非监督分类是什么？

非监督分类是指在缺乏经验知识的情况下，只根据数据本身的特征利用聚类技术将图像中的像素归成若干类别的分类方法。非监督分类的特点是首先通过对数据进行特征选择或特征提取构成模式集，同时构造准则函数，通过边学习边分类的方式逐步聚类获得最终的分类结果。在非监督分类中通常需要用户事先预定分类的数目。主要的遥感非监督分类方法可以粗略地分为划分方法和层次方法。

基于划分的聚类算法的是试图找到一个最优划分以把数据分成指定数量类别，本质上是组合优化的一种形式。Hell 等在1965年提出的ISODATA算法和Macqueen在1967年提出的K- means算法(Macqueen, 1967) 是较为成熟的基于划分的动态聚类方法。该类算法按某些原则选择一些代表点 作为初始聚类中心，然后将其余待分点按某种方法(判别准则)分到各类中去，完成初始分类，之后再重新计算各聚类中心，把各点按初始分类判别重新分到各类，完成第一次迭代。然后修改聚类中心进行下一次迭代，对上次分类结果进行修改，如此反复直到满意为止。ISODATA与K-means算法不同之处是在迭代过程可以根据聚类条件自动进行类别的“合并”和“分裂”，从而得到类别数比较合理的聚类结果。随着模糊数学的兴起，模糊K均值(模糊K-means)首先将模糊概念引入到图像聚类算法中(Dunn, 1973)， 随即出现了多种模糊聚类算法，如基于模糊等价关系的模糊聚类分析法、基于最大模糊支撑树的模糊聚类分析法等，最典型的模糊聚类法是模糊K-means和模糊ISODATA算法。

层次聚类方法是另一类较为 成熟的非监督聚类方法，其主要思想是对给定数据对象集合进行层次分解，根据层次的分解如何形成，层次方法可以分为凝聚和分裂两大类。凝聚的方法也称为自底向上的方法，分裂的方法，也称为自顶向下的方法。在凝聚或者分裂层次聚类方法中，通常以用户定义希望得到的类别数目作为结束条件。