遥感图像统计模型分类方法是什么？

利用统计学中的Fisher准则进行分类称为Fisher判别分类，其基本思想是要求类间距离最大而类内离散度最小。Fisher判别准则的基础是认为样本符合多维正态分布，其主要目的是要找到一个方向，使样本的投影在该方向上可以被很好地分开，这样就可以取得较好的分类效果。

最大似然分类法(MLC, maximum likelihood lassifcation )是根据概率理论建立的一种分类方法。基于统计模型的最大似然分类法是传统遥感图像分类中应用最为广泛的分类方法。在最大似然分类器中，假设高光谱图像上的每一类地物的概率密度都服从多维正态分布，这种假设大大简化了分类运算的过程。最大似然分类法首先根据统计方法建立起各类的判别函数集，再计算每个测试样本的统计概率，最后将样本归入统计概率大的类中。想要在最大似然分类器中获得较好的分类效果，利用训练样本对各类别进行统计参数估计变得十分重要。为了得到可靠的估计类均值矢量和协方差矩阵中的元素，需要图像上每个类别都有足够的训练样本。但由于高光谱图像的维数众多、数据量庞大，传统的最大似然分类法在对高光谱图像进行分类时运行速度明显减慢，为每个类别找到足够多的且具有代表性的训练样本是比较困难的，当无法取得充足数量的样本时，经常会出现奇异矩阵的现象。为此，Jia等110提出了改进的最大似然分类法，即简化最大似然性判别函数( SMLDF, simplified maximum likelihood discriminant function )。该方法首先根据高光谱图像波段间的相关性将波段分为几个相关性较高的组，再计算每个组内各类别的协方差矩阵，求出判别函数值，最后将所有波段组的判别函数值相加来实现分类。该方法利用了高光谱图像间的分组特性，减少了数据的计算时间，因此比较适用于高光谱图像分类。

另外，当训练样本数目较少时，利用不使用协方差矩阵的分类器(即最小距离分类器)进行分类更加有效。最小距离法利用像元矢量与类均值间的距离测度进行分类，将像元分类到类均值最近的类别中。具体步骤为:首先计算出每类已知类别样本的均值向量，再计算各待分类样本向量到各类均值向量的距离，比较距离后将样本划分到距离最小的一类中。最小距离分类器一般选择欧氏距离作为光谱距离的量度，也可以使用欧氏距离之外的广义距离，如马氏距离、J-M距离和相关系数等。