遥感图像分类方法的国内外研究现状与发展趋势
高光谱遥感图像分类与分析算法研究
高光谱遥感图像分类与分析算法研究摘要：高光谱遥感图像分类与分析算法作为遥感图像处理与分析领域的重要研究内容，具有广泛的应用前景。
本文将介绍高光谱遥感图像分类与分析算法的研究现状，并探讨目前存在的问题与挑战。
然后，我们将讨论最常用的高光谱遥感图像分类与分析算法，并分析其优点和局限性。
最后，我们提出了未来的研究方向和挑战。
1. 研究现状高光谱遥感图像分类与分析算法是遥感图像处理与分析领域的重要研究内容。
随着遥感技术的发展，获取的遥感图像数据量不断增加，而高光谱遥感图像能够提供更加丰富的光谱信息，因此成为研究的热点。
目前，高光谱遥感图像分类与分析算法主要包括特征提取、特征选择、分类器设计等几个方面。
2. 问题与挑战然而，高光谱遥感图像分类与分析算法的研究仍然存在一些问题与挑战。
首先，高光谱遥感图像的数据维度较高，处理和分析起来较为复杂。
其次，不同地物或地表覆盖类型的光谱特征可能存在较大的重叠，导致分类精度下降。
此外，传统的分类算法在处理高光谱遥感图像时往往存在识别错误和误分类率高的问题。
3. 常用算法介绍针对上述问题，研究者提出了许多高光谱遥感图像分类与分析算法。
以下是一些常用的算法：3.1 监督分类算法监督分类算法是一种常用的高光谱遥感图像分类与分析方法。
它基于已知的地物类别的训练样本，通过构建分类模型来对图像进行分类。
常见的监督分类算法包括最大似然分类、支持向量机、随机森林等。
3.2 非监督分类算法非监督分类算法是一种无需先验知识的分类方法。
它主要通过对图像数据进行聚类分析，将相似的像素点归为同一类别。
K-means和谱聚类是常见的非监督分类算法。
3.3 深度学习算法近年来，深度学习算法在高光谱遥感图像分类与分析中取得了显著的进展。
深度学习模型如卷积神经网络（CNN）具有较强的学习能力和特征提取能力，能够有效处理高光谱遥感图像的分类问题。
4. 算法优缺点分析这些算法各有优缺点。
监督分类算法需要大量标记样本进行训练，模型依赖于标记样本的质量；非监督分类算法不需要标记样本，但对初始聚类中心的选择较为敏感；深度学习算法需要大量的计算资源和训练样本，模型复杂度较高。
遥感图像分类技术研究综述
遥感图像分类技术研究综述随着遥感技术的不断发展，遥感图像已成为一种常用的数据来源，特别是在地理信息系统、城市规划、资源开发等领域中。
而图像分类是遥感应用中的重要研究方向之一，其主要任务是根据遥感数据和相关的语义信息，将图像划分为不同的类别或物体。
目前，图像分类技术已经成为遥感应用中的一个热点问题。
本文将从三个方面来论述遥感图像分类技术的研究综述。
一、遥感图像分类技术背景遥感图像分类技术是指根据遥感数据进行图像分类的技术，它主要应用于土地利用覆盖、城市建设规划、农业灾害监测、水利资源管理、生态监测等领域。
遥感图像分类技术存在的主要问题是如何提高分类的准确度和效率。
目前，遥感图像分类技术主要涉及三个方面：特征提取、分类方法和分类精度评价。
其中，特征提取是图像分类的基础，其目的是将图像中的信息提取出来，以便于分类识别。
分类方法则是根据遥感图像特征和分类规则进行分类的过程，其分类精度的高低直接影响分类结果的质量。
而分类精度评价则是对分类结果进行评价和验证，它是图像分类的关键环节之一。
二、遥感图像分类技术研究进展近年来，随着遥感技术的快速发展，遥感图像分类技术得到了广泛的研究。
在特征提取方面，传统的灰度共生矩阵、纹理特征等被广泛应用，而基于卷积神经网络的深度学习算法也逐渐成为图像特征提取中的热点。
