查看“︁遥感图像解译与分类”︁的源代码

{{Infobox
| title = 遥感图像解译与分类
| en_title = Remote Sensing Image Interpretation and Classification
| image = Supervised_classification_example.jpg
| image_caption = 监督分类流程示意图：从选择训练样本到生成最终的分类图。
| field = [[遥感]]
| principle = 根据遥感影像上地物表现出的光谱、纹理、形状等特征，识别地物类别并提取专题信息的过程。
| core_concept = 光谱特征、空间特征、监督分类、非监督分类
| application = [[土地利用]]/[[土地覆盖]]变化监测、[[自然资源]]调查、[[环境监测]]、[[城市规划]]
}}

'''遥感图像解译'''（Remote Sensing Image Interpretation）是指通过直接观察或借助计算机，分析和识别遥感影像上的各种地物，并提取有用信息的过程。'''遥感图像分类'''（Remote Sensing Image Classification）是图像解译中最核心、应用最广泛的技术之一，其目的是根据地物在遥感影像上不同的'''光谱特征'''或其他特征，为影像中的每一个像元（Pixel）赋予一个特定的类别标签（如水体、植被、建筑等），从而生成专题地图。

解译与分类是利用遥感数据获取地球表面信息、服务于各种应用的关键环节。

== 解译的标志 ==
在人工目视解译中，解译员主要依赖以下八大特征（或称“解译标志”）来识别地物：
1.  '''色调/颜色 (Tone/Color)'''：地物对不同光谱波段的反射率差异，在影像上表现为不同的灰度值（黑白影像）或颜色（彩色影像）。这是最基本、最重要的解译标志。
2.  '''形状 (Shape)'''：地物的外部轮廓。例如，飞机场的跑道、河流、矩形的农田等都具有独特的形状。
3.  '''大小 (Size)'''：地物相对于影像中其他熟悉地物的尺寸。例如，可以根据大小区分高速公路和乡村小路。
4.  '''纹理 (Texture)'''：影像上由像元灰度频繁、重复变化而形成的特征，表现为粗糙或平滑。例如，森林的纹理通常比草地更粗糙。
5.  '''阴影 (Shadow)'''：地物因自身高度或周边地物遮挡阳光而产生的阴影。阴影可以辅助判断地物的高度和形状（如高楼、桥梁）。
6.  '''模式 (Pattern)'''：地物的空间排列方式。例如，城市中街道网络的格网状模式，果园中树木的行列式模式。
7.  '''位置 (Site)'''：地物所处的地理环境。例如，商业区通常位于城市中心，水库通常建在山谷的出口处。
8.  '''组合 (Association)'''：不同地物之间的关联关系。例如，一个大型体育场旁边通常会有关联的停车场和道路。

== 计算机图像分类方法 ==
随着计算机技术的发展，自动或半自动的图像分类已成为主流。主要分为两大类：

=== 监督分类 (Supervised Classification) ===
也称为“训练区分类法”。其过程是：
1.  '''选择训练样本'''：由操作员在影像上勾选出若干块已知真实类别（通过实地调查或高分辨率影像确认）的区域，作为“训练样本”或“感兴趣区”（Region of Interest, ROI）。
2.  '''特征提取'''：计算机分析训练样本的光谱特征（如每个波段的均值、方差等），为每个地物类别建立一个判别模型或“签名”（Signature）。
3.  '''分类'''：计算机逐个检查影像中的每一个未知像元，根据其光谱特征与哪个类别的模型最相似，就将其归入该类别。
4.  '''精度评价'''：使用独立于训练样本的“测试样本”来评估分类结果的准确性。

常用的监督分类算法包括：最小距离法、最大似然法（Maximum Likelihood）、支持向量机（SVM）、随机森林（Random Forest）以及近年来兴起的深度学习方法（如CNN）。

=== 非监督分类 (Unsupervised Classification) ===
也称为“聚类分析”。其过程是：
1.  '''聚类'''：由计算机自动根据像元光谱特征的相似性，将影像中的所有像元“物以类聚”成若干个簇（Cluster）。操作员无需提供任何先验知识，只需指定希望生成的簇的数量。
2.  '''类别定义'''：在聚类完成后，由操作员对每个簇所代表的实际地物类别进行识别和命名。

常用的非监督分类算法包括：K-均值（K-Means）、ISODATA等。非监督分类通常用于对测区地物类别完全未知的情况进行初步探索。

=== 面向对象的分类 (Object-Based Image Analysis, OBIA) ===
传统的分类方法都是基于单个像元的光谱值，这常常导致分类结果出现“椒盐噪声”。面向对象的分类方法首先将影像分割成许多个同质的'''对象'''（即由多个相邻且相似的像元组成的图斑），然后再对这些对象进行分类。在分类时，不仅可以利用对象的光谱特征，还可以利用其形状、大小、纹理、与邻域对象的关系等多种特征，因此通常能获得比基于像元的方法更准确、更符合地理实体边界的分类结果。

== 参见 ==
* [[遥感]]
* [[土地利用]]
* [[模式识别]]
* [[计算机视觉]]

[[Category:摄影测量与遥感]]