Sorry, your browser cannot access this site
This page requires browser support (enable) JavaScript
Learn more >

遥感影像分类是将遥感影像标定为指定的地物类别。

遥感影像分类主要挑战在于(张良培,2018 第一届城市遥感会议):

  1. 混合像元问题
  2. 高维数据问题
  3. 同质异谱问题

以像素为基本单位,对每个像素的光谱向量进行特征提取(2005∼2010),或对每个像素进行光谱-空间特征表示(2012∼2017),使用分类器进行逐像素分类,并对分类结果图进行后处理。

高分辨率遥感影像分类面临的主要挑战:

  1. 建筑物、道路、植被等地物类别具有明显的几何纹理特征;
  2. 成像光谱波段变少,“同物异谱”、“异谱同物”现象大量发生;
  3. 地物类内方差变大,类间方差变小。

面向像素的分类方法往往在分类图中产生椒盐效应,降低了分类图的视觉效果和分类精度。面向对象方法(2005∼2015)以分割后的对象为基本处理单元,能够取得更优的分类结果。

过去十年,面向像素的分类和面向对象的分类都已臻于成熟。

新需求:遥感影像走向更高层次的语义信息挖掘——场景的理解。

  1. 经过近十年的研究,面向像素的分类和面向对象的分类都已臻于成熟,并具备了大量高分辨率遥感影像解译的研究基础;
  2. 高分辨率遥感影像蕴含丰富的场景语义信息,且数据源越来越多样化,为场景语义解决提供了坚实的数据基础;
  3. 遥感场景语义理解在城市规划、交通运输、资源调查等应用领域具有较好的应用前景。

基于目标识别的场景理解方法待解决的问题

  1. 地物目标识别精度对影像场景理解精度的影响;
  2. 如何提取高效的场景中地物目标分布特征。

基于深度学习的场景理解特点和待解决问题

基于深度学习场景理解方法的特点

  1. 不需要地物目标的先验知识;
  2. 场景影像的特征通过自主学习获得;
  3. 模型参数往往较多,模型复杂度高。

基于深度学习场景理解待解决的问题

  1. 需要大量的训练样本集,或利用已有的深度学习进行模型迁移;
  2. 针对遥感场景影像的内在特点,寻找合适的模型选择方法;
  3. 通过软件或硬件等手段,提高基于深度学习场景理解方法的计算时间。

评论