环境遥感-遥感图像专题分类

如何进行遥感图像的分类和变化检测遥感图像的分类和变化检测是遥感技术应用的重要方向之一。

随着遥感技术的不断发展，遥感图像在资源调查、环境监测、农业发展等领域有着广泛的应用。

本文将从遥感图像分类和遥感图像变化检测两个方面，介绍如何进行遥感图像的分类和变化检测。

一、遥感图像的分类遥感图像的分类是将遥感图像中的像素按照一定规则划分成不同的类别，以达到对图像内容的理解和分析的目的。

遥感图像的分类方法有多种，常用的有基于像素的分类方法和基于目标的分类方法。

基于像素的分类方法主要是根据像素的强度、颜色和纹理等特征，将图像中的像素划分到相应的类别中。

常用的像素分类方法有最大似然法、支持向量机、随机森林等。

这些方法通过对遥感图像的像素进行统计分析和模式识别，可以有效地实现图像的分类。

基于目标的分类方法是以目标为单位进行分类，将图像中的目标分割并划分到相应的类别中。

常用的目标分类方法有基于规则的分类方法和基于特征的分类方法。

基于规则的分类方法通过设定一些先验规则，如形状、大小、颜色等，对目标进行划分。

而基于特征的分类方法则是通过提取目标的形状、纹理、光谱等特征，利用各种分类算法进行识别和分类。

二、遥感图像的变化检测遥感图像的变化检测是指通过对不同时间或不同传感器获取的遥感图像进行比较和分析，确定图像中发生了变化的区域和程度。

遥感图像的变化检测对资源环境的监测、城市规划和自然灾害等方面具有重要的应用价值。

遥感图像的变化检测方法有多种，常用的有像差法、差异指数法、纹理分析法等。

像差法是通过计算不同时间或不同传感器获取的图像的像素值之差，来确定图像中的变化区域。

差异指数法是通过计算像素的差异指数，来判断图像中是否发生了变化。

纹理分析法是通过提取图像的纹理特征，来检测和分析图像中的变化。

在进行遥感图像的变化检测时，还需要考虑遥感图像的配准和辐射校正问题。

配准是指将不同时间或不同传感器获取的图像进行几何校正，以使它们具有相同的位置和方向。

遥感是以航空摄影技术为基础，在20世纪60年代初发展起来的一门新兴技术。

开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，这就标志着航天遥感时代的开始。

经过几十年的迅速发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。

萌芽时期1608年制造了世界第一架望远镜1609年伽利略制作了放大三倍的科学望远镜并首次观测月球1794年气球首次升空侦察1839年第一张摄影像片初期发展1858年用系留气球拍摄了法国巴黎的鸟瞰像片1903年飞机的发明1909年第一张航空像片一战期间（1914-1918）：形成独立的航空摄影测量学的学科体系二战期间（1931-1945）：彩色摄影、红外摄影、雷达技术、多光谱摄影、扫描技术以及运载工具和判读成图设备现代遥感1957年：前苏联发射了人类第一颗人造地球卫星20世纪60年代：美国发射了TIROS、ATS、ESSA等气象卫星和载人宇宙飞船1972年：发射了地球资源技术卫星ERTS-1（后改名为Landsat Landsat-1），装有MSS感器，分辨率79米1982年Landsat-4发射，装有TM传感器，分辨率提高到30米1986年法国发射SPOT-1，装有PAN和XS遥感器，分辨率提10米1999年美国发射 IKNOS，空间分辨率提高到1米中国遥感事业1950年代组建专业飞行队伍，开展航摄和应用1970年4月24日，第一颗人造地球卫星1975年11月26日，返回式卫星，得到卫星像片80年代空前活跃，六五计划遥感列入国家重点科技攻关项目1988年9月7日中国发射第一颗“风云1号”气象卫星1999年10月14日中国成功发射资源卫星1空间分辨率空间分辨率（Spatial Resolution）?又称地面分辨率。

