高分辨率遥感影像分类

2021574高光谱遥感图像包含着数百个丰富的空间和光谱信息的波段，可以为对感兴趣的领域进行分类提供依据，因此在农业[1]、医学图像[2-3]、土地管理[4]、生态监测[5]和法医学[6]等领域有着广泛的应用。

随着高光谱成像技术的发展，光谱分辨率大大提升，同时也增加了高光谱图像的复杂度，容易造成所谓的Hughes现象[7]。

因此，在高光谱图像处理过程中，去除数据冗余的过程必不可少。

而降维可分为特征提取和特征选择两种方式。

特征提取用于寻找合适的映射，将高维特征空间转换为低维特征空间，如常见的主成分分析方法[8]、独立成分分析方法[9]等。

另一种是特征选择方法，特征选择是从原始集合中选择最具代表性的特征子集，可以保留原始数据的物理意义，因此应用最为广泛。

如Huang等人根据信息熵理论，量化了各波段的信息量，从而达到降维的目的[10]。

近年来，深度学习已经成功应用到语音识别[11]、自然语言处理[12]和图像识别[13]等领域并取得了显著进标准分数降维的3D-CNN高光谱遥感图像分类佘海龙，解山娟，邹静洁杭州师范大学遥感与地球科学研究院，杭州311121摘要：针对高光谱图像存在Hughes现象，以及空间和光谱特征利用效率低的问题，提出了一种结合标准分数降维和深度学习的高光谱图像分类算法。

利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段，结合优化过的3D-CNN（3D Convolutional Neural Network）分类方法，通过使用大步距卷积层替代池化层，引入L2正则化、批量归一化（Batch Normalization，BN）、Dropout等一系列策略，在减少网络参数的同时有效防止过拟合现象。

通过Pavia Centre和Pavia University两个公开高光谱数据集的实验测试，该算法大幅度降低了网络模型的参数和计算量，取得了99.01%和95.99%的分类精度。