在分类方法方面，支持向量机、决策树、朴素贝叶斯等传统分类方法仍然占据主导地位，但是现在越来越多的研究者开始关注深度学习算法在图像分类中的应用。
分类精度评价方面，传统的混淆矩阵、Kappa系数等指标已不能满足需求，现在更加注重用样本数据集和交叉验证的方式进行分类精度评价。
三、遥感图像分类技术发展趋势随着遥感图像数据量急剧增加和计算机技术的不断革新，未来遥感图像分类技术也将呈现出以下发展趋势：1、深度学习算法的应用。
随着深度学习算法在计算机视觉领域的成功应用，未来更多的研究者也将关注深度学习算法在遥感图像分类中的应用。
基于深度学习的遥感图像分类与识别研究
基于深度学习的遥感图像分类与识别研究摘要随着遥感技术的快速发展，遥感图像分类与识别的研究变得越来越重要。
深度学习作为一种强大的机器学习方法，具有在遥感图像分类和识别任务中取得显著效果的潜力。
本文主要探讨了基于深度学习的遥感图像分类与识别的研究现状和未来发展方向，并提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）的遥感图像分类与识别框架。
1. 引言遥感图像分类与识别是分析和解释遥感图像所具有的地物和地表覆盖类型的过程。
传统的遥感图像分类与识别方法需要手动提取特征并设计分类器，但这些方法对图像特征的选择和分类器的设计非常依赖于专业知识和经验。
而深度学习通过自动学习高级特征和特征表达，可以有效地解决这个问题。
2. 基于深度学习的遥感图像分类与识别方法2.1 卷积神经网络卷积神经网络是一种前馈神经网络，能够自动从数据中学习特征。
卷积神经网络通过卷积层、池化层和全连接层构成。
卷积层可以自动提取图像中的局部特征，池化层能够减小特征的维度并保持其空间结构信息，全连接层用于进行分类。
2.2 数据预处理在应用深度学习方法进行遥感图像分类与识别之前，需要对数据进行预处理。
常见的预处理方法包括图像增强、数据增广和特征标准化等。
图像增强可以提升图像的质量，数据增广可以增加数据的多样性，特征标准化可以使数据具有可比性。
2.3 深度学习模型训练与优化深度学习模型的训练与优化是遥感图像分类与识别中的关键环节。
训练深度学习模型的主要步骤包括初始化模型参数、选择损失函数、选择优化算法和定义评估指标等。
常用的优化算法有随机梯度下降法（Stochastic Gradient Descent，SGD）、Adam算法等。
3. 实验与结果本研究使用了公开的遥感图像数据集进行实验，包括地表覆盖分类、目标检测和场景识别等任务。
实验结果表明，基于深度学习的遥感图像分类与识别方法相比传统方法具有更高的准确率和泛化能力。
基于深度学习技术的遥感图像处理研究
基于深度学习技术的遥感图像处理研究一、引言随着遥感技术的不断发展，遥感图像处理在许多领域中扮演着越来越重要的角色，例如土地利用、自然资源管理和环境监测等。
然而，在实际应用中，遥感图像处理面临着许多挑战，例如分辨率低、光照条件以及云覆盖等。
为了解决这些问题，基于深度学习技术的遥感图像处理成为了一个热门的研究方向。
本文将介绍基于深度学习技术的遥感图像处理研究现状，并讨论其应用和未来发展方向。
二、基于深度学习技术的遥感图像分类遥感图像分类是遥感图像处理的关键任务之一，其目的是通过对图像进行分类，识别出图像中的各种物体。
传统的遥感图像分类方法主要基于人工特征提取和传统的机器学习算法，例如支持向量机（SVM）和随机森林（Random Forest）。
然而，这些传统的方法需要大量的人工处理，效率低下，不能处理大规模的图像数据。
