【卫星遥感影像】国产遥感影像分类技术应用研究进展综述_论文推荐

影像分类是遥感影像信息提取中的基本问题之一和遥感影像应用的关键，为我国掌握本土信息资源自主权、满足国家的紧迫需求具有重大战略意义。本文将进行这篇遥感影像分类的论文推荐。

1. 论文引用

[1]胡杰,张莹,谢仕义.国产遥感影像分类技术应用研究进展综述[J].计算机工程与应用,2021,57(03):1-13.

2. 国产遥感数据概述

• 环境系列遥感卫星：是我国专门用于环境和灾害监测的对地观测卫星系统，主要由2颗光学卫星（HJ-1A卫星和HJ-1B卫星）和一颗雷达卫星（HJ-1C卫星）组成的。
• 资源系列遥感卫星：是专门用于探测和研究地球资源的卫星。我国已陆续发射了“资源一号”“资源二号”和“资源三号”系列卫星。
• 风云系列遥感卫星：主要有风云一号（FY-1）、风云二号（FY-2）、风云三号（FY-3）和风云四号（FY-4）系列的8颗极轨气象卫星和9颗静止气象卫星.
• 高分系列遥感卫星：是研发、搭建高分专项的重要组成部分，对积极支撑服务军民融合发展、“一带一路”建设、精准扶贫等国家重大战略具有重要作用，现至少有7颗卫星投入使用，分别是“高分一号”“高分二号”……“高分七号”。
• 海洋系列遥感卫星：包括含有A、B、C这3颗试验卫星的海洋水色环境系列卫星海洋一号(HY-1)、含有A和B两颗试验卫星的海洋动力环境系列卫星海洋二号 (HY-2) 和含有首颗试验卫星的海洋监视监测系列卫星海洋三号(HY-3)。
• 小卫星系列遥感卫星：主要选取了“天绘一号”系列、“北京”系列和“吉林一号”系列的遥感卫星数据。

3. 国产遥感影像分类应用研究进展

（1）基于像元分类技术

• 像元：在遥感图像中，像元是其成像过程中的采样点和基本单元，其物理意义就是同一像元内的地物灰度值相同且唯一，而数据值代表的地面面积是其几何意义。
• 基于像元的分类：在分类中把单个像元作为研究对象，利用像元的光谱信息、纹理信息、空间关联等信息对像元表示的地物类别属性进行判断。
• 基于像元的分类方法：主要有统计识别分类和分类器融合分类。

（2）混合像元分类技术

• 混合像元：一个像元内有多种地物
• 混合像元分类技术：目前对于遥感影像的分类问题多数单考虑像元光谱间的统计特征，而导致分类的误判，因此在对于含有混合像元的影像分类问题需先进行混合像元分解，其次是分类。

（3） 面向对象分类技术

• 面向对象分类：合理运用通过影像分割获取的高分辨率遥感影像对象中的光谱特征和空间特征，依据分类算法针对目标信息对影像特征进行分类。
• 面向对象分类技术：两个主要关键步骤是遥感影像分割和面向对象的分类。

（4）基于深度学习分类技术

• 深度学习：深度学习是机器学习的一个分支，是通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而很好地建立从底层信号到高层语义的映射关系。
• 基于深度学习分类技术：目前，应用在遥感影像分类方面的深度学习模型主要有深度置信网络（Deep Belief Network,DBN)、卷积神经网络（Convolutional Neural Network,CNN)和栈式自编码器网络（Stacked Autoencoder Network,SAE)。

4. 国产遥感影像分类应用中存在的问题与发展趋势

（1）存在的问题

• 遥感影像的特殊性（密集性、高维特性及场景特殊性）会影响深度学习模型分类效果
• 由于很难获取高精度端元数据，仍不能解决“同物异谱”“同谱异物”等现象
• 在影像分割问题上并没有一个统一有效的分割方法，不同影像分类需要采用不同
• 深度学习理论在国产遥感影像分类的应用并不完善，即网络结构选取目前尚没有完善的理论依据，而且对于不同深度学习的算法，其网络结构也不尽相同，也适应不同的影像分类目标的分割方法，不具有普遍性

（2）发展趋势

• 面向对象分类技术的改进和完善
• 深度学习模型的深入研究和应用
• 遥感实时监测分析服务云平台搭建
• AI遥感