测绘技术中的高分辨率遥感影像处理与解译技巧在现代科技的推动下，测绘技术迎来了空前的发展。

其中，高分辨率遥感影像处理与解译技巧在实践中起到了至关重要的作用。

本文将讨论这一领域的一些关键技巧，以帮助读者更好地理解和应用这些技术。

高分辨率遥感影像可以提供大量的地理信息，并为测绘工作提供了无与伦比的精确度。

然而，处理和解译高分辨率遥感影像需要一些独特的技巧和方法。

首先，准确的图像配准是高分辨率遥感影像处理的关键步骤。

由于遥感影像往往是通过卫星或无人机获取的，因此存在一定的姿态变化和几何失真。

为了将多张遥感影像融合为无缝的大尺寸图像，必须对这些影像进行配准。

传统的图像配准方法包括特征点匹配和基于控制点的配准。

然而，对于高分辨率遥感影像来说，特征点匹配可能效果不佳，因此更常用的是利用地面控制点进行配准。

通过在影像上选择明显可辨精度较高的地物作为控制点，可以减小姿态变化和几何失真对配准结果的影响。

其次，高分辨率遥感影像的解译需要考虑到影像中的地物信息和地物相互关系。

在遥感影像解译中，一种常用的方法是基于目标物体的像元（Pixel-based）分类。

通过对遥感影像的像元进行物体分类，可以得到高精度的地物信息图。

然而，由于高分辨率遥感影像的像素数量巨大，直接基于像元进行分类会导致计算量过大，因此需要采用图像分割技术。

图像分割可以将遥感影像分割成若干个不同的区域，每个区域代表一个地物对象。

这样，在每个区域内进行像元分类时，可以大大减小计算量，提高分类的效率和准确度。

此外，对于特定领域的高分辨率遥感影像解译，还可以采用专家系统等人工智能技术。

例如，在农业遥感中，可以利用专家系统对不同作物的遥感特征进行学习和建模，从而实现农作物类型的自动识别和分类。

这种方法可以大大提高解译效率，并为农业生产提供有益的信息。

除了图像处理和解译技巧，高分辨率遥感影像的精度评定也是测绘技术中的一个重要方面。

精度评定可以衡量遥感影像与实地测量数据之间的差异。

高分辨率遥感数据的处理与分析方法遥感技术的发展日益成熟，高分辨率遥感数据的获取量逐渐增加。

如何处理和分析这些海量数据成为遥感领域的重要研究课题。

本文将介绍高分辨率遥感数据的处理与分析方法，并探讨其在不同领域的应用。

一、数据预处理高分辨率遥感数据的预处理是数据处理的重要步骤，它包括数据去噪、辐射校正、几何校正等内容。

1. 数据去噪：高分辨率遥感数据中常常存在各种噪声，如椒盐噪声、斑点噪声等。

为了减少噪声对后续分析的影响，可以采用滤波算法对数据进行去噪处理，如中值滤波、均值滤波等。

2. 辐射校正：高分辨率遥感数据的辐射校正是将原始数据转换为物理度量的一个过程。

通过影像的辐射校正，可以消除大气、地表反射率等因素对遥感影像的影响，得到准确的反射率信息。

3. 几何校正：高分辨率遥感数据的几何校正是将影像的像素空间坐标与实际地理坐标之间建立映射关系的过程。

通过准确的几何校正，可以保证影像的空间精度，提高后续分析的可靠性。

二、数据分类与特征提取高分辨率遥感数据的分类和特征提取是将遥感影像转化为语义信息的重要工作。

1. 数据分类：数据分类是指将遥感影像中的像素根据其反射率或其他属性进行分类，以获得具有不同意义的地物信息。

常用的分类方法包括基于像元的分类、基于对象的分类和基于深度学习的分类等。

2. 特征提取：特征提取是将遥感影像中不同地物的特征进行提取和描述的过程。

常用的特征提取方法包括纹理特征提取、形状特征提取、光谱特征提取等。

通过特征提取，可以获得地物的几何、纹理和光谱等多维信息，为后续的应用提供基础。

三、数据融合与信息提取高分辨率遥感数据融合与信息提取是将多源数据融合，获取更丰富的地物信息的关键环节。

1. 数据融合：高分辨率遥感数据融合是指将不同源、不同分辨率的遥感数据进行融合，以获取更全面、更准确的地物信息。

常见的数据融合方法包括基于智能算法的融合、基于模型的融合等。

2. 信息提取：通过数据融合，可以获取到更丰富的地物信息。

高分辨率遥感影像的处理与分析在当今科技飞速发展的时代，高分辨率遥感影像已经成为了获取地球表面信息的重要手段。

它就像我们观察地球的“超级眼睛”，能够以极高的清晰度和精度呈现出地球上的各种地貌、植被、建筑物等。

然而，要想从这些海量的影像数据中提取出有价值的信息，就需要进行一系列复杂的处理和分析工作。

高分辨率遥感影像的特点十分显著。

首先，它具有极高的空间分辨率，这意味着我们能够看到更加精细的地物细节，比如建筑物的门窗、道路上的标线等。

其次，它包含丰富的光谱信息，能够让我们更好地区分不同类型的地物。

但与此同时，高分辨率遥感影像也带来了一些挑战。

比如，数据量巨大，处理起来需要耗费大量的时间和计算资源；由于成像条件的影响，可能存在几何变形、噪声等问题。

在对高分辨率遥感影像进行处理时，几何校正至关重要。

由于卫星在拍摄过程中可能会受到各种因素的影响，导致影像存在几何变形，使得影像中的地物位置与实际位置产生偏差。

为了纠正这种偏差，我们需要通过选取地面控制点，并利用相应的数学模型来进行几何校正，从而使影像能够准确地反映地物的真实位置和形状。

