2025-0302学习记录7——遥感影像分类方法

最近玩的太狠了，适度学习...劳逸结合！

---

根据分类单元的不同，传统的遥感影像分类方法可分为面向像元和面向对象的分类。

1 面向像元的分类方法

1.1 定义

面向像元的分类方法（Pixel-based Classification, PBC），以单个像元的光谱特征为主要依据进行影像的分类，这种方法主要依赖于像元的光谱特征，而不考虑空间信息（如形状、纹理等），适用于低分辨率或中分辨率遥感影像。高分辨率遥感影像的光谱信息相对匮乏，纹理、几何等空间信息更加丰富；基于像元的方法解译速度较慢，容易产生椒盐效应，因此该方法不适用于高分辨率遥感影像分类。

像元的光谱特征：是指遥感影像中每个像元在不同波段上的反射率或辐射值。简单来说，就是传感器接收到的各个波段的电磁波信息，用于区分不同的地物类型。（详见学习记录10）

椒盐效应：由于分类方法仅依赖像元的光谱特征，导致分类结果出现大量孤立、分散的小斑块，使得图像看起来像撒上了黑白的“椒盐”，影响分类的连贯性和可读性。

1.2 特点

1. 单像元决策：每个像元的类别是独立确定的，仅基于其光谱信息（即各波段的反射率值）。
2. 依赖光谱特征：通常使用各个波段的灰度值或经过计算的光谱指数进行分类。
3. 适用于多光谱和高光谱数据：尤其是在影像分辨率较低时，面向像元的方法仍然能有效分类。
4. 忽略空间特征：没有考虑像元之间的空间关系、形状或纹理特征，因此在高分辨率影像中容易出现“椒盐噪声”现象。

1.3 主要算法

• 监督分类（Supervised Classification）：
  • 最大似然分类（Maximum Likelihood Classification, MLC）：基于统计概率进行分类，假设各类别的光谱特征服从正态分布。
  • 支持向量机（Support Vector Machine, SVM）：使用超平面划分数据，适用于高维数据分类。
  • 随机森林（Random Forest, RF）：通过多个决策树进行投票，提高分类精度。
  • 人工神经网络（Artificial Neural Network, ANN）：基于神经网络的自学习能力进行分类。
• 非监督分类（Unsupervised Classification）：
  • K均值聚类（K-Means）：基于数据点的相似性进行自动分类，不需要事先提供训练样本。
  • ISODATA（Iterative Self-Organizing Data Analysis）：与K均值类似，但可以动态调整聚类数量。

1.4 适用场景

• 低分辨率和中分辨率遥感影像（如MODIS、Landsat等）。
• 对光谱差异较大的地物（如水体、植被、裸地等）进行分类时效果较好。
• 适用于传统的土地利用/覆盖分类（LUCC）任务。

1.5 局限性

• 忽略空间信息：导致高分辨率影像分类精度下降。
• 易受噪声影响：可能出现“椒盐效应”（即分类结果呈现零星分布）。
• 光谱混合问题：对于具有相似光谱特征的地物（如不同类型的植被），分类精度可能较低。

2 面向对象的分类方法

2.1 定义

面向对象的分类方法（Object-Based Image Analysis, OBIA），以同质像元组成的对象为分类单元，对光谱、纹理和形状等特征进行提取进而分类，充分利用了像元之间的空间关系，是一种更适合于高分辨率遥感影像的分类方法。

2.2 特点

1. 以对象为单位进行分类：不像传统方法逐个像元分类，OBIA 先进行影像分割，将相邻像元合并成对象，再基于对象的特征进行分类。

2. 结合多种特征：光谱特征：均值、最大值、最小值、标准差等（如红光、近红外等波段的平均值）。形状特征：面积、周长、长宽比、圆度等（如建筑物通常是矩形，而湖泊边界较复杂）。纹理特征：均匀性、对比度、方向性等（如森林具有较均匀的纹理，而城市区域较复杂）。空间关系：对象与周围对象的拓扑关系（如建筑物通常靠近道路，水体通常位于低洼地区）。