后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。

前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。

测绘技术中的遥感图像分类与监督分类方法引言遥感图像分类是测绘技术中常用的图像处理方法之一，它通过对遥感图像进行分类和分割，为地理信息系统（GIS）和地球观测提供了重要的数据支持。

本文将介绍遥感图像分类的基本概念，以及常用的监督分类方法。

一、遥感图像分类的基本概念遥感图像分类是指将遥感图像中的像素根据其反射率或辐射率等特征划分为不同地物类别，并赋予其相应的分类标签。

遥感图像分类可以帮助人们了解地物分布、变化趋势以及环境状况等，对于农业、城市规划、环境保护等领域具有重要的应用价值。

二、监督分类方法1. 最大似然法最大似然法是一种常用的监督分类方法，它基于贝叶斯决策理论，通过计算每个像素属于不同类别的概率，从而确定其分类标签。

最大似然法假设像素的灰度值服从高斯分布，并通过最大化像素灰度值在每个类别中的概率来进行分类。

虽然最大似然法在某些情况下效果较好，但它对于复杂的遥感图像分类问题可能存在一定的局限性。

2. 支持向量机（SVM）支持向量机是一种基于统计学习理论的监督分类方法，它通过构建一个最优的超平面，将不同类别的像素分隔开。

支持向量机不仅可以处理线性可分的数据，还可以通过核函数将数据映射到高维空间，从而处理线性不可分的数据。

支持向量机在处理遥感图像分类问题时具有较好的性能，但其计算复杂度较高，需要大量的训练样本和运算时间。

3. 随机森林随机森林是一种集成学习方法，它通过组合多个决策树，从而提高分类准确性。

随机森林不仅可以处理多类别的分类问题，还可以处理高维数据，并且具有较好的鲁棒性和抗噪性。

在遥感图像分类中，随机森林通常能够取得较好的分类效果，并且对于特征的选择和处理具有一定的鲁棒性。

4. 卷积神经网络（CNN）卷积神经网络是一种基于深度学习的监督分类方法，它通过多层卷积层和池化层进行特征提取和降维，最后通过全连接层进行分类。

卷积神经网络在图像分类领域取得了显著的成就，对于遥感图像分类问题也有较好的应用效果。

人工智能及识别技术本栏目责任编辑：唐一东遥感图像场景分类综述钱园园，刘进锋*（宁夏大学信息工程学院，宁夏银川750021）摘要：随着科技的进步，遥感图像场景的应用需求逐渐增大，广泛应用于城市监管、资源的勘探以及自然灾害检测等领域中。

作为一种备受关注的基础图像处理手段，近年来众多学者提出各种方法对遥感图像的场景进行分类。

根据遥感场景分类时有无标签参与，本文从监督分类、无监督分类以及半监督分类这三个方面对近年来的研究方法进行介绍。

然后结合遥感图像的特征，分析这三种方法的优缺点，对比它们之间的差异及其在数据集上的性能表现。

最后，对遥感图像场景分类方法面临的问题和挑战进行总结和展望。

关键词：遥感图像场景分类；监督分类；无监督分类；半监督分类中图分类号：TP391文献标识码：A文章编号：1009-3044(2021)15-0187-00开放科学（资源服务）标识码（OSID ）：Summary of Remote Sensing Image Scene Classification QIAN Yuan-yuan ，LIU Jin-feng *(School of Information Engineering,Ningxia University,Yinchuan 750021,China)Abstract:With the progress of science and technology,the application demand of remote sensing image scene increases gradually,which is widely used in urban supervision,resource exploration,natural disaster detection and other fields.As a basic image pro⁃cessing method,many scholars have proposed various methods to classify the scene of remote sensing image in recent years.This pa⁃per introduces the research methods in recent years from the three aspects of supervised classification,unsupervised classification and semi-supervised classification.Then,combined with the features of remote sensing images,the advantages and disadvantages of these three methods are analyzed,and the differences between them and their performance performance in the data set are com⁃pared.Finally,the problems and challenges of remote sensing image scene classification are summarized and prospected.Key words:remote sensing image scene classification;Unsupervised classification;Supervise classification;Semi-supervised clas⁃sification遥感图像场景分类，就是通过某种算法对输入的遥感场景图像进行分类，并且判断某幅图像属于哪种类别。

