1.概述
（1）计算机判读：以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据目标地物的影像特征（颜色、形状、纹理、空间位置），结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理,实现对遥感图象的理解,完成对遥感图象的解译。
（2）模式：即某种实物的标准形式或使人可以照着做的标准样式。举例：某地物的光谱特征曲线反映了该地物的反射特性，所以，该光谱特征曲线就是该地物的一个模式。
(3)模式识别：即对需识别或分类的对象，进行一系列测量（例对未知类别的地物，测量它在等波长处的反射特性）。然后将这一系列测量所构成的模式与已知类别的地物模式作比较，看它与那一个相同或相似，即判认它是属于哪一个类别的地物。
(4)计算机判读与目视判读目的一样，但在判读和识别地物的模式方面，有着明显的不同:
    目视判读：主要以图像的空间特征（地物的几何特征和光谱特征的空间反映）为判读依据。
    计算机判读：主要以图像像元的灰度（地物光谱特征的直接反映）为判读依据。
(5)计算机分类实现的思想基础
    ① 同类地物具有相同（似）的光谱特征，不同地物的光谱特征具有明显的差别。由于影响地物光谱特征的因素很多，所以影像的判读分类都是建立在统计分析的基础上的。
    ② 同类地物的图像灰度概率在单波段（一维空间）符合正态分布规律。
    ③多维图像（即多波段）中的一个像元值（灰度）向量。在几何上相当于多维空间中的一个点，而同类地物的像元值，既不集中于一点，也绝非是杂乱无章的分布，而是相对地密集在一起，形成一个点群（一个点群就是地物的一种类别）。一般情况下，点群的边界不是截然的，有少部分重叠和交错的情况。
    特征点集群在特征空间的分布情况：
    ① 理想情况——不同类别地物的集群至少在一个特征子空间（即某一波段图像）中是完全可以区分开的。此时，可在相应的子空间图像中采用简单的“图像密度分割的方式”实现分类。
    ② 典型情况——不同类别地物的集群在任一子空间中都有相互重叠的现象存在。但在总的特征空间中却是可以完全区分的。（即利用单波段图像不能实现完善分类，而利用多波段图像在多维空间中才可能实现精确的分类。）
    ③一般情况——无论在任一子空间，还是在总的特征空间，不同类别地物的集群之间总是存在有重叠现象。则重叠部分的特征点所相应的地物，在分类时会出现不同程度的分类误差。
    Δ利用计算机根据地物光谱特征进行自动判读分类，只要能确定地物类别在特征空间的位置、范围和边界就完成了判读分类的任务。
    位置——一个点群的中心，计算图像灰度的均值向量（即数学期望）
    范围——计算图像灰度的标准差向量（即点群的离散程度）
    边界——应用所谓判别函数（边界函数），鉴别图像像元的类别归属。

2.计算机图像分类的方法
    ① 监督分类法（训练场地法/先学习后分类法）：即先选择有代表性的实验区（训练区），用已知地面的各种地物光谱特征来训练计算机，取得识别分类判别规则，并以此做标准对未知地区的遥感数据进行自动分类识别。
    ② 非监督分类法（空间集群clustering，点群分析，聚类分析，边学习边分类法）：即按照灰度值向量或波谱样式在特征空间聚集的情况划分点群或类别。其类属是通过对各类光谱响应曲线进行分析以及与实地调查数据相比较后确定的。

3.计算机分类的一般过程
（1）分类预处
    分类前一般需要对原始图像进行辐射校正，去除大气散射的影响，突出地物信息。特别是使用不同时相遥感数据时，由于大气散射受季节和大气质量影响，更有必要订正到同一水准。
（2）特征选择
    原始遥感图像的特征波段彼此之间往往存在较强的相关性，例如TM1、TM2、TM3彼此之间都存在较强的相关性。不加选择地利用这些特征变量分类不但增加多余的运算，有时反而会影响分类的准确性。因此，往往需要从原始图像n个特征中通过处理选择k个特征（n>k）参与分类，例如，通过K-L变换使图像信息集中在彼此独立的主分量上，利用少数主分量特征就能达到较好的分类效果。特征选择还与欲区分的对象密切相关，比如植被分类可采用绿度、植被指数，也可以采用K-T变换后的绿度与亮度分量等。
（3）分类
    根据特征图像与分类对象的实际情况选择适当的分类方法，一般来说，非监督分类方法简单，不需要先验知识，当地物光谱类别与信息类别对应较好时比较适用。当地物类别光谱差异很小时监督分类精度较高。（4）分类后处理
    由于分类过程是按像元逐个进行的，输出分类图一般会出现成片的地物类别中有零星异类像元散落分布情况，其中许多是不合理的“类别噪声”。这种情况一般采用“平滑滤波”方法处理。
（5）精度评价
（6）专题图制作
    在处理后达到精度要求的分类图基础上，根据需要和用途，进行专题图的投影方式、比例尺、图例等一系列设计和制作。