基于遥感影像的分类技术(监督/非监督和面向对象的分类技术)

简介: 基于遥感影像的分类技术(监督/非监督和面向对象的分类技术)

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,类别包括水、城市、森林、农业和草原。”前言 – 人工智能教程


什么是遥感图像分类?

遥感图像分类技术的三种主要类型是:

  • 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是两种最常见的方法。

然而,基于对象的分类越来越受欢迎,因为它对于高分辨率数据很有用。

1.无监督分类

在无监督分类中,它首先根据像素的属性将像素分组为“簇”。然后,使用土地覆盖类别对每个聚类进行分类。

总的来说,无监督分类是最基本的技术。由于您不需要样本进行无监督分类,因此这是分割和理解图像的简单方法。

无监督分类的两个基本步骤是:

  • 生成簇
  • 分配班级

使用遥感软件,我们首先创建“集群”。一些常见的图像聚类算法是:

  • K-均值
  • ISO数据

选择聚类算法后,您可以确定要生成的组数。例如,您可以创建 8、20 或 42 个集群。较少的簇在组内具有更多相似的像素。但更多的聚类会增加组内的变异性。

需要明确的是,这些是未分类的集群。下一步是手动为每个聚类分配土地覆盖类别。例如,如果您想要对植被和非植被进行分类,您可以选择最能代表它们的聚类。

阅读更多ArcGIS 中的监督和非监督分类

2. 监督分类

在监督分类中,您为每个土地覆盖类别选择代表性样本。然后,该软件使用这些“训练站点”并将其应用到整个图像。

监督分类的三个基本步骤是:

  • 选择培训领域
  • 生成签名文件
  • 分类

对于监督图像分类,您首先创建训练样本。例如,您可以通过在图像中标记城市区域来标记它们。然后,您将继续在整个图像中添加代表的训练站点。

对于每个土地覆盖类别,您将继续创建训练样本,直到获得每个类别的代表性样本。反过来,这将生成一个签名文件,其中存储所有训练样本的光谱信息

最后,最后一步是使用签名文件来运行分类。从这里,您必须选择一种分类算法,例如:

  • 最大似然
  • 最小距离
  • 主要成分
  • 支持向量机(SVM)
  • 异簇

多项研究表明, SVM 是遥感领域最好的分类算法之一。但每个选项都有自己的优点,您可以自己测试一下。

阅读更多15 个免费卫星图像数据源

3. 基于对象的图像分析(OBIA)

监督和非监督分类是基于像素的。换句话说,它创建方形像素,并且每个像素都有一个类别。但基于对象的图像分类将像素分组为具有大小和几何形状的代表性矢量形状。

以下是执行基于对象的图像分析分类的步骤:

  • 执行多分辨率分割
  • 选择培训领域
  • 定义统计数据
  • 分类

基于对象的图像分析 (OBIA)通过对像素进行分组来分割图像。它不会创建单个像素。相反,它生成具有不同几何形状的对象。如果您拥有正确的图像,物体就会变得非常有意义,以至于它可以为您进行数字化。例如,下面的分割结果突出显示了建筑物。

两种最常见的分割算法是:

在基于对象的图像分析 (OBIA) 分类中,您可以使用不同的方法对对象进行分类。例如,您可以使用:

形状:如果要对建筑物进行分类,可以使用形状统计数据,例如“矩形拟合”。这将测试对象的几何形状是否为矩形。

纹理:纹理是物体的同质性。例如,水大部分是均质的,因为它大部分是深蓝色的。但森林有阴影,是绿色和黑色的混合体。

光谱:您可以使用光谱属性的平均值,例如近红外、短波红外、红色、绿色或蓝色。

地理环境:对象之间存在邻近关系和距离关系。

最近邻分类: 最近邻 (NN) 分类与监督分类类似。多分辨率分割后,用户识别每个土地覆盖类别的样本点。接下来,他们定义统计数据以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数据对对象进行分类。

阅读更多eCognition 中的最近邻分类指南

您应该使用哪种图像分类技术?

