卫星遥感图像分类是将土地覆盖类别分配给像素的过程。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。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。

无监督分类算法

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均值聚类算法（k-means）和迭代自组织数据分析算法（isodata）。

总的来说，无监督分类是最基本的技术。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。

监督分类算法

监督分类算法是遥感图像分类的一种，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。

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，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。监督分类可分两个基本步骤：选择训练样本和提取统计信息，以及选择分类算法。

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。

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。但最重要的是可以根据纹理、上下文和几何体对对象进行分类。

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。

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。

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。

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？

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。

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。

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。