什么是遥感影像分类？

图像分类是将土地覆盖物类别分配给像素的过程。例如，类包括水，城市，森林，农业和草地。

遥感中的三种主要图像分类技术是：

• 无监督图像分类

• 监督图像分类

• 面向对象的图像分类

无监督和有监督的图像分类是两种最常见的方法。但是，基于对象的分类由于对高分辨率数据很有用，因此越来越受欢迎。

无监督分类

在无监督分类中，它首先根据像素的属性将其分组为“簇”。然后，用土地覆盖类别对每个群集进行分类。

总的来说，无监督分类是最基本的技术。由于不需要样本进行无监督分类，因此这是分割和理解图像的简便方法。

无监督分类的两个基本步骤是：

• 产生集群

• 分类

使用遥感软件，我们首先创建“集群”。一些常见的图像聚类算法是：

• Kmean

• ISOData

选择了聚类算法后，您可以确定要生成的组数。例如，您可以创建8、20或42个群集。较少的群集在组内具有更相似的像素。但是更多的群集会增加组内的可变性。

需要明确的是，这些是未分类的集群。下一步是为每个群集手动分配土地覆盖类别。例如，如果要对植被和非植被进行分类，则可以选择最能代表植被和非植被的那些类。

监督分类

在监督分类中，您为每个土地覆盖类别选择代表性样本。然后，软件将使用这些“训练样本”，并将其应用于整个图像。

监督分类的三个基本步骤是：

• 选择训练集

• 生成文件

• 分类

对于监督图像分类，您首先要创建训练样本。例如，您通过在图像中标记城市区域来标记它们。然后，您将继续添加代表整个图像的训练样本。

对于每类的土地，您将继续创建训练样本，直到每个类别都有代表性的样本为止。反过来，这将生成一个文件，该文件存储所有训练样本的光谱信息。

最后，最后一步是使用文件来运行分类。从这里，您将必须选择一个分类算法，例如：

• 最大似然

• 最小距离

• PCA

• 支持向量机(SVM)

• ISO集群

如多项研究所示，SVM是遥感中最好的分类算法之一。但是每种选择都有其自身的优势，您可以自己进行测试。

基于对象的图像分析(OBIA)

有监督和无监督分类是基于像素的。换句话说，它创建正方形像素，每个像素都有一个类。但是基于对象的图像分类将像素分为具有大小和几何形状的代表性矢量形状。

以下是执行基于对象的图像分析分类的步骤：

• 执行多分辨率分割

• 选择训练集

• 定义统计

• 分类

基于对象的图像分析(OBIA)通过对像素进行分组来分割图像。它不会创建单个像素。相反，它将生成具有不同几何形状的对象。如果您拥有正确的图像，则对象可能非常有意义，以至于可以为您进行数字化。例如，下面的分割结果突出显示了建筑物。

两种最常见的细分算法是：

• ECognition中的多分辨率分割

• 在ArcGIS中分段均值漂移

在基于对象的图像分析(OBIA)分类中，可以使用不同的方法对对象进行分类。例如，您可以使用：

形状：如果要对建筑物进行分类，则可以使用形状统计信息，例如“矩形拟合”。这会将对象的几何形状测试为矩形。

纹理：纹理是对象的同质性。例如，水主要是均匀的，因为它主要是深蓝色的。但是森林有阴影，绿色和黑色混合在一起。

光谱：您可以使用光谱特性的平均值，例如近红外，短波红外，红色，绿色或蓝色。

地理环境：对象在邻居之间具有接近度和距离关系。

最近邻分类：最近邻(NN)分类类似于监督分类。在进行多分辨率分割之后，用户可以为每个土地覆盖类别识别样本站点。接下来，他们定义统计信息以对图像对象进行分类。最后，最近邻居根据对象与训练地点的相似程度以及定义的统计信息对对象进行分类。

遥感数据趋势

1972年，Landsat-1是第一颗以60米分辨率采集地球反射率的卫星。目前，无监督和监督分类是可用的两种图像分类技术。对于此空间分辨率，这已足够。

但是，OBIA作为数字图像处理技术已得到显着发展。

基于对象的分类

多年来，对遥感数据的需求不断增长。有数百种遥感应用。例如，对食品安全，环境和公共安全的需求很高。为了满足需求，卫星图像的目标是在更宽的频率范围内获得更高的空间分辨率。

遥感数据趋势：

• 更普遍

• 更高的空间分辨率

• 频率范围更广

但是，高分辨率图像不能保证更好的土地覆盖。所使用的图像分类技术是提高准确性的非常重要的因素。

图像分类技术的选择

假设您要在高空间分辨率图像中对水进行分类。

您决定选择该图像中所有NDVI低的像素。但这也可能会误分类图像中不是水的其他像素。因此，基于像素的分类(如无监督和有监督的分类)看起来像盐和胡椒。

人类自然将空间信息聚合成组。多分辨率分割通过将同质像素分组为对象来完成此任务。经过多分辨率分割后，水特征很容易识别。这就是人类可视化空间特征的方式。

• 什么时候应该使用基于像素的(无监督和有监督的分类)？

• 什么时候应该使用基于对象的分类？

空间分辨率：低| 中| 高

如本文所述，空间分辨率是选择图像分类技术时的重要因素。

当您的空间分辨率较低时，传统的基于像素的图像分类技术和基于对象的图像分类技术都将表现出色。

但是，当您具有较高的空间分辨率时，OBIA会优于传统的基于像素的分类。

无监督vs有监督vs基于对象的分类

图像分类技术准确性评估

阿肯色大学的一项案例研究比较了基于对象的分类与基于像素的分类。目的是比较高和中空间分辨率的图像。

总体而言，基于对象的分类要优于无监督和基于像素的分类方法。因为OBIA同时使用频谱信息和上下文信息，所以它具有更高的准确性。这项研究很好地说明了基于像素的图像分类技术的局限性。

基于对象分类的增长

像素是图像中表示的最小单位。图像分类使用单个像素的反射率统计信息。

技术的进步和高空间分辨率图像的可用性已经有了很大的增长。但是也应该考虑图像分类技术。聚焦于基于对象的图像分析以提供高质量的产品。

根据Google Scholar的搜索结果，所有图像分类技术均显示出出版物数量的稳定增长。最近，基于对象的分类已显示出很大的增长。

该图使用“ AllinTitle：”搜索短语显示Google Scholar的年度搜索结果。

出版物图像分类技术的发展

如果您喜欢本图像分类技术指南，建议您下载遥感图像分类信息图。

参考文献：

1. Blaschke T, 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 65 (2010) 2–16
2. Object-Based Classification vs Pixel-Based Classification: Comparitive Importance of Multi-Resolution Imagery (Robert C. Weih, Jr. and Norman D. Riggan, Jr.)
3. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation (Martin Baatz & Arno Schape)
4. Trimble eCognition Developer: http://www.ecognition.com

翻译：陨星落云

为了方便大家技术交流，欢迎大家加入测绘科学交流群！

扫码二维码关注我们了解更多精彩

你若喜欢，请转发点赞点广告点在看 

阅读推荐如何批量往照片中添加经纬度和高程基于Python的遥感图像NDVI批处理使用Python和GDAL进行土地覆盖变化分析利用随机森林算法进行遥感图像分类MeanShift算法进行遥感图像分割