假设您想要对高空间分辨率图像中的水进行分类。

您决定选择该图像中NDVI 较低的所有像素。但这也可能会对图像中非水的其他像素进行错误分类。因此,基于像素的分类(例如无监督和监督分类)给人一种椒盐的感觉。

人类自然地将空间信息聚合成组。多分辨率分割通过将同质像素分组为对象来完成此任务。多分辨率分割后水景很容易识别。这就是人类可视化空间特征的方式。

  • 什么时候应该使用基于像素的(无监督和监督分类)?
  • 什么时候应该使用基于对象的分类?

正如本文所述,空间分辨率是选择图像分类技术时的一个重要因素。

当您拥有低空间分辨率图像时,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,当您拥有高空间分辨率图像时,OBIA 优于传统的基于像素的分类。

遥感数据趋势

1972 年,Landsat-1 是第一颗以 60 米分辨率收集地球反射率的卫星。此时,无监督分类和监督分类是可用的两种图像分类技术。对于这个空间分辨率来说,这已经足够了。

然而,OBIA 作为一种数字图像处理技术已经取得了显着的发展。

多年来,对遥感数据的需求不断增长。只需查看我们的列表,其中包括数百个遥感应用程序。例如,食品安全、环境和公共安全对卫星图像的需求很高。

为了满足需求,卫星图像的目标是在更广泛的频率范围内获得更高的空间分辨率。以下是过去几年出现的一些主要遥感数据趋势。

  • 更无处不在
  • 更高的空间分辨率
  • 更广泛的频率范围(包括高光谱)

但更高分辨率的图像并不能保证更好的土地覆盖。使用的图像分类技术是提高准确性的非常重要的因素。

无监督、监督、基于对象的分类

阿肯色大学的案例研究比较了基于对象的分类与基于像素的分类。目标是比较高中空间分辨率图像。

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。由于 OBIA 同时使用光谱和上下文信息,因此具有更高的准确性。

这项研究是基于像素的图像分类技术的一些局限性的一个很好的例子。

阅读更多: 10 个免费的全球土地覆盖/土地利用数据集

基于对象的分类的增长

像素是图像中表示的最小单位。图像分类使用各个像素的反射率统计数据。

技术进步和高空间分辨率图像的可用性有了很大的发展。但图像分类技术也应该考虑在内。人们的注意力集中在基于对象的图像分析上,以提供优质的产品。

根据Google Scholar的搜索结果,所有图像分类技术的出版物数量都呈现稳定增长。最近,基于对象的分类显示出很大的增长。

出版物图像分类技术的发展

如果您喜欢本图像分类技术指南,我建议您下载遥感图像分类信息图

参考

1. Blaschke T,2010。基于对象的遥感图像分析。ISPRS 摄影测量与遥感杂志 65 (2010) 2–16
2. 基于对象的分类与基于像素的分类:多分辨率图像的相对重要性(Robert C. Weih, Jr. 和 Norman D. Riggan, Jr.)
3. 多分辨率分割:高质量多尺度图像分割的优化方法(Martin Baatz 和 Arno Schape)
4. Trimble eCognition Developer

