遥感图像分类技术

图像分类根据各自在图像信息中所反映的不同特征， 把不同类别的目标区分开来的图像处理方法。 它利用计算机对图像进行定量分析， 把图像或图像中的每个像元或区域划归为若干个类别中的某一种， 以代替人的视觉判读。图像分类是将土地覆盖类别分配给像素的过程， 例如，类别包括水、城市、森林、农业和草原等。

什么是遥感图像分类?

遥感中的3种主要图像分类技术是：

• 无监督图像分类
• 有监督的图像分类
• 基于对象的图像分析

无监督和有监督的图像分类是两种最常见的方法， 然而，基于对象的分类越来越受欢迎， 它对高分辨率数据有着至关重要的作用。

1.无监督分类

在无监督分类中， 它首先根据其属性将像素分组为 “clusters”， 并使用土地覆被类对每个聚类进行分类。 总体来说， 无监督分类是最基本的技术， 不需要样本进行无监督分类， 所以这是一种分割和理解图像的简单方法。 无监督分类的两个基本步骤是：

• 生成集群（clusters）；
• 分配分类。

首先利用遥感软件创建 “clusters”， 一些常见的图像聚类算法有：

• K-均值
• ISODATA

选择聚类算法后， 可确定要生成的组数。 例如，可以创建 8、20 或 42 个集群， 更少的集群在组内具有更相似的像素， 但是更多的集群会增加组内的可变性。

需要明确的是， 这些是未分类的集群。 下一步是手动为每个集群分配土地覆盖类别， 例如，如果要对植被和非植被进行分类， 则可以选择那些最能代表它们的集群。

2.监督分类

在监督分类中， 为每个土地覆盖类别选择有代表性的样本， 该软件使用这些“训练场地”并将其应用于整个图像。 监督分类的三个基本步骤是：

• 选择培训领域
• 生成签名文件
• 分类

对于监督图像分类， 首先创建训练样本。 例如，通过在图像中标记城市区域来标记， 并将继续在整个图像中添加代表训练场地。

对于每个土地覆盖类别而言， 将继续创建训练样本， 直到拥有每个类别的代表性样本。 反过来，这将生成一个签名文件， 该文件存储所有训练样本的光谱信息。 最后一步是使用签名文件运行分类， 从这里，必须选择一个分类算法， 例如：

• 最大可能
• 最小距离
• 主成分
• 支持向量机 (SVM)
• Iso cluster

多项研究表明， SVM 是遥感领域最好的分类算法之一， 每个选项都有自己的优势，可以自行测试。

3.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， 换言之，它创建方形像素， 每个像素都有一个类。 但是基于对象的图像分类将像素分组为具有大小和几何形状的具有代表性的矢量形状。 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
• 选择培训领域
• 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，它会生成具有不同几何形状的对象。 如果你有正确的图像， 物体可以很有意义， 它会进行数字化。 例如，下面的分割结果突出显示了建筑物。

两种最常见的分割算法是：

• eCognition中的多分辨率分割；
• ArcGIS中的分段均值偏移工具。

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，可以使用以下5种分类：

• SHAPE：如果要对建筑物进行分类，可以使用“矩形拟合”等形状统计量。这将对象的几何形状测试为矩形。
• TEXTURE：纹理是物体的同质性。例如，水大多是同质的，因为它大多是深蓝色的。但是森林有阴影，是绿色和黑色的混合。
• 光谱：可使用光谱属性的平均值，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和距离关系。
• 最近邻分类： 最近邻（NN）分类类似于监督分类。多分辨率分割后，用户识别每个土地覆盖类别的样本站点。接下来，他们定义统计数据以对图像对象进行分类。最后，最近邻根据对象与训练站点的相似性和定义的统计数据对对象进行分类。

应该使用哪种图像分类技术？

假设想在高空间分辨率图像中对水进行分类， 需先决定选择该图像中所有具有低 NDVI 的像素。 但这也可能对图像中不是水的其他像素进行错误分类。 人类自然地将空间信息聚合成组， 多分辨率分割通过将同质像素分组到对象中来完成此任务， 经过多分辨率分割后， 水景很容易识别。这就是人类可视化空间特征的方式。

• 何时应该使用基于像素的（无监督和有监督分类）？
• 何时应该使用基于对象的分类？

如本文所述， 空间分辨率是选择图像分类技术时的一个重要因素。 当拥有低空间分辨率图像时， 传统的基于像素和基于对象的图像分类技术都表现良好。 但是当具有一个高空间分辨率的图像时， OBIA 优于传统的基于像素的分类。

遥感数据趋势

1972 年，Landsat-1 是第一颗以 60 米分辨率收集地球反射率的卫星。 当时，无监督和监督分类是两种可用的图像分类技术， 对于这种空间分辨率来讲已足够。 然而，OBIA 作为一种数字图像处理技术已经有了显着的发展。

多年来，对遥感数据的需求不断增长， 具有数百种遥感应用。 例如，食品安全、环境和公共安全的需求量很大， 为了满足需求， 卫星图像的目标是在更广泛的频率范围内实现更高的空间分辨率。 遥感数据趋势如下:

• 更无处不在；
• 更高的空间分辨率；
• 更宽的频率范围。

但更高分辨率的图像并不能保证更好的土地覆盖， 使用的图像分类技术是提高准确性的一个非常重要的因素。

无监督 vs 监督 vs 基于对象的分类

Arkansas 大学的一项案例研究比较了基于对象和基于像素的分类， 目标是比较高和中等空间分辨率的图像。 总体而言， 基于对象的分类优于无监督和有监督的基于像素的分类方法。 OBIA 同时使用了光谱和上下文信息， 所以它具有更高的准确性， 这项研究是基于像素的图像分类技术的一些局限性的一个很好的例子。

基于对象的分类增长

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。 技术进步和高空间分辨率图像的可用性有了很大的增长， 但也应考虑图像分类技术。 聚光灯照在基于对象的图像分析上， 以提供高质量的产品。 根据 Google Scholar 的搜索结果， 所有图像分类技术的出版物数量均呈现稳定增长的趋势。 最近，基于对象的分类已经显示出很大的增长。

如果您喜欢本图像分类技术指南， 也可以下载遥感图像分类信息图（https://gisgeography.com/wp-content/uploads/2014/07/image-classifiation-infographic.png） 来进一步了解。