相比之下，基于深度学习技术的遥感图像分类更加高效和准确。
深度学习模型可以自动学习图像的特征表达，克服了传统方法需要人工提取特征的问题。
深度学习模型的表现力足够强大，可以处理大规模数据和复杂的分类任务。
近年来，许多基于深度学习的遥感图像分类方法被提出，例如基于卷积神经网络（CNN）的方法、基于循环神经网络（RNN）的方法以及基于注意力机制（Attention Mechanism）的方法等。
三、基于深度学习技术的遥感图像分割遥感图像分割是遥感图像处理中的另一个重要任务，其目的是将遥感图像分成若干块，每块都是一个单独的图像区域。
在遥感图像分割中，传统的方法主要包括基于阈值、基于边缘和基于区域的方法等。
然而，这些方法的效果不尽如人意。
相比之下，基于深度学习技术的遥感图像分割方法具有更高的精度和鲁棒性。
深度学习模型可以自动学习图像中的像素级别特征表达，从而能够精确地定位目标区域。
近年来，许多基于深度学习的遥感图像分割方法被提出，例如基于FCN（Fully Convolutional Networks）的方法、基于U-Net的方法和基于SegNet的方法等。
遥感图像处理与分析技术的发展趋势
遥感图像处理与分析技术的发展趋势随着遥感技术的不断发展和进步，越来越多的遥感数据被获取到并被应用到各种领域中。
然而，在大量的遥感影像中，如何提取出所需的信息和数据，进一步研究遥感图像的信息，是遥感图像处理与分析技术的重要方向。
本文将从影像处理与分析两个角度来讨论遥感图像处理与分析技术的发展趋势。
一、遥感图像处理技术的发展趋势1. 数字化数字化是遥感图像处理的基础，也是其发展的前提。
在遥感图像的获取过程中，通常需要使用许多成像传感器，获取到大量的数据后，需要进行数字化处理才能获得高质量的遥感图像。
数字化技术能够移除遥感图像中的噪声和不必要的信息，还能够提高遥感图像处理的效率。
2. 智能化智能化处理是遥感图像处理的一大发展趋势。
随着计算机应用的发展以及人工智能技术的进步，人工智能技术已经被应用到遥感图像处理中。
智能化处理能够利用计算机算法进行遥感图像自动分析，如目标自动检测、红外图像处理等。
智能化处理不仅可以提高遥感图像分析精度，也能够提高分析处理的效率。
3. 高分辨率遥感图像处理随着国内外遥感图像技术的快速发展，高分辨率遥感图像已经成为遥感图像处理发展的重要标志。
高分辨率遥感图像处理技术的目标是提取大量详细的空间信息，如地图、城市规划、资源研究、环境监测等方面。
高分辨率遥感图像处理技术因其高精度、高分辨率和强大可靠性，在城市规划、林业、水资源和农业等领域已有广泛应用。
二、遥感图像分析技术的发展趋势1. 特征提取特征提取是遥感图像分析的重要环节，该技术能够从大量的遥感影像中提取出具有重要意义的信息和数据。
遥感图像的特征提取可以通过遥感影像自动解算和特征选择工具实现，提高遥感图像分析的精度和效率。
在这个过程中，通常会使用计算机视觉技术和机器学习技术。
2. 遥感图像分类遥感图像分类是将特定的地物或目标从遥感图像中抽象出来，进行半自动和自动识别。
遥感图像分类可以分为监督和非监督两种方法。
监督的分类方法是根据已知的地物类型和特性建立分类模型，然后将这个模型用于其他遥感数据的分类。
遥感测绘技术的应用前景与发展趋势
遥感测绘技术的应用前景与发展趋势遥感测绘技术是一种通过空间传感器获取地球表面信息的方法，它已经在许多领域中得到了广泛的应用。
它不仅可以提供高分辨率的图像和精确的地理空间信息，还可以帮助我们更好地了解地球表面的变化和趋势。
在本文中，我们将探讨遥感测绘技术的应用前景与发展趋势。