相关文章
|
2月前
|
机器学习/深度学习 运维 安全
图神经网络在欺诈检测与蛋白质功能预测中的应用概述
金融交易网络与蛋白质结构的共同特点是它们无法通过简单的欧几里得空间模型来准确描述,而是需要复杂的图结构来捕捉实体间的交互模式。传统深度学习方法在处理这类数据时效果不佳,图神经网络(GNNs)因此成为解决此类问题的关键技术。GNNs通过消息传递机制,能有效提取图结构中的深层特征,适用于欺诈检测和蛋白质功能预测等复杂网络建模任务。
108 2
图神经网络在欺诈检测与蛋白质功能预测中的应用概述
|
8月前
|
存储 机器学习/深度学习 人工智能
AIGC训练场景下的存储特征研究
在今天这样以AIGC为代表的AI时代下,了解训练场景对于存储的具体诉求同样是至关重要的。本文将尝试解读WEKA的一个相关报告,来看看AIGC对于存储有哪些具体的性能要求。
95153 8
|
5月前
|
计算机视觉
利用各类回归模型,对数据集进行建模
【8月更文挑战第8天】利用各类回归模型,对数据集进行建模。
54 4
|
8月前
|
编解码 人工智能 自然语言处理
扩散模型的多元化应用:药物发现、文本生成、时间序列预测等
AlphaFold3是DeepMind的蛋白质结构预测软件,它引入扩散模型以提升预测准确性。扩散模型通过逐步添加和去除噪声来理解和生成数据,应用广泛,包括图像、音频、文本和时间序列数据的处理。在图像领域,它们擅长合成、编辑和超分辨率;在文本处理中,扩散模型在代码合成和问答任务中表现出色;在音频和视频生成方面也有重要应用;同时,它们在时间序列预测和增强模型鲁棒性方面也展现出潜力。随着技术发展,扩散模型将在更多领域发挥作用。
309 0
|
机器学习/深度学习 数据采集 编解码
PIE Engine机器学习遥感影像监督分类全流程(附源码)
本文中,作者基于PIE Engine遥感云计算平台进行遥感影像监督分类,详细介绍了遥感影像分类的数据预处理、模型训练及结果可视化。
1989 2
|
机器学习/深度学习 自然语言处理 算法
预测蛋白质间相互作用更准确、更细致,一个基于基因本体术语集的Transformer框架
预测蛋白质间相互作用更准确、更细致,一个基于基因本体术语集的Transformer框架
140 0
预测蛋白质间相互作用更准确、更细致,一个基于基因本体术语集的Transformer框架
|
机器学习/深度学习 存储 数据采集
使用深度神经网络对肿瘤图像进行分类
使用 Inception-v3 深度神经网络对可能不适合内存的多分辨率全玻片图像 (WSI) 进行分类。 用于肿瘤分类的深度学习方法依赖于数字病理学,其中整个组织切片被成像和数字化。生成的 WSI 具有高分辨率,大约为 200,000 x 100,000 像素。WSI 通常以多分辨率格式存储,以促进图像的高效显示、导航和处理。
176 0
|
人工智能 数据处理 计算机视觉
用于半监督医学图像分割的多模态对比互学习和伪标签再学习方法
用于半监督医学图像分割的多模态对比互学习和伪标签再学习方法
662 0
|
数据挖掘
实验三:遥感影像目视解译与非监督分类
实验三:遥感影像目视解译与非监督分类
279 0
|
机器学习/深度学习 编解码 人工智能
2022最新综述!一文详解多目标跟踪方法最新进展(单帧/多帧/特征/相关性)
多目标跟踪(MOT)旨在跨视频帧关联目标对象,以获得整个运动轨迹。随着深度神经网络的发展和对智能视频分析需求的增加,MOT在计算机视觉领域的兴趣显著增加。嵌入方法在MOT中的目标位置估计和时间身份关联中起着至关重要的作用,与其他计算机视觉任务(如图像分类、目标检测、重识别和分割)不同,MOT中的嵌入方法有很大的差异,并且从未被系统地分析和总结。本综述首先从七个不同的角度对MOT中的嵌入方法进行了全面概述和深入分析,包括补丁级嵌入、单帧嵌入、跨帧联合嵌入、相关嵌入、顺序嵌入、小轨迹嵌入和跨轨迹关系嵌入。论文进一步总结了现有广泛使用的MOT数据集,并根据其嵌入情况分析了现有最先进方法的优势策略。
2022最新综述!一文详解多目标跟踪方法最新进展(单帧/多帧/特征/相关性)