第十一章 遥感数字图像分类

1. 遥感数字图像分类概述

遥感数字图像分类是通过分析多光谱或高光谱影像的光谱特征、空间特征及纹理特征，将图像中每个像素或像元划分为特定地物类别的过程。其核心目标是将复杂的遥感数据转化为具有明确语义的地理信息，广泛应用于土地利用监测、环境变化分析、灾害评估等领域。

分类流程可分为三个阶段：

• 数据预处理：包括辐射校正、几何校正、大气校正等，消除传感器误差及环境干扰；
• 特征提取：通过主成分分析（PCA）、独立成分分析（ICA）或纹理特征提取（如GLCM）降低数据维度；
• 分类器设计：选择监督分类（如最大似然法、支持向量机）或非监督分类（如K-means、ISODATA）算法实现类别划分。

2. 监督分类方法详解

监督分类需预先定义训练样本，通过学习样本的光谱特征建立分类模型。典型算法包括：

2.1 最大似然分类（MLC）

基于贝叶斯决策理论，假设各类别服从正态分布，计算像素属于各类的概率并选择最大值作为分类结果。其数学表达式为：

# 伪代码示例：最大似然分类概率计算
def max_likelihood_classify(pixel, class_means, class_covariances):
    probabilities = []
    for mean, cov in zip(class_means, class_covariances):
        # 计算多元正态分布概率密度
        diff = pixel - mean
        exponent = -0.5 * np.dot(np.dot(diff.T, np.linalg.inv(cov)), diff)
        det_cov = np.linalg.det(cov)
        prob = (1 / ((2 * np.pi) ** (len(pixel)/2) * np.sqrt(det_cov))) * np.exp(exponent)
        probabilities.append(prob)
    return np.argmax(probabilities)

优势：理论成熟，分类结果稳定；局限：对类别分布的正态性假设敏感，且计算复杂度较高。

2.2 支持向量机（SVM）

通过寻找最优超平面实现类别分离，尤其适用于高维数据。核函数（如RBF核）可处理非线性分类问题。实际应用中，SVM在少量训练样本下仍能保持较高精度。

优化建议：

• 使用网格搜索（Grid Search）调优惩罚参数C和核函数参数γ；
• 结合PCA降维减少特征冗余。

3. 非监督分类方法解析

非监督分类无需先验知识，通过数据内在结构自动划分类别。典型算法包括：

3.1 K-means聚类

基于距离度量（如欧氏距离）将数据划分为K个簇，迭代优化簇中心。其伪代码如下：

# K-means伪代码示例
def kmeans(data, k, max_iter=100):
    centroids = random_init(data, k)  # 随机初始化簇中心
    for _ in range(max_iter):
        clusters = assign_clusters(data, centroids)  # 分配簇标签
        new_centroids = update_centroids(data, clusters)  # 更新簇中心
        if np.allclose(centroids, new_centroids):
            break
        centroids = new_centroids
    return clusters

应用场景：快速探索数据分布，但需人工确定K值及类别语义。

3.2 ISODATA算法

改进的K-means，通过动态合并（距离小于阈值）和分裂（标准差大于阈值）操作自动调整类别数量。适用于类别数量未知且分布复杂的场景。

4. 分类精度提升策略

4.1 多特征融合

结合光谱特征、空间特征（如形状指数）及上下文特征（如邻域统计）可显著提升分类精度。例如，在植被分类中，NDVI（归一化植被指数）与纹理特征（如对比度）的组合优于单一光谱特征。

4.2 深度学习应用

卷积神经网络（CNN）通过自动学习层次化特征，在遥感分类中表现突出。典型网络结构包括：

• U-Net：编码器-解码器结构，适用于小样本场景；
• ResNet：残差连接缓解梯度消失，提升深层网络性能。

实践建议：

• 使用预训练模型（如ResNet50）进行迁移学习；
• 数据增强（旋转、翻转）扩充训练集。

4.3 后处理优化

分类结果后处理可消除噪声和孤立像元。常用方法包括：

• 形态学滤波：开运算（先腐蚀后膨胀）去除小斑块；
• 多数滤波：以窗口内多数类别替换中心像元类别。

5. 实际应用案例分析

以某城市土地利用分类为例，采用Landsat 8影像（30m分辨率），流程如下：

1. 数据预处理：FLAASH大气校正消除气溶胶影响；
2. 特征提取：计算NDVI、NDBI（归一化建筑指数）及6个主成分；
3. 分类方法：SVM（RBF核）分类，精度达92.3%；
4. 结果验证：与实地采样点对比，Kappa系数0.89。

经验总结：

• 多时相数据融合可提升时序变化检测精度；
• 结合高分辨率影像（如Sentinel-2）可细化小地物类别。

6. 未来发展趋势

随着遥感技术进步，分类方法正朝以下方向发展：

• 多模态融合：结合光学、SAR及LiDAR数据提升分类鲁棒性；
• 实时分类：边缘计算与轻量化模型（如MobileNet）实现近实时处理；
• 弱监督学习：利用少量标注样本与大量未标注样本训练模型。

遥感数字图像分类作为遥感技术的核心环节，其方法选择与优化需综合考虑数据特性、应用需求及计算资源。通过融合传统机器学习与深度学习技术，结合多特征提取与后处理策略，可显著提升分类精度，为地理国情监测、生态保护等提供可靠数据支撑。