1 引言随着卫星遥感图像和航空遥感图片分辨率的不断提高,人们可以从遥感图像中获得更多的有用的数据和信息。

伴随着“数字地球”概念的提出,越来越多的民用场合需要用到遥感图像,包括资源调查,自然灾害观测、大气气象预报等。

由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就显得尤为重要,经过多年的努力,形成了许多经典的分类方法和算法。

本文主要研究和讨论了遥感图像分类技术的分类方法和算法,并且作了简要的评价。

2 图像分类技术遥感图像是按一定比例尺, 客观真实地记录和反映地表物体的电磁辐射的强弱信息, 是遥感探测所获得的遥感信息资料的一种表现形式。

所以, 遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征, 判读识别地面物体的类属及其分布特征。

遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。

只要了解这些因素对遥感图像特征的影响, 则可按图像特征判读地面物体的属性及其分布范围, 实现遥感图像的分类识别。

遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。

分类是对图像上每个像素按照亮度并接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。

图像分类是模式分类(Pattern Classification)在图像处理中的应用，它完成将图像数据从二维灰度空间转换到目标模式空间的工作。

分类的结果是将图像根据不同属性划分为多个不同类别的子区域。

图像分类器(Image Classifier)的定义如下：给定一个二值均匀测度函数P，如果图像中某个区域满足一定意义下的均匀特性，则该区域P值为真，否则为假。

对图像的一个分类就是获得图像的一个划分其中代表第i类属性的区域，该区域应满足：[1]，其中是像素点的总集；[2] 是连通；[3]如果，相邻,且P() = True , P() = True ,但P(∪) = False。

遥感图像分类遥感图像的分类就是通过对遥感图像中地物的光谱信息和空间信息进行分析，选择特征，将图像中每个象元按照某种规则或算法划分为不同的类别，然后获得遥感图像与实际地物的对应信息，从而实现遥感图像的分类。

一般的分类方法可分为两类：监督分类和非监督分类。

将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。

一、监督分类监督分类（supervised）,又称训练分类法，即用被确认的样本象元去识别其他未知象元的过程。

已经被确认类别的样本象元是指那些位于训练区的象元。

在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个象元和训练样本作比较，按照不同规则将其划分到其最相似的样本类。

监督分类的算法主要有：平行算法、最小距离法、最大似然法等。

这里采用最大似然法作为监督分类的算法。

原理：最大似然法假设遥感图像的每个波段数据都是正态分布。

其基本思想是：地物类数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上成正态分布，该类的多维数据就构成了一个多维正态分布；各类多维正态分布模型各有其分布特征。

根据各类已有的数据，可以构造出各类的多维正态分布模型，在此基础上，对于任何一个像素，可反过来求出它属于各类的概率，取最大概率对应的类为分类结果。

步奏：第一步：分析图像①打开图像，将图像以5、4、3波段合成RGB显示在#1中。

②通过目视分析，可以定义6类样本：水体、建筑、耕地、草地、荒地、其他。

第二步：选择训练样本①在主图像窗口选择Overlay-----Region of Interest，打开ROI Tool对话框。

②在ROI Tool对话框中设置相关样本的名称、颜色等。

③选择ROI_Type—Polygon，在window中选择image，在图像上绘制训练区。

④重复②、③步奏，最终完成以下结果：第三步：评价训练样本①在ROI Tool对话框中，选择Options——Compute ROI Separability，打开目标图像。