遙感圖像分類技術?

遙感圖像分類技術

什么是遙感圖像分類？?

圖像分類 是將土地覆蓋類分配給像素的過程。例如，這些 9 global land cover data sets 將圖像分為森林、城市、農業和其他類別。

一般來說，這是遙感中的三種主要圖像分類技術：

• 無監督圖像分類

  

  微信號：MeetyXiao
  添加微信好友, 獲取更多信息
  復制微信號

• 監督圖像分類

• 基于對象的圖像分析

Unsupervised and supervised image classification techniques 是兩種最常見的 *** 。然而， object-based classification 因為它對高分辨率數據很有用，所以最近使用得更多。

有監督分類和無監督分類有哪些區別？通過閱讀了解更多信息。

閱讀更多:15 Free Satellite Imagery Data Sources

無監督分類?

無監督分類示例

在無監督分類中，它首先根據像素的屬性將其分組為“集群”。為了創建“集群”，分析人員使用圖像聚類算法，如k-means和isodata。在大多數情況下，他們可以使用這個 list of free remote sensing software 創建土地覆蓋圖。

在選擇了一個聚類算法之后，您可以確定要生成的組的數量。例如，可以創建8個、20個或42個集群。清楚地說，這些是未分類的集群，因為在下一步中，您將用土地覆蓋類手動標識每個集群。例如，如果要將植被和非植被分類，則必須將集群合并為兩個集群。

總的來說，無監督分類是最基本的技術。因為您不需要樣本進行無監督分類，所以這是一種簡單的分割和理解圖像的 *** 。

無監督分類步驟：

• 生成群集

• 分配類

無監督分類圖

監督分類?

監督分類示例：ikonos

在監督分類中，為每個土地覆蓋類別選擇代表性樣本。然后，軟件使用這些“培訓站點”，并將它們應用于整個圖像。

監督分類使用訓練集中定義的光譜特征。例如，它根據培訓集中最相似的內容來確定每門課。常用的監督分類算法有極大似然分類和最小距離分類。

閱讀更多： Supervised and Unsupervised Classification in ArcGIS

監督分類步驟：

• 選擇培訓區域

• 生成簽名文件

• 分類

監督分類圖

基于對象（或面向對象）的圖像分析分類?

基于對象的分類

監督和非監督分類是基于像素的。換句話說，它創建正方形像素，每個像素都有一個類。但是基于對象的圖像分類將像素分為具有代表性的形狀和大小。這一過程是多分辨率分割或段均值偏移。

多分辨率分割通過像素分組產生均勻的圖像對象。它同時生成圖像中具有不同比例的對象。這些對象更有意義，因為它們代表圖像中的特征。

基于對象的圖像分析（OBIA）分割是一個將相似像素分組為對象的過程。

但最重要的是，您可以根據紋理、上下文和幾何體對對象進行分類。

OBIA分類使用物體的形狀、大小和光譜特性對每一個物體進行分類。

在obia中，您可以使用多個條帶來創建對象，然后對它們進行分類。例如，obia可以使用紅外線、仰角或形狀文件對每個對象進行分類。此外，層之間可以有上下文。例如，對象在相鄰對象之間具有鄰近關系和距離關系。

Nearest neighbor (NN) classification 類似于監督分類。在多分辨率分割之后，用戶為每個土地覆蓋類別識別樣本站點。接下來，他們定義統計信息來對圖像對象進行分類。最后，最近鄰根據對象與訓練站點的相似性和定義的統計信息對對象進行分類。

基于對象的分類圖

Object-Based Nearest Neighbor Classification Steps:

• 執行多分辨率分割

• 選擇培訓區域

• 定義統計信息

• 分類

閱讀更多： Nearest Neighbor Classification Guide in ECognition

遙感數據趨勢?

1972年，陸地衛星1號是之一顆以60米分辨率收集地球反射率的衛星。目前，無監督分類和監督分類是兩種可用的圖像分類技術。對于這個空間分辨率，這就足夠了。

然而，作為一種數字圖像處理技術，obia已經顯著增長。

圖像分類時間線

多年來，對遙感數據的需求不斷增長。有 hundreds of remote sensing applications 包括食品安全、環境問題和公共安全。為了滿足需求，衛星圖像的目標是在更寬的頻率范圍內獲得更高的空間分辨率。

遙感數據趨勢：

• 更普遍

• 更高的空間分辨率

• 更寬的頻率范圍

但是高分辨率的圖像不能保證更好的土地覆蓋。所使用的圖像分類技術是提高精度的一個非常重要的因素。

圖像分類技術的選擇?

假設你想在高空間分辨率的圖像中對水進行分類。

你決定選擇 all pixels with low NDVI 在那個圖像中。但這也可能導致圖像中其他非水像素的錯誤分類。因此，基于像素的分類（如無監督和監督的分類）提供了一種鹽和胡椒的外觀。

人類自然地將空間信息聚集成群體。多分辨率分割通過將同質像素分組為對象來完成此任務。水特征在多分辨率分割后很容易識別。這就是人類形象化空間特征的方式。

• 什么時候應該使用基于像素的分類（無監督和監督分類）？

• 什么時候應該使用基于對象的分類？

空間分辨率：低中高

如中所示 this article 空間分辨率是選擇圖像分類技術的重要因素。

當你有 低空間分辨率 傳統的基于像素和基于對象的圖像分類技術都表現良好。

但當你有 高空間分辨率 obia優于傳統的基于像素的分類。

無監督vs有監督vs基于對象的分類?

圖像分類技術精度評估

阿肯色大學的一個案例研究比較 object-based vs pixel-based classification。 目的是比較高分辨率和中分辨率圖像。

總體而言，基于對象的分類優于無監督和有監督的基于像素的分類 *** 。因為obia同時使用了光譜和上下文信息，所以它具有更高的準確性。這項研究是一個很好的例子，說明了基于像素的圖像分類技術的一些局限性。

閱讀更多: 9 Free Global Land Cover / Land Use Data Sets

基于對象的分類增長?

像素是圖像中表示的最小單位。圖像分類使用單個像素的反射統計信息。

在技術進步和高空間分辨率圖像的可用性方面，已經有了很大的增長。但是圖像分類技術也應該被考慮在內。聚焦于基于對象的圖像分析，以提供高質量的產品。

根據谷歌學者的搜索結果，所有的圖像分類技術都顯示出出版物數量的穩步增長。近年來，基于對象的分類 *** 有了很大的發展。

此圖使用“alliantile：”搜索短語顯示谷歌學者的年度搜索結果。

出版物圖像分類技術的發展

如果您喜歡本圖像分類技術指南，我建議您下載 remote sensing image classification infographic。

參考文獻：?

來源：開源地理空間基金會中文分會

來源鏈接：https://www.osgeo.cn/post/11948

本站聲明:網站內容來源于 *** ,如有侵權,請聯系我們,我們將及時處理。