3. 减少椒盐效应：由于分类是基于区域而非单个像元，因此分类结果更加平滑，避免孤立像元被误分类的问题。

4. 适用于高分辨率影像：在高分辨率遥感影像中，单个像元可能不足以描述完整地物，而面向对象方法能够更好地提取地物信息。

2.3 主要算法

（1）影像分割方法

影像分割是 OBIA 的关键步骤，常见方法包括：

• 多尺度分割（Multiresolution Segmentation）：基于光谱相似性进行区域增长，适用于不同尺度的地物。
• 分水岭分割（Watershed Segmentation）：将影像视为高程模型，基于梯度变化分割地物边界。
• 均值漂移分割（Mean Shift Segmentation）：基于密度估计进行自适应平滑，适用于地物边界模糊的影像。

（2）分类方法

分割后，分类可采用机器学习或规则集方法，例如：

• 决策树（Decision Tree）：基于设定的规则进行分类，适用于规则明确的地物。
• 随机森林（Random Forest, RF）：集成多个决策树，提高分类精度和泛化能力。
• 支持向量机（Support Vector Machine, SVM）：适用于复杂地物分类，能够有效处理小样本高维数据。
• K 近邻（K-Nearest Neighbors, KNN）：基于对象相似性分类，计算量较大。
• 深度学习（如 CNN）：近年来用于遥感影像分类，能够自动学习特征，提高精度。

2.4 适用场景

• 城市地物分类（建筑物、道路、水体、绿地等），能够保持地物边界完整性。
• 植被分类（区分不同植被类型，如阔叶林、针叶林、灌木丛等）。
• 农作物分类（利用形状和纹理特征区分不同作物）。
• 水体监测（识别河流、湖泊、水库等水体，减少混杂像元影响）。
• 灾害监测（如火灾、洪水、泥石流等灾害评估，提高准确性）。

2.5 局限性

1. 计算量大，参数调整复杂：影像分割和分类计算成本较高，尤其在大规模遥感数据处理中需要较长时间。
2. 依赖分割质量：影像分割的尺度参数、光谱相似性等设定不当，可能导致过度分割或欠分割，影响分类结果。
3. 不适用于低分辨率影像：低分辨率影像中，像元本身已足以代表完整地物，使用 OBIA 可能没有优势。
4. 需要高质量训练样本：分类精度受训练数据影响较大，如果训练样本质量不高，可能导致分类错误。

3 二者比较

像素级分类就像用“逐点填色”的方式画画，每个像素都被单独赋予类别，容易出现“椒盐噪声”。
面向对象分类更像是先画出轮廓（分割），再对每个整体对象进行分类，更符合人眼的认知。

面向像元分类像是盲人摸象，只能感知局部颜色（光谱），但不知道整体形状和关系。
面向对象分类像是站在远处看整幅画，不仅能看到颜色，还能看出形状、纹理和空间关系。

比较项	面向像元分类	面向对象分类

处理单元

单个像元（Pixel）

多个像元组成的对象（Object）

主要依据

像元的光谱特征（波段反射率）

光谱 + 形状 + 纹理 + 关系

适用影像

低/中分辨率影像（如 Landsat, Sentinel-2）

高分辨率影像（如 WorldView, UAV 影像）

计算复杂度

计算较简单

计算较复杂，需要调整分割参数

适用场景

大尺度土地利用分类（如耕地、森林、水体）

复杂地物分类（如城市建筑类型、不同植被）

误分类情况

容易产生椒盐效应

结果更平滑，分类精度更高

4 实例分析

基于 Sentinel-2 数据对青海湖流域进行地表分类：面向像元 vs 面向对象

假设目标是使用 Sentinel-2 影像对青海湖流域进行土地利用/覆盖（LULC）分类，将其划分为水体、裸地、草地、农田、建筑等类别。以下是两种方法的具体流程及对比。

4.1 应用面向像元的方法

面向像元的方法是逐像元进行分类，主要依赖光谱特征，不考虑像元间的空间关系。

步骤：

1. 数据获取

   • 下载 Sentinel-2 影像（L1C 或 L2A），选取覆盖青海湖的影像，并进行辐射校正、大气校正（如 Sen2Cor 处理）。
   • 选取多个波段（如 B2 蓝、B3 绿、B4 红、B8 近红外等），并计算植被指数（NDVI）、水体指数（MNDWI）等增强信息。

2. 数据预处理

   • 影像裁剪到研究区范围（青海湖流域）。
   • 可能需要进行云掩膜处理，去除云和云影干扰。
   • 影像重采样至统一分辨率（如 10m）。

3. 样本选择

   • 通过 Google Earth 或已有土地利用数据标注训练样本（如水体、裸地、草地、农田、建筑）。
   • 采用 ROI（Region of Interest）方法在 ArcGIS、ENVI 或 GEE 中采集训练数据。

