监督分类：
背景介绍： 监督分类是一种利用已知类别的训练样本来进行分类的方法。在这种方法中，算法通过学习训练样本的特征和类别标签，建立分类模型，然后将模型应用到新的未知数据上进行分类。
常用算法：
最大似然分类：基于类别的概率密度函数，将每个像素分配到使其概率密度最大的类别中。
支持向量机（SVM）：通过构建超平面将不同类别的样本分隔开，从而实现分类。
应用场景： 监督分类常用于对地物进行准确分类，例如土地覆盖类型分类、植被类型分类等。
无监督分类：
背景介绍： 无监督分类是一种不依赖先验类别信息的分类方法，它主要通过对图像数据进行聚类分析，将像素根据它们在特征空间中的相似度进行分组。
常用算法：
K均值聚类：将数据集划分为预先定义的K个类别，使得每个数据点都属于与其最近的聚类中心所对应的类别。
谱聚类：通过将数据表示为图的形式，利用图的特征值和特征向量进行聚类。
应用场景： 无监督分类常用于图像分割、地形分类等领域，特别适用于数据中存在未知类别或样本标签不完整的情况。
深度学习分类：
背景介绍： 深度学习分类是利用深度神经网络进行图像分类的方法，它能够学习到图像的高级抽象特征，并且在大规模数据集上表现出良好的性能。
常用算法：
卷积神经网络（CNN）：通过卷积层、池化层和全连接层等组件构建的深度学习模型，可以自动学习到图像的特征表示。
应用场景： 深度学习分类在遥感图像处理中具有广泛的应用，可以用于高精度地物分类、目标识别等任务，尤其在大数据和复杂场景下具有优势。
综上所述，监督分类、无监督分类和深度学习分类是卫星影像分类中常用的三种算法。它们各自具有不同的优势和适用场景，在实际应用中可以根据任务要求和数据特点选择合适的算法进行分类处理。
