遥感图像分类：挑战与方法

"遥感图像分类中的若干问题-第六章 遥感图像计算机解译" 遥感图像分类是遥感技术中一个关键步骤，它涉及到如何从遥感图像中提取有用信息并将其归类到特定的地物类别。在进行遥感图像分类时，会遇到一系列挑战和问题，这些挑战主要包括大气状况的影响、下垫面的影响以及其他因素的影响。 1. 大气状况的影响：大气条件，如吸收和散射，会影响遥感图像的光谱特性。大气污染物、水汽和气溶胶粒子可以改变到达地面的太阳辐射，导致图像上地物的真实颜色和反射率发生偏移，从而影响分类的准确性。 2. 下垫面的影响：混合像元问题是遥感图像分类中的一个主要难题，因为一个像素可能包含不同地物类型的混合信息。例如，城市区域可能存在建筑物、草地和道路的混合，使得单一像素难以准确反映单一地物类型。地形因素如坡度、阴影和反射也会导致光谱响应的变化，增加分类的复杂性。 3. 其他因素：云雾遮挡可能导致部分区域无法观测，而多时相图像则需要处理时间序列的变化，边界问题则涉及如何准确地区分相邻地物类别的边界。 遥感图像计算机分类通常采用不同的方法来克服这些问题。其中，决策树分类法是一种基于规则的分类方法，通过对特征的递归分割形成决策树结构，实现对图像像素的分类。人工神经网络分类法模拟人脑神经网络的结构和功能，通过学习和训练找到最佳分类模型。模糊分类法则考虑了地物类别之间的边界模糊性，允许像素具有多重归属的可能性。 遥感图像的性质与特点是进行有效分类的基础。遥感数字图像以二维数组形式存储，便于计算机处理和分析，且图像信息损失较少，抽象性强。像素是图像的基本表达单位，具有空间特征和属性特征，可分为正像素和混合像素。根据波段数量，遥感图像可以分为二值图像、彩色图像、单波段图像和多波段图像。遥感像片的数字化过程中，需要进行空间采样、量化以及多波段的配准。 遥感图像计算机分类不仅仅是模式识别的过程，还包括地学分析、遥感图像处理、GIS、模式识别和人工智能等技术的综合应用。它的目标是实现从人工目视解译向计算机支持的遥感图像理解转变，以提高解译效率和准确性。虽然计算机解译速度快，但解译难度大，需要综合多种技术手段来优化分类效果。例如，Landsat TM真彩色合成影像分类后的影像就展示了这些技术的实际应用。