计算出各个波段均差x;和方差σ，并按照式计算分裂后的2个类的中心。

M_il=x_i-σ_i, M_i2=x_i+σ_i

分别计算每个像元到中心点的距离，将像元划分到距离较近的类中，形成新类;再对新类分别求出每个波段的均值和方差，重新开始分裂，一旦有某个波段的方差大于阈值，新类就要继续分裂。

(3)动态聚类法

动态聚类法首先确定-批初始中心，将待分类的各个像元按某种准则不断地向中心点靠近，并根据类间可分性准则和类内离散度准则不断地进行合并和分类，重新确定类中心并分类，直至取得满意的分类效果。

(4) K均值算法

K均值算法也称为c均值算法，其基本思想是通过不断迭代的方法来逐渐调整每个类的中心，直至取得满意的结果。

(5) ISODATA

ISODATA也称迭代自组数据分折算法，与K均值算法不同，ISODATA将所有样本都调整完毕后再计算各类样本的均值，因此被称为成批样本修正法。该算法可以自动地进行类别的分裂和合并，以得到合理的分类效果。

(6)模糊K均值聚类算法

确定性的分类要求图像的每个像元被准确地划分到某个类中，但自然界中有许多事物是无法被精确描述的。在模式识别中存在着2种情况，一种是地物可以被精确地描述，可以对地物像元进行精确划分；另一种情况是地物无法被精确描述，只能对地物像元进行模糊归纳与总结，这就是将模糊理论引入模式识别的重要原因，基于此，在遥感技术领域有大量研究人员在进行模糊分类的研究。运用模糊理论进行模式识别的最核心问题是隶属度函数的确定，可以根据实际需要进行适当的调整。

模糊K均值算法又称为模糊c均值( FCM, fuzzy c-means)算法，是一种基于划分的聚类算法，是普通K均值算法的改进。普通K均值算法对于数据的划分是硬性的;而模糊K均值算法则是一种柔性的模糊划分，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。

应用典型非监督分类算法对高光谱图像进行非监督分类前，先根据地物光谱分析特性进行波段选择，或利用PCA、MNF、ICA变换进行特征提取，通过这些方式提高图像信噪比、降低冗余、扩大不同类型地物光谱间距离，再进行图像非监督分类，这样不仅有利于提高分类效率，而且在一定程度上减少了噪声对分类结果的干扰，提高了分类结果的精度。