辐射校正也是必不可少的一步。

由于传感器的性能差异、大气散射等原因，影像的辐射亮度值可能会存在偏差。

通过辐射校正，我们可以消除这些偏差，使得不同时间、不同传感器获取的影像具有可比性，从而更准确地进行地物信息的提取和分析。

图像增强是为了突出影像中的有用信息，提高影像的可读性和可解译性。

常见的图像增强方法包括对比度拉伸、直方图均衡化等。

对比度拉伸可以加大影像中灰度值的差异，使得地物的轮廓更加清晰；直方图均衡化则是通过重新分布影像的灰度值，来增强影像的整体对比度。

影像融合则是将不同分辨率、不同光谱特性的影像进行整合，以获取更全面、更准确的信息。

例如，将高分辨率的全色影像与低分辨率的多光谱影像融合，可以在保持高空间分辨率的同时，又具有丰富的光谱信息。

在完成了影像的处理之后，接下来就是对其进行分析。

第３８卷第３期２０１５年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ．３８，Ｎｏ．３Ｍａｒ．，２０１５收稿日期：２０１４－０９－０３，修订日期：２０１５－０１－１２基金项目：国家自然科学基金（５１２１３８１１）资助作者简介：孔令婷（１９９１－），女，江苏南京人，摄影测量与遥感专业硕士研究生，主要研究方向为遥感图像处理与应用。

基于不同分辨率遥感影像的分类方法对比研究孔令婷，杨英宝，章　勇（河海大学地球科学与工程学院，江苏南京２１００９８）摘要：基于４种不同分辨率的遥感影像数据，分别为３０ｍ分辨率的Ｌａｎｄｓａｔ－８数据，融合Ｌａｎｄｓａｔ－８多光谱波段和全色波段的１５ｍ分辨率数据，５．８ｍ分辨率的资源３号卫星数据以及融合后２．１ｍ分辨率的资源３号卫星数据。

采用ＩＳＯ－ＤＡＴＡ、最大似然分类法和面向对象分类法对影像进行分类，对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。

结果显示在低分辨率影像中，面向对象方法受到限制，分类效果相比传统方法没有太大改善；而在高分辨率影像中，面向对象方法分类效果很好，并且随着分辨率提高分类精度也相应的提高。

关键词：高分辨率影像；分类；面向对象中图分类号：Ｐ２３７ 文献标识码：Ａ 文章编号：１６７２－５８６７（２０１５）０３－００４０－０４ＳｔｕｄｙｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＭｅｔｈｏｄｓＢａｓｅｄｏｎＤｉｆｆｅｒｅｎｔＲｅｓｏｌｕｔｉｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＫＯＮＧＬｉｎｇ－ｔｉｎｇ，ＹＡＮＧＹｉｎｇ－ｂａｏ，ＺＨＡＮＧＹｏｎｇ（ＳｃｈｏｏｌｏｆＥａｒｔｈＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｓｂａｓｅｄｏｎｆｏｕｒｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎｓｒｅｍｏｔｅ－ｓｅｎｓｉｎｇｉｍａｇｅｓ．３０ｍｒｅｓｏｌｕｔｉｏｎＬａｎｄｓａｔ－８ｉｍａｇｅｄａｔａ，１５ｍｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｆｕｓｅｄｂｙｍｕｌｔｉｓｐｅｃｔｒａｌｂａｎｄｓａｎｄｐａｎｃｈｒｏｍａｔｉｃｂａｎｄｏｆｌａｎｄｓａｔ－８ｄａｔａ，５．８ｍｒｅｓｏｌｕｔｉｏｎＺＹ－３ｉｍａｇｅｄａｔａａｎｄ１５ｍｒｅｓｏｌｕｔｉｏｎｆｕｓｉｏｎｉｍａｇｅ．ＩＳＯ－ＤＡＴＡ，ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｅｒｅｕｓｅｄ．Ｔｈｅｅｆｆｅｃｔｓｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｎｄｉｍｐａｃｔｏｆｒｅｓｏｌｕｔｉｏｎｃｈａｎｇｅｓｏｎｔｈｅａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｗｅｒｅａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈｉｓｌｉｍｉｔｅｄｉｎｌｏｗｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｉｓｎｏｔｍｕｃｈｉｍ－ｐｒｏｖｅｄｃｏｍｐａｒｅｄｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ．Ｗｈｉｌｅｉｎｔｈｅｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｏｒｋｓｗｅｌｌ，ａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓｉｍｐｒｏｖｅｄａｌｏｎｇｗｉｔｈｒｅｓｏｌｕｔｉｏｎｉｎｃｒｅａｓｅ．Ｋｅｙｗｏｒｄｓ：ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ０　引　言在传统的遥感影像分类中，基于像元的分类较多，包括监督和非监督分类法。