4. 分类模型选择

   • 采用监督分类方法，如最大似然分类（MLC）、支持向量机（SVM）、随机森林（RF）等进行逐像元分类。
   • 也可以使用无监督分类（如 K-means、ISODATA），根据光谱特征聚类后再人工赋值类别。

5. 分类后处理

   • 进行分类精度评估（基于混淆矩阵、总体精度、Kappa 系数等）。
   • 可能需要应用多数滤波或形态学处理，去除椒盐效应。

4.2 应用面向对象的方法

面向对象的方法先进行影像分割，将相似的像元合并成对象，然后基于对象的光谱、形状、纹理等特征进行分类。

步骤：

1. 数据获取（与 PBC 方法相同）

   • 获取 Sentinel-2 影像，进行预处理（辐射校正、大气校正、裁剪、云掩膜）。

2. 影像分割

   • 采用多尺度分割方法（如 eCognition、GEE、ArcGIS）对影像进行分割，生成一系列地物对象。
   • 选择合适的分割尺度：
     • 若分割尺度过大，不同类别可能被混合。
     • 若分割尺度过小，可能导致对象数量过多，影响计算效率。
   • 根据研究需求，调整合适的光谱相似度、形状参数、紧致度等。

3. 特征提取

   • 计算每个对象的光谱特征（均值、标准差等）。
   • 计算形状特征（面积、边界复杂度、长宽比等）。
   • 计算纹理特征（灰度共生矩阵 GLCM 统计特征，如对比度、均匀度）。
   • 计算空间关系特征（对象之间的邻近关系，如建筑是否紧邻道路）。

4. 样本选择

   • 选择训练样本（方法与面向像元分类相似，但样本单位为对象而非单个像元）。

5. 分类模型选择

   • 采用决策树、随机森林、支持向量机等机器学习方法进行分类。
   • 也可以基于规则集（Rule-Based Classification），例如：
     • 如果对象 NDVI > 0.3 且形状规则 → 草地。
     • 如果对象 MNDWI > 0.5 且靠近湖泊 → 水体。

6. 分类后处理

   • 进行精度评估，并可进行对象合并、滤波等优化处理。

4.3 实例总结

• 若 Sentinel-2 数据分辨率较低（如 20m 波段），地物边界较模糊，适合面向像元的分类方法。
• 若 Sentinel-2 数据为 10m 波段，研究区内地物类型较复杂（如水体、裸地、草地混合），面向对象方法能更好地减少分类误差，提高精度。
• 如果计算资源有限，可选择面向像元方法；如果追求高精度分类（如城市地物分类），建议采用面向对象方法。

5 遥感影像分类方法的国内外研究现状

遥感影像分类是遥感应用中的核心任务，广泛应用于土地利用/覆盖分类（LULC）、生态环境监测、农业监测、城市规划等领域。随着遥感数据质量的提升和计算能力的增强，遥感分类方法不断发展，主要包括传统分类方法（面向像元的分类）、面向对象的分类（OBIA）以及基于深度学习的分类方法。

5.1 传统分类方法（面向像元分类）

（1）国外研究现状

早期的遥感分类主要依赖面向像元的统计方法，如最大似然分类（MLC）、支持向量机（SVM）、随机森林（RF）等。这些方法假设像元的光谱信息能代表地物类别，但由于忽略了空间信息，导致分类精度受限。

近年来，机器学习方法在遥感分类中得到广泛应用。例如：

• 支持向量机（SVM）被广泛应用于高分辨率遥感影像分类（Mountrakis et al., 2011）。
• 随机森林（RF）因其抗过拟合能力和高分类精度，被用于多光谱和高光谱影像分类（Belgiu & Drăguţ, 2016）。
• AdaBoost、K近邻（KNN）等方法也用于不同场景的分类任务（Foody, 2002）。

然而，这些方法仍然存在椒盐效应问题，导致分类结果较为破碎，尤其是在高分辨率影像中。

（2）国内研究现状

国内研究主要围绕提高传统方法的分类精度展开。例如：

• 研究者改进最大似然法，结合地形和地物先验知识，提高山区地物分类精度（王劲松等，2020）。
• 支持向量机（SVM）和随机森林（RF）在土地利用分类中得到了较多应用，研究者结合光谱指数（NDVI、MNDWI 等）提高分类精度（赵英等，2019）。
• 近年，一些研究尝试使用组合分类器（如 SVM + RF）来提高分类稳定性（李强等，2021）。

