1.分类中的辅助处理技术
    （1）问题的提出：
    噪声信息的排除；混合像元问题；邻域像元问题；纹理。
    （2）上下文分析方法（Context）
    为了消除或减少类别噪声的影响，通常需要把每个像元的光谱特征或类别属性与其周围的邻近像元进行比较，若该像元表现出与周围像元很不一致，则应将其调整到符合一致的情况，这样的辅助处理不但能提高实际的分类精度，也符合专题图的制图综合原则。
    预处理法：8-邻域比较判别法，类似噪声平滑处理
    后处理法：同上
    概率松弛法：利用邻接像元从属于各类别的概率，来调整中心像元从属于各类别的概率，并根据调整后的概率按Bayes分类法对各像元进行分类。概率调整的过程是一个多次叠代的过程，由此得有“松弛”名称。
    （3）基于地形信息的计算机分类处理
    类别高程先验概率；
    地形归一化；
    通过引入高程、坡度、坡向、以及太阳入射角等地形因子作为分类要素参加分类。
    （4）纹理特征分类
    概念：相近色调像元按一定的规律在空间排列。
    纹理特征提取方法：自相关函数法、数学变换法、数学形态学法、灰度相关矩阵法、灰度延长法、单位面积边缘数法、纹理变换法、自回归模型法
    纹理特征辅助分类。

2.计算机分类新方法
    （1）神经网络分类器
    人工神经元网络是以模拟人脑神经网络系统的结构和功能为基础而建立的一种数据分析处理系统。一个神经元有多路输入,接收来自其它神经元的信息,并将反馈信息经由一条路线传递给另一神经元。一个神经元与多个神经元以突触相连,进入突触的信号作为输入(激励) ,通过突触而被“加权”,所有输入的加权之和即为所有权重输入的总效果。若该值等于或大于阈值,则该神经元被激活(给出输入) ,否则即不被激活。人工神经网络可以视为简化了的人脑神经系统的数学模型。90 年代以来,人工神经网络大量的应用于遥感图像的分类。现在应用较为广泛的是多层反前馈网络的反向传播网络和自组织网络,反向传播网络需大量的学习时间,容易陷入局部极小、振荡而导致难以收敛以及网络结构难以确定等缺陷。自组织网络结构简单,学习速度快,隐层结点的权向量所表示的意义明确,可以用来获取输入数据的统计特征,但存在隐层结点的数目较难确定和泛化能力差等问题。

(2)模糊分类
    模糊理论（fuzzy theory）：以1965年Zadeh提出的模糊集合论为基础。
    隶属度：介于0和1之间。
    最大似然比分类法：在分类类别k（k=1,n）的集合上定义其模糊类f。
    应用：模糊C-均值聚类（fuzzy c-mean clustering，简称FCM）；模糊监督分类（fuzzy supervised classification）
    （3）基于小波神经网络遥感图像分类
    小波分析的基本思想是用一族函数去表示或接近一信号或函数,这一族函数称为小波函数系,它是通过基本小波函数的不同尺寸的平移或伸缩构成的。小波变换具有线性叠加性、平移共变性、尺度共变性、能量守恒性、局域正则性等优点。这种小波函数网络结构简单,容易训练,收敛速度快,一旦网络训练好后,其分类适应性强。
    （4）决策数分类器
    决策树分类法原理是:决策树由一个根结点,一系列内部结点(分支) 及终结点(叶) 组成,每一结点只有一个父结点和二个或多个子结点。如果。由原级(根结点) 出发,不断往下细分,直到所要求的终级(叶结点) 类别分出为止。于是在“原级”与“终级”之间就形成了一个分类树结构,在树结构每一分叉结点处,可以选择不同的物质用于进一步的有效细分类。而在其算法描述中确是由“终极”到“原级”的逆过程。即在已知“终极”类别样本数据的情况下,根据各类别的相似程度逐级往上聚类。每一级聚类形成一个树结点,在该结点处选择往下细分的有效特征,依次往上到“原级”,完成对各级各类组的特征选择。再此基础上,再根据已选出的特征,从原级到终极对整个图像实行全面的逐级往下分类。对于每级处的特征选择,依据散布矩阵准则来进行。

(5)基于知识的图像分类
    知识的种类：关于图像分析方法的知识；关于地物的知识。
|   知识的表示形式：IF … THEN …
    实现途径：遥感图像分析与专家系统相结合。
    专家系统（expert system）：把某一特定领域的专家知识输入到计算机中，辅助人们解决问题的系统。一个专家分类系统就是针对一个或多个假设，建立的一个层次性规则集（hierarchy rules）或决策树（decision rules），而每一条规则就是一个或一组条件语句，用于说明变量的数值或属性。
    专家分类器的构成：决策树、假设、规则、变量、知识库。