遥感数据分级遥感数据分级是一种基于遥感技术的数据处理方法，旨在将原始遥感数据按照一定的标准进行分类和分级，以便更好地进行地表特征的分析和研究。

本文将详细介绍遥感数据分级的标准格式，包括数据类型、分类标准和分级方法等内容。

一、数据类型遥感数据分级涉及多种数据类型，主要包括光学遥感数据和雷达遥感数据两大类。

1. 光学遥感数据：光学遥感数据是通过光学传感器获取的数据，包括可见光、红外线和微波等波段数据。

常见的光学遥感数据有高分辨率遥感影像、航空影像和卫星影像等。

2. 雷达遥感数据：雷达遥感数据是通过雷达传感器获取的数据，主要包括微波雷达和合成孔径雷达（SAR）数据。

雷达遥感数据具有穿透云雾和覆盖范围广等特点，在地表覆盖分类和变化监测中具有重要应用价值。

二、分类标准遥感数据分级的分类标准通常根据研究目的和数据特征来确定，常见的分类标准包括地物类型、地表覆盖类型和地表变化类型等。

1. 地物类型：根据地物的自然属性和功能特征，将遥感数据分为不同的地物类型，如水体、植被、建造物、道路、农田等。

2. 地表覆盖类型：根据地表覆盖的物理特征和空间分布，将遥感数据分为不同的地表覆盖类型，如森林、草地、湿地、城市、沙漠等。

3. 地表变化类型：根据地表的动态变化过程，将遥感数据分为不同的地表变化类型，如土地利用变化、植被变化、水体变化等。

三、分级方法遥感数据分级的方法多种多样，根据数据类型和分类标准的不同，可以采用不同的分级方法。

1. 基于像元的分级方法：基于像元的分级方法是将遥感数据按照像元的特征进行分类和分级。

常见的方法包括阈值分割、聚类分析和决策树分类等。

2. 基于对象的分级方法：基于对象的分级方法是将遥感数据按照地物对象的特征进行分类和分级。

常见的方法包括目标提取、目标识别和目标分类等。

3. 基于时序的分级方法：基于时序的分级方法是将遥感数据按照时间序列的变化进行分类和分级。

常见的方法包括时序分析、变化检测和趋势分析等。

遥感的面向对象分类法传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。

对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。

为解决这一传统难题，模糊分类技术应运而生。

模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。

通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。

模糊分类也提供了一个清晰的和可调整的特征描述。

对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。

影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。

此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。

面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。

面向对象的处理方法中最重要的一部分是图像分割。

随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。

这对遥感影像分类方法提出了挑战。

已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。

近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。

本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。

遥感图像分类中常见问题及解决方案遥感图像分类是遥感技术应用的重要方向之一，它通过对遥感图像进行像元级别的分类和识别，可以提取出地球表面的信息，帮助人们更好地理解地球上的自然和人文特征。