首先，遥感测绘技术在农业领域中有着广泛的应用前景。
通过获取农田的高分辨率图像，可以帮助农民监测并预测作物的生长情况，提前制定灌溉和施肥计划，从而提高农作物的产量和质量。
此外，遥感测绘技术还可以用于监测土地利用和土地覆盖的变化，为农业资源的合理利用和土地规划提供依据。
其次，遥感测绘技术在城市规划和环境保护方面也具有重要意义。
通过遥感技术可以获取城市的三维地图和建筑物高度信息，为城市规划者提供决策依据。
此外，利用遥感技术可以监测城市的环境变化，如大气污染程度、植被覆盖率等，为环境保护和城市可持续发展提供数据支持。
再次，遥感测绘技术在自然灾害监测和预测方面的应用也日益重要。
遥感图像可以提供受灾地区的实时信息，如地震破坏程度、洪水范围和火灾情况等，为救援和灾后重建工作提供支持。
此外，遥感技术还可以结合地理信息系统分析历史数据，预测自然灾害的发生概率和影响范围，提前做好防范工作。
另外，遥感测绘技术在资源勘探和开发中也具有广泛应用的前景。
通过遥感技术可以获取地下矿产资源和能源资源的相关信息，帮助勘探人员选择最佳的勘探区域，提高勘探的效率和准确性。
此外，遥感技术还可以用于监测海洋油气资源的开发与利用，为海洋经济的可持续发展提供支持。
最后，随着遥感测绘技术的不断发展，人工智能和大数据分析将成为其发展的重要趋势。
通过将遥感图像与人工智能算法相结合，可以实现图像的自动解译和分类，提高遥感数据的分析能力。
此外，大数据分析可以帮助我们从庞大的遥感数据中提取有用的信息，深入挖掘遥感数据的潜力。
综上所述，遥感测绘技术在农业、城市规划、环境保护、自然灾害监测、资源勘探等方面都具有广泛的应用前景。
遥感技术发展趋势及现状
byte=8 bits)，所以， 通常用一个字节或二个字
节的数据进行处理。图像数据的全部数据量为：
行数×像元数×通道数×比特数/8，单位为byte。
遥感图像的数据量非常巨大。在地面
站接收的卫星数据通常被实时记录到高密
度数字磁带(HDDT)上，然后根据需要拷贝
到计算机兼容磁带(CCT)等其它载体上。
③遥感图象处理。为满足各种不同的应用 要求，需要对遥感器获取的原始图象进行 处理。常用方法有光学的和电子学的两种， 而目前以电子技术中的计算机数字处理最 为重要。处理内容有图象整饰、几何纠正 和镶嵌、特征提取和分类及各种专题处理。
航天遥感应用中使用的数据基本有两种主要形
式：遥感影像和数字图像无论是用何种遥感成像方
陆地或海洋环境信息的技术。
它是通过传感器对远距离目标进行探测，以取
得电磁波谱资料、数据，从而对地物进行识别和分类。
地球上各种物体都具有发射电磁波的特性，不
同物体又具有互不相同的光谱特征，人们在事先掌握
了各种物体的光谱特征后，只要借助某些手段收集、
记录物体的不同性质的光谱特征，把这些特征信息与
事先掌握(已知的)的光谱特征进行比较，就可以区别
一个由“陆地卫星”系列卫星、海洋观
测卫星和气象卫星为主体组成的“地球
环境遥感卫星系统”，其遥感仪器已由
第一代、第二代发展到第三代。
其他许多工业先进国家和一些发展
中国家，也都积极发展遥感技术。我国
对开发空间遥感技术，从遥感仪器到卫
星航天器都取得了很大进展，为国民经
济发展起了重大作用。
长江源头
IRS与TM融合图
上，植被显示为红色，城镇为蓝灰色，水
体为蓝色，雪和云为白色等等。假彩色合
国内外遥感技术发展及趋势
国内外遥感技术发展及趋势遥感技术是一种通过非接触方式获取地表信息的技术，具有高效、快速、准确、大范围等特点。
随着科技的不断发展，遥感技术在国内外得到了广泛应用，同时也呈现出一些发展趋势。
