1、多光譜遙感圖像地物識別技術在許多領域有重要作用，如：地質測繪制圖、城市規(guī)劃、自然災難檢測等。目視識別是遙感圖像地物識別的傳統(tǒng)方法，其識別效果依賴于目視工作者的相關經驗且會消耗大量人力資源，因此基于人工智能的計算機自動識別技術逐漸發(fā)展起來。在機器學習中，地物自動識別的經典方法是通過有監(jiān)督學習對遙感圖像的象元分類，其通過有類標的訓練數(shù)據(jù)進行學習，從而得到訓練器，再通過訓練器對測試數(shù)據(jù)的類標進行預測。但由于多光譜遙感數(shù)據(jù)的象元數(shù)量極多且分布復

2、雜，基于有監(jiān)督學習的分類方法過渡依賴于訓練數(shù)據(jù)，很難通過有限的監(jiān)督信息預測不同衛(wèi)星、不同時相、不同地區(qū)遙感圖像地物的類別。
　　本文在此背景下，著重于挖掘海量多光譜遙感信息的分布規(guī)律，即測試數(shù)據(jù)集自身的聚類特征，以分而治之的思想將大數(shù)據(jù)集通過無監(jiān)督學習劃分為若干個小數(shù)據(jù)集，再通過有監(jiān)督學習識別聚類結果。
　　根據(jù)上述思路，我們首先從基于無監(jiān)督學習的聚類算法開始研究，提出一種基于疊加數(shù)據(jù)能量場的數(shù)據(jù)密集性分析方法，并在此密集性

3、分析方法的基礎上通過能量場中數(shù)據(jù)游走的方式對數(shù)據(jù)進行聚類，這是一種全新的聚類框架，能夠對數(shù)據(jù)量大、分布復雜的數(shù)據(jù)集進行聚類分析。然后在基于光譜標記的地物分類算法中驗證了通過聚類進行半監(jiān)督識別的可行性，進一步完善分而治之思想：在“分”的步驟中提出一種適合遙感數(shù)據(jù)的分層 K-Means方法，在每個簇中用一個典型的中心數(shù)據(jù)代表同簇其他數(shù)據(jù)；在“治”的步驟中通過貝葉斯理論將數(shù)據(jù)能量場密集性分析改進為識別算法，對每個簇的中心數(shù)據(jù)進行分類。