遥感的最终成果之一是从遥感图像中获取信息，而遥感分类是获取信息的重要手段。 同时，遥感影像分类也是遥感技术研究的热点方向，每年都有新的分类方法出台。
本小节的主要内容：
遥感分类的基本概念。
常用的遥感分类方法。
遥感影像通过亮度值或像素值（反映物体的光谱信息）和空间变化（反映物体的空间信息）的差异来表示不同特征的差异，是区分不同图像特征的物理基础。 遥感影像分类是利用计算机对遥感影像中各种地面物体的光谱信息和空间信息进行分析，选择特征，按照一定的规则或算法将影像中的每个像素点划分为不同的类别，然后得到遥感影像中实际地面物体的相应信息， 从而实现遥感影像的分类。
不同的特征具有不同的光谱特征，同一类特征具有相似的光谱特征，由不同检测波段组成的多波段数字影像是对特征特征的量化，遥感影像的分类是基于图像中反映的同类特征的光谱相似性和不同类型物体的光谱差异， 根据图像的特征向量，建立判别函数，最终将遥感图像自动划分为几种类型的特征。由于遥感影像数据量大、成像复杂，遥感影像具有一定的特点和原理。
与一般数字图像分类相比，遥感影像分类有其自身的特点，遥感影像分类的特点如下：
1）数据量大。遥感影像通常具有大量的光谱波段，每个像素点在不同的波段具有不同的光谱特征，因此遥感影像分类是处理多个波段的操作。
2）复杂性。虽然大多数特征都符合“同一种特征具有相同的光谱特征，不同的特征具有不同的光谱特征”的原则，但在大多数情况下，同一类特征将具有不同的光谱特征，即“均匀特征”，相同的光谱特征代表不同的特征，即“异物具有相同的光谱”。
3）需要预处理。同时，由于处理多波段遥感数据的计算量较大，因此在分类前采用特征判别来确定一定的预处理方法，既可以减少计算量，又能为多波段数据的处理提供一种途径。
遥感影像分类方法大致可归纳为三类：
计算机自动分类可分为：基于光谱的计算机分类（监督分类和无监督分类）、基于专家知识的决策树分类、面向对象的图像分类和深度学习图像分类。
此外，还有定量反演、遥感动态监测、DEM提取等。
事实上，机器学习的概念早在上个世纪就已经在遥感领域提出，并且早已出现了神经网络、支持向量机等机器学习算法，它们属于遥感领域的监督分类范畴。
（1）无监督分类
无监督分类：也称为聚类分析或点聚类分类。 在多光谱图像中搜索和定义自然相似光谱簇的过程。 它不需要获取图像对象的先验知识，而只是依靠图像上不同类型对象的光谱（或纹理）信息进行特征提取，然后对特征的差异进行统计，以达到分类的目的，最后确认已经划分的每个类别的实际属性。
目前比较常见和成熟的是isodata、链法等。 遥感影像的无监督分类一般包括以下六个步骤：
图：无监督分类过程。
图像分析：对图像进行分析，大致确定主要特征的类别数量。
分类器选择：选择适当的分类方法。
图像分类：设置分类器的参数，用于对图像进行分类。
类别定义：一般情况下，需要设置多个类别，然后重新识别和合并不是监督分类的结果。
类别重新编码：重新定义已定义类别的类别 ID。
结果验证：对分类结果进行评估，以确定分类的准确性和可靠性。
（二）监督分类
监督分类：也称为训练分类法，这是使用已确认类别的样本细胞来识别其他未知类细胞的过程。 即在分类前，通过目视解译和野外调查，先验了解遥感影像上某些样本区域图像特征的类别属性，为每个类别选择一定数量的训练样本，计算每个训练样本区域的统计数据或其他信息，并利用这些种子类别训练决策函数，以满足各个子类别分类的要求， 然后使用训练好的决策函数对其他要划分的数据进行分类。将每个像素与训练样本进行比较，并根据不同的规则将其划分为最相似的样本类，从而完成整个图像的分类。
遥感影像的监督分类一般包括以下六个步骤：
图：监督分类的一般过程。
分类定义：根据分类目的、影像数据本身的特点和分类区域采集的信息确定分类系统;
特征辨别：判断图像的特征，评估图像质量，决定是否进行图像增强等预处理;
样本选择：为了建立分类功能，每个类别需要选择一定数量的样本;
分类器选择：根据分类的复杂度和准确性要求确定哪种分类器;
图像分类：选择的分类器用于对图像数据进行分类，有时需要进行分类后处理。
结果验证：对分类结果进行评估，以确定分类的准确性和可靠性。
基于知识的决策树分类是基于遥感影像数据等空间数据，通过专家经验总结、简单数理统计和归纳方法，通过遥感获取分类规则并进行分类。 分类规则通俗易懂，分类过程也符合人类的认知过程，最大的特点是多源数据的使用。
专家知识决策树分类的步骤大致可分为四个步骤：知识（规则）定义、规则输入、决策树操作和分类后处理。
图：基于专家知识的决策树分类的一般过程。
1）知识（规则）定义。
规则的定义是用数学语言表达知识的过程，可以通过某些算法或通过经验总结获得。
2）规则输入。
分类规则输入到分类器中，不同的平台有不同的规则输入接口。
3）决策树运行。
运行分类器或算法程序。
4）分类后处理。
此过程类似于监督无监督分类的分类后处理。
“均匀异物”对图像分类的影响，再加上高分辨率图像的光谱信息不是很丰富，而且它们之间经常存在光谱相互作用的现象，这对基于像素的分类方法提出了挑战，而面向对象的图像分类技术可以在一定程度上降低上述影响。
面向对象的分类技术将相邻像素作为对象进行整合，以识别感兴趣的光谱元素，并充分利用高分辨率全色和多光谱数据的空间、纹理和光谱信息进行分割和分类，并输出高精度的分类结果或向量。
面向对象的图像分类主要分为图像对象构建和对象分类两部分。 下图显示了ENVI中FX工具的面向对象图像分类过程。
图：FX操作流程示意图（*项目为可选操作步骤）。
图像分割技术主要应用于图像对象的构建，常见的分割方法包括基于多尺度、基于灰度、基于纹理、基于知识和基于分水岭的等分割算法。 比较常用的是多尺度分割算法，它综合遥感影像的光谱特征和形状特征，计算影像中各波段的光谱异质性和形状异质性的综合特征值，然后根据各波段的权重计算图像各波段的加权值， 当分割对象或基元的光谱和形状的综合加权值小于指定阈值时，进行重复迭代操作。完成图像的多尺度分割，直到所有分割对象的复合加权值大于指定阈值。
目前，常用的图像对象分类方法是“监督分类”和“基于知识的分类”。 这里的监督分类不同于我们常说的监督分类，它在分类时与样品有更多的对比参数，不仅光谱信息，还有空间、纹理等信息。 基于知识的分类也是基于对图像对象的熟悉程度来设定分类规则。
深度学习是一种更复杂的机器学习形式，它使系统能够自动发现数据中的性能特征。 深度学习和机器学习之间的区别在于它能够在没有外部指导或干预的情况下持续快速地自我改进。 深度学习算法通过遍历神经网络中的一系列层来学习模式以得出结论，类似于大脑处理信息的方式。
对于遥感，深度学习尝试发现图像中的空间和光谱特征，通常用于查找车辆、公共设施、道路等特征。 深度学习模型经过训练，通过使用一组标记的像素数据作为样本来发现这些特定目标。
以下是深度学习工具在ENVI中的图像分类过程。
下表提供了四类自动分类方法的一般比较。