一、国内遥感技术发展中国遥感技术的发展可以追溯到20世纪70年代，经过多年的发展，已经形成了完善的遥感技术体系，包括卫星遥感、航空遥感、地面遥感等多个方面。
1.卫星遥感中国已经成功发射了多颗遥感卫星，如资源卫星、环境卫星、气象卫星等，这些卫星为国内外用户提供了大量的遥感数据。
同时，中国还在积极研发更高分辨率、更快速响应的遥感卫星，以满足不断增长的遥感数据需求。
2.航空遥感中国拥有庞大的航空遥感队伍和先进的航空遥感技术，可以为各个领域提供高质量的遥感数据。
近年来，无人机遥感技术也得到了快速发展，无人机具有灵活、高效、低成本等优点，可以为应急监测、环境监测等领域提供快速响应。
3.地面遥感地面遥感技术在中国也得到了广泛应用，如地面激光雷达、地面高光谱等。
这些技术可以为地质勘查、环境监测等领域提供高精度、高分辨率的遥感数据。
二、国外遥感技术发展国外遥感技术的发展也非常迅速，主要集中在美国、欧洲、日本等国家。
1.美国美国是全球遥感技术的领军者之一，拥有大量的遥感卫星和先进的航空遥感技术。
近年来，美国还在积极推进商业遥感卫星的发展，鼓励企业参与遥感数据的获取和处理，以推动遥感技术的产业化发展。
2.欧洲欧洲也在积极发展遥感技术，拥有多个遥感卫星计划和航空遥感项目。
欧洲还在推进“哥白尼计划”，旨在建立一个全球性的地球观测系统，为环境保护、气候变化等领域提供数据支持。
3.日本日本也是遥感技术的重要发展国家之一，拥有多个遥感卫星计划和航空遥感项目。
日本还在积极推进遥感技术的应用，如在灾害监测、城市规划等领域的应用。
三、遥感技术发展趋势1.高分辨率、高精度随着技术的不断发展，遥感数据的分辨率和精度也在不断提高。
未来，随着更高分辨率、更高精度的遥感卫星和航空遥感器的研发和应用，遥感技术将为各个领域提供更准确、更详细的数据支持。
高光谱遥感图像的分类与识别算法研究
高光谱遥感图像的分类与识别算法研究摘要：随着高光谱遥感技术的发展，高光谱遥感图像的分类与识别成为了研究的热点之一。
高光谱图像拥有丰富的光谱信息和空间信息，对地物的识别和分类具有较高的准确性和精度。
本文主要介绍了高光谱遥感图像的分类与识别算法的研究现状和发展趋势，并重点讨论了几种常见的分类与识别方法，并对未来的研究方向进行了展望。
1. 引言高光谱遥感技术是一种获取地球物体光谱反射率的近地空间技术。
与传统的遥感技术相比，高光谱遥感技术能够获取更多的连续谱段信息，能够提供更多的反射波段，有助于地物的识别和分类。
传统的遥感图像分类与识别算法在高光谱图像上存在一定的局限性，因此，高光谱遥感图像的分类与识别算法研究成为了一个重要的课题。
2. 高光谱图像分类方法2.1 基于光谱信息的分类方法基于光谱信息的分类方法是最基础的一种分类方法。
光谱信息代表了目标在不同波长下的响应情况，通过光谱信息可以对不同地物进行分类。
常见的方法包括像元分解法、主成分分析法等。
2.2 基于空间信息的分类方法高光谱图像不仅包含了光谱信息，还包含了空间信息。
基于空间信息的分类方法可以充分利用像素点的空间分布特征进行分类。
常见的方法包括最大似然法、支持向量机等。
2.3 基于特征提取的分类方法特征提取是一种将高维数据转化为低维特征向量的方法，可以提取出地物的显著特征。
常见的特征提取方法包括小波变换、主成分分析、线性光谱混合等。
3. 高光谱图像识别方法高光谱图像的识别主要是通过对图像中地物的特征进行提取和匹配，从而实现对地物的自动识别。
常见的识别方法包括主成分分析法、广义Hough变换法等。
