遥感图像分类算法可以解决哪些实际问题？

在分类算法发展中，针对不同的分类目标新特征的采用变得十分普遍。这种方法简单易行,针对性较强，可以解决许多分类中的实际问题。

①波形特征

波形特征是指光谱的形状信息，主要是指各波段之间的相关关系。Jia等用光谱的二值编码特征对AVIRIS数据进行了分类;Carlotto利用光谱的波形特征对TM图像进行了分类。这里使用的波形特征是指光谱波段间的相关关系,主要有布尔值、比值和差值三种。

②空间信息

空间信息主要是指图像的几何特征，包括分形特征、小波特征、频率特征等。虽然空间信息计算十分复杂,但是由于空间信息的重要性，它在模式识别分类中日益受到重视,这方面的实例也越来越多。频率是指在-定窗口中某一灰度值出现的概率,主要用来描述图像的纹理信息。Gong等利用图像的频率特征进行了上下文分类获取土地利用图。章杨清等都用光谱特征结合分形特征进行土地覆盖分类,取得了比较好的分类精度。Emran等利用高光谱和纹理特征来探测采矿区的地质变异;Abuelgasim等应用多角度,多光谱数据进行土地覆盖分类。Zhu等应用小波理论对遥感图像进行分析，并对25种类型纹理的遥感图像进行了分类。

③多时相信息

虽然时相信息比较难于获取,但是仍然不乏时相信息应用实例。Haralick等利用多时相的Landsat信息对农作物进行了分类。Badhwar也利用Landsat 的时相信息对玉米和大豆进行了分类。游先祥等利用多时相的MSS、TM和SPOT信息对森林进行了分类。Turner 等还用多时相SPOT卫星数据进行了稻田分类制图。

④数学变换特征

在遥感数字图像处理中，光谱的数学变换特征一直受到重视。自从有了多光谱遥感技术，NDVI等许多植被指数就被大量应用于植被研究。Cihlar等用NDVI和多光谱数据AVHRR进行了土地覆盖分类。宫鹏等对光谱信息进行了6种数学变换，即对数变换，一阶微分变换，对数变换后一阶微分变换，归化变换，归一化变换后 阶微分变换以及归一化后对数变换。 然后把经过这6种变换后的特征送入神经网络用来识别针叶树种，结果证明对数变换后一阶微分和归一化变换后一阶微分能够获得高于94%的平均精度。