然而，在遥感图像分类过程中，常常会出现一些问题，影响分类结果的准确性和可靠性。

下面将介绍一些常见的问题，并提供相应的解决方案。

一、数据质量问题1.1 地物混杂：遥感图像中不同地物可能存在互相混杂的问题，例如建筑物和道路交叉处的混杂。

这会导致分类器难以准确判断一个像元属于哪一类别。

解决方案：可以通过使用更高分辨率的遥感图像或者融合多源数据来解决地物混杂问题。

另外，可以通过将图像切分成小块，并对每个小块进行分类，再对分类结果进行拼接，提高分类的准确性。

1.2 光照变化：不同光照条件下获取的遥感图像可能存在明暗差异，这会影响特征提取和分类的准确性。

解决方案：可以通过遥感图像的预处理操作，例如直方图均衡化、影像增强等手段，来消除光照变化的影响。

此外，可以采用多时相或多光谱数据进行分类，利用不同时刻或波段的信息来提高分类的准确性。

二、特征提取问题2.1 特征选择：遥感图像中存在大量的波段和像素信息，如何选择合适的特征对分类结果起到至关重要的作用。

解决方案：可以通过特征选择算法，例如相关系数、信息增益、互信息等方法，自动选择与分类任务相关的特征。

另外，可以通过主成分分析等降维技术，将高维的遥感图像数据转化为低维的特征表示，提高分类的效果。

2.2 特征提取：由于遥感图像表现出复杂的空间和光谱信息，如何提取出有用的特征对分类结果具有重要意义。

解决方案：可以通过图像处理和计算机视觉技术，提取出与分类任务相关的特征。

例如，可以采用纹理特征、形状特征、频谱特征等多种特征来描述遥感图像中的地物信息。

同时，还可以利用深度学习方法，通过卷积神经网络等结构，自动学习和提取图像中的具有判别性的特征。

三、样本不均衡问题遥感图像分类中常常存在一些地物类别样本数量过少的问题，这导致分类器在学习和预测时对这些类别的判断能力较差。

遥感数据的分类和处理技术遥感技术是指通过空间传感器获取地物信息数据，可对水文、气象、地质、生态等各个领域进行信息提取和分析。

遥感数据分类和处理技术是遥感技术中的关键技术之一，对于提高遥感数据的精度和可靠性具有重要意义。

一、遥感数据分类技术遥感数据的分类是指将从遥感影像中提取的特征信息经过处理和分类，得到不同地物类型的特征分类结果。

常用的遥感数据分类方法有地物目标分类、遥感影像分类、遥感人工分类等。

1.地物目标分类地物目标分类是指将遥感影像中的特定地物类型进行分类，如水体、森林、建筑等。

地物目标分类的分类方法有监督分类和非监督分类两种。

监督分类是指先选取一些代表地物类型的样本，通过对样本进行分类标记，然后对整幅遥感影像进行分类。

监督分类的精度高，但需要大量的时间和经费。

非监督分类是不通过事先定义样本，而利用影像本身的信息和算法，自动识别属于同一类别的像元聚在一起，形成分类的过程，该方法的效率高，但准确度低于监督分类。

2.遥感影像分类遥感影像分类是指将遥感影像分成不同的区域，每个区域代表一种地物类型。

常用的遥感影像分类方法有基于像素和基于对象的分类方法。

基于像素的分类方法是将图像分成像素点，每个像素点根据其自身的数值和空间位置进行分类。

基于对象的分类方法是将遥感影像中的像素点合并成一定的对象，然后将这些对象归为不同的类别。

在实际应用中，一般采用基于像素和基于对象相结合的方法，以提高分类结果的准确度和可信度。

3.遥感人工分类遥感人工分类是指人工对遥感影像进行分析和判断，根据目视观察和判断对遥感影像中的各种地物类型进行分类。

这种分类方法准确度较高，但需要人工参与，费时费力，且易受主观因素影响，难以应用于大范围内的分类任务。

二、遥感数据处理技术遥感数据处理是指对从遥感技术中获得的遥感数据进行处理，从中提取地物信息和特征等。

常用的遥感数据处理技术有影像增强、影像匹配、遥感植被指数、遥感地形指数等。

1.影像增强影像增强是指通过图像处理手段，将低质量的遥感影像转换为高质量的遥感影像，如增加图像的分辨率、增强图像的对比度、降低图像的噪声等。