遥感图像分类技术

什么是遥感图像分类技术？

 图像分类是将土地覆盖类别分配给像素的过程。例如，这9个全球土地覆盖数据集将图像分为森林、城市、农业和其他类别。

https://gisgeography.com/free-global-land-cover-land-use-data/
一般来说，这是遥感中的三种主要图像分类技术：
无监督图像分类
监督图像分类
基于对象的图像分析
无监督和监督图像分类技术是两种最常见的方法。https://gisgeography.com/supervised-unsupervised-classification-arcgis/

然而，基于对象的分类最近被使用得更多，因为它对高分辨率数据很有用。https://gisgeography.com/obia-object-based-image-analysis-geobia/

15个免费卫星图像数据源 https://gisgeography.com/free-satellite-imagery-data-list/

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”。为了创建“聚类”，分析人员使用图像聚类算法，如k-means和isodata。在大多数情况下，他们可以使用这个免费的遥感软件列表来创建土地覆盖图。

https://gisgeography.com/open-source-remote-sensing-software-packages/
在选择了一个聚类算法之后，您可以确定要生成的组的数量。例如，可以创建8个、20个或42个集群。清楚地说，这些是未分类的集群，因为在下一步中，您将用土地覆盖类手动标识每个集群。例如，如果要将植被和非植被分类，则必须将集群合并为两个集群。
总的来说，无监督分类是最基本的技术。因为您不需要样本来进行无监督分类，所以这是一种简单的分割和理解图像的方法。

先生成群、簇，然后分类。

监督分类

在监督分类中，为每个土地覆盖类别选择代表性样本。然后，软件使用这些“训练站点”，并将它们应用到整个图像。
监督分类使用训练集中定义的光谱特征。例如，它根据培训集中最相似的内容来确定每类别。常用的监督分类算法有极大似然分类和最小距离分类。

选择训练区域->生成标签文件->分类

https://gisgeography.com/supervised-unsupervised-classification-arcgis/

基于对象（或面向对象）的图像分析分类

监督和非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代表性的形状和大小。这一过程是多分辨率分割或段均值偏移。
多分辨率分割通过像素分组产生均匀的图像对象。它同时生成图像中具有不同比例的对象。这些对象更有意义，因为它们代表图像中的特征。

基于对象的图像分析（OBIA）分割是一个将相似像素分组为对象的过程。

 

但最重要的是，您可以根据纹理、上下文和几何体对对象进行分类。

OBIA分类使用物体的形状、大小和光谱特性对每一个物体进行分类。

在obia中，您可以使用多个条带来创建对象，然后对它们进行分类。例如，obia可以使用红外线、仰角或形状文件对每个对象进行分类。此外，层之间可以有上下文。例如，对象在相邻对象之间具有邻近关系和距离关系。

最近邻分类与监督分类相似。在多分辨率分割之后，用户为每个土地覆盖类别识别样本站点。接下来，他们定义统计信息来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信息对对象进行分类。https://gisgeography.com/nearest-neighbor-classification-guide-ecognition/

执行多分辨率分割->选择训练区域->定义统计信息->分类

https://gisgeography.com/nearest-neighbor-classification-guide-ecognition/

遥感数据趋势

• 更普遍
• 更高的空间分辨率
• 更宽的频率范围

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。但是高分辨率的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精度的一个非常重要的因素。

https://gisgeography.com/100-earth-remote-sensing-applications-uses/

图像分类技术的选择

假设你想在高空间分辨率的图像中对水进行分类。

您决定选择该图像中具有低ndvi的所有像素。但这也可能导致图像中其他非水像素的错误分类。因此，基于像素的分类（如无监督和监督的分类）提供了一种盐和胡椒的外观。

https://gisgeography.com/how-to-ndvi-maps-arcgis/

人类自然地将空间信息聚集成群体。多分辨率分割通过将同质像素分组为对象来完成这项任务。水特征在多分辨率分割后很容易识别。这就是人类形象化空间特征的方式。

什么时候应该使用基于像素的分类（无监督和监督分类）？

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http://www.sciencedirect.com/science/article/pii/S0924271609000884，在选择图像分类技术时，空间分辨率是一个重要因素。

在空间分辨率较低的情况下，传统的基于像素和基于对象的图像分类技术都表现良好。

但是当你有高空间分辨率时，obia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

阿肯色大学的一个案例研究比较了基于对象和基于像素的分类。目的是比较高分辨率和中分辨率图像。http://www.isprs.org/proceedings/xxxviii/4-c7/pdf/Weih_81.pdf
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。因为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。这项研究是一个很好的例子，说明了基于像素的图像分类技术的一些局限性。

https://gisgeography.com/free-global-land-cover-land-use-data/

基于对象分类研究的增长

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统计信息。
在技术进步和高空间分辨率图像的可用性方面，已经有了很大的增长。但是图像分类技术也应该被考虑在内。聚焦于基于对象的图像分析，以提供高质量的产品。
根据谷歌学者的搜索结果，所有的图像分类技术都显示出出版物数量的稳步增长。近年来，基于对象的分类方法有了很大的发展。
此图使用“alliantile：”搜索短语显示谷歌学者的年度搜索结果。

出版物中图像分类技术的发展

如果您喜欢这本图像分类技术指南，我建议您下载遥感图像分类信息图。

原文链接：https://gisgeography.com/image-classification-techniques-remote-sensing/

References:

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