最大似然(ML)分类方法是一种典型的基于统计分析的监督分类方法, 从理论上讲,具有最小出错率与最高分类精度的特点。但最大似然分类方法是以数据的正态分布假设为前提的, 这在真实遥感数据中很难满足, 从而导致分类精度下降。根据数据分布可以以任意精度由多个正态分布的线性组合表示, 对最大似然分布的数据分布进行修正, 既提高了数据模型的正确性, 又充分利用正态分布的优点。最大似然分类方法的训练样本挑选也具有一定的随意性和主观性, 先验概率直接影响分类结果, 而且对整幅图像采用同样的先验概率会导致分类精度下降。针对训练样本的选择问题, 先用ISODATA聚类算法对数据进行聚类, 对比参考分类图像选择训练区域, 一方面利用聚类结果可以选择性质均匀的区域, 另一方面使得样本的选择变得简单, 最后进行了遥感数据的分类实验。实验结果证明了该方法不仅可以实现遥感数据的分类, 而且具有较高的总体分类精度和Kappa系数。

高光谱遥感图像为地物的精确分类带来了机遇，但也面临着一些挑战，高光谱遥感图像分类中所面临的一个挑战是如何处理高的光谱维数和小的样本数目之间的矛盾，目前几乎全部采用降维方法来缓解这一矛盾。集成学习的出现和选择性集成概念的提出为解决这一问题提供了新的研究思路，基于这一思想提出了基于波段分组和分类器集成的方法。在高光谱遥感图像的原始光谱空间根据波段之间的相似性信息对光谱波段进行分类，从每类中随机抽取一个波段形成新的光谱组，并依靠限制不同光谱组中相同波段的数目增加不同光谱组之间的差异程度，将新的光谱组作为训练分类器的特征子集，在特征子集训练最大似然分类器，使用简单的多数投票法合成得到最终的集成分类器。实验结果表明，使用基于波段分组和分类器集成的方法可以得到更高的分类精度。

当今人类面临着一系列全球性问题， 自然灾害是其中之一， 而做好防灾减灾工作的重要前提就是做好对灾害的监测。 本文利用HJ-1星2009年台风“莫拉克”前后多时相影像， 首先进行辐射定标和影像配准， 然后进行去相关拉伸(decorrelation stretch， DS)光谱增强， 再采用最大似然分类法(Maximum likelihood classification)进行分类， 提取水体信息， 监测台风暴雨引起的水体变化情况。 结果表明， DS光谱增强之后， 各波段的相关性大幅减小， 各种地物在影像上的光谱差异增大， 有利于最大似然法分类时各地物的识别， 各个时相总体分类精度高于96.0%， Kappa系数也大于0.94， 比未进行DS光谱增强的分类精度高； 最终提取出各时相水体信息， 通过比较不同时相的水库水面面积， 可以为合理地调度泄洪， 保证水库下游的安全提供决策依据。