尽管面向像元的分类方法仍被广泛应用，但其对高分辨率影像的适用性有限，因此研究重心逐渐向面向对象的分类和深度学习分类转移。

5.2 面向对象的分类（OBIA）

（1）国外研究现状

面向对象分类方法（OBIA）于 2000 年左右兴起（Blaschke, 2010），其核心思想是先进行影像分割，再基于对象特征进行分类。OBIA 相较于传统方法，在高分辨率影像分类中表现更优。例如：

• eCognition 软件成为 OBIA 研究的主要工具，广泛应用于城市地物分类、林地分类等领域（Blaschke & Lang, 2006）。
• 国外研究者提出多种影像分割算法，如多尺度分割（Multiresolution Segmentation）、分水岭分割（Watershed Segmentation），并结合机器学习分类器（RF、SVM）提高分类精度（Drăguţ et al., 2014）。
• OBIA 被用于灾害监测（火灾、洪水等），如 Liu et al. (2018) 采用 OBIA 结合光谱指数对森林火灾区域进行了高精度分类。

（2）国内研究现状

国内在 OBIA 领域的研究起步稍晚，但近年来发展迅速。例如：

• 研究者利用 OBIA 进行城市土地利用分类，结合高分辨率影像（如 GF-2、高光谱数据）提高分类精度（李涛等，2019）。
• 农业监测方面，研究者利用 OBIA 方法提取农作物种植结构，并结合深度学习提高识别能力（张勇等，2022）。
• 生态环境监测领域，OBIA 被用于提取草地、裸地、水体等地物，并与 GIS 结合进行动态变化分析（王芳等，2021）。

虽然 OBIA 在高分辨率影像中的表现优异，但其计算成本较高，参数调整复杂，成为研究中的主要挑战。

5.3 基于深度学习的分类方法

（1）国外研究现状

近年来，深度学习（DL）在遥感影像分类中取得突破性进展。常见方法包括：

• 卷积神经网络（CNN）：用于提取影像的深层特征，提高分类精度（Zhang et al., 2016）。
• 循环神经网络（RNN）：适用于时序遥感数据分类，如农业作物分类（Ienco et al., 2017）。
• Transformer 模型：最近在遥感分类中取得显著进展，特别适用于长距离依赖特征的建模（Dosovitskiy et al., 2020）。

国外研究者开发了多种遥感深度学习框架，如：

• DeepLabV3+、U-Net 等语义分割模型在地物分类中的应用（Chen et al., 2018）。
• 结合 LSTM 进行时间序列分类，提高农作物分类精度（Russwurm et al., 2019）。

（2）国内研究现状

国内研究者也积极探索深度学习在遥感分类中的应用：

• CNN 在高分辨率遥感影像分类中的应用：如利用 ResNet、DenseNet 提取特征，提高分类精度（王伟等，2021）。
• 结合 OBIA 进行分类：如 OBIA + CNN 方法，先进行影像分割，再使用深度学习进行分类，提高计算效率（张鹏等，2022）。
• 多源数据融合：结合多光谱、SAR（合成孔径雷达）、LiDAR 数据，提高遥感分类的综合能力（李娜等，2023）。

尽管深度学习在遥感分类中表现优异，但其计算资源需求高、可解释性差，仍然是当前研究的热点问题。

5.4 研究趋势与展望

1. 多源数据融合：结合光学、SAR、高光谱、激光雷达等多种遥感数据，提高分类精度。
2. 深度学习与 OBIA 结合：利用深度学习优化影像分割，提高面向对象分类的智能化水平。
3. 自监督学习与少样本学习：解决遥感影像分类中高质量样本标注困难的问题。
4. 云计算与大数据分析：GEE（Google Earth Engine）、HPC（高性能计算）等技术的应用将进一步推动遥感分类的高效化和自动化。

5.5 结论

遥感影像分类方法经历了从传统面向像元分类（MLC、SVM、RF），到面向对象分类（OBIA），再到深度学习方法（CNN、Transformer）的发展。传统方法在低分辨率影像中仍具备应用价值，而 OBIA 适用于高分辨率影像，深度学习方法则表现出更强的特征提取能力。未来的发展方向将围绕多源数据融合、智能分类方法及计算资源优化展开。

图片均来自网络，如有侵权，请联系删除。