4. 研究现状与发展趋势目前，高光谱遥感图像的分类与识别算法已经取得了一些进展。
然而，在实际应用中仍然存在一些挑战，如遥感图像的分辨率、遥感图像的质量等。
因此，未来的研究方向可以从以下几个方面展开：4.1 提高分类和识别的准确性和精度当前的高光谱遥感图像分类与识别算法还存在一些问题，如准确性和精度不高。
无人机遥感图像分类技术的研究
无人机遥感图像分类技术的研究1.前言随着科技的不断发展，无人机技术越来越成熟，无人机遥感技术也得到了广泛的应用。
无人机遥感图像分类技术是对无人机获取的遥感图像进行处理和分析，实现对地物进行分类的过程。
无人机遥感图像分类技术不仅可以用于农业、林业、地质勘探等方面，还可以广泛应用于国土、测绘、城市规划等领域。
本文将对无人机遥感图像分类技术的研究做出详细的论述。
2.无人机遥感技术的发展无人机遥感技术起源于20世纪80年代末期，当时主要应用于军事领域。
随着无人机技术的日益成熟，无人机遥感技术的应用范围逐渐扩大。
无人机遥感技术可分为微波雷达遥感技术和光学遥感技术。
无人机光学遥感技术包括多光谱、高光谱、红外和激光雷达等。
相比微波雷达遥感技术，无人机光学遥感技术具有分辨率高、空间分辨率大和反射率高等优点。
3.无人机遥感图像分类技术无人机遥感图像分类技术是指对采集到的无人机遥感图像进行处理和分析，将图像识别为不同的地物类型。
无人机遥感图像分类技术是无人机遥感技术的一个重要组成部分，其强大的识别能力可以大大提高地质、能源、林业和环境研究等应用的效率。
无人机遥感图像分类技术方法主要包括传统的监督分类和无监督分类两种。
(1)监督分类监督分类是一种基于统计学的分类方法。
先利用光谱角提取出各地物的主要波段，再构建多元正态分布模型来确定各类地物的光谱反射特征。
在模型中，对于每一类地物，都有一个包含该类地物全部样本的协方差矩阵。
通过最小距离分类法将输入样本与协方差矩阵进行比较，将其划分为不同地物类别。
监督分类方法更加准确，但需要大量的样本进行训练，在处理大型或复杂图像时更为困难。
(2)无监督分类无监督分类方法可以不依赖于样本控制。
首先对地图进行分割，将其划分为多个小区域，然后对每个小区域的光谱属性进行统计和分析，从而提取出相似曲线、相同模型、相近特征等干扰因素，最终将地图划分成少数的统一地物类型。
无监督分类方法具有较高的独立性和灵活性，易于使用，但是分类的准确度较低。
基于深度学习的遥感图像分析与分类技术研究
基于深度学习的遥感图像分析与分类技术研究随着遥感技术和深度学习的发展，基于深度学习的遥感图像分析与分类技术成为当前研究热点之一。
本文将从深度学习在遥感图像分析与分类中的应用、深度学习中常用的模型以及相关技术和挑战等方面进行探讨。
一、基于深度学习的遥感图像分析与分类技术的应用遥感图像是通过航空或卫星等遥感器获取的地球表面的图像数据。
利用遥感图像可以对地球表面进行高分辨率、广覆盖的观测和监测，因此在农业、环境、城市规划、气象、国土资源等领域具有重要的应用价值。
基于深度学习的遥感图像分析与分类技术能够自动提取图像中的特征，对不同地物进行准确的分类和识别，极大地提高了遥感图像处理的效率和准确性。
在农业领域，基于深度学习的遥感图像分析与分类技术可以对农作物的生长状况、病虫害的发生等进行监测和预警，帮助农民合理决策并提高作物的产量和质量。
在环境保护领域，可以利用深度学习技术对森林覆盖、湖泊水体、土地利用等进行精确的分类和监测，为生态环境的保护和管理提供科学依据。
在城市规划领域，可以利用深度学习技术对城市建设用地、道路交通等进行精细化的分析和规划，提高城市规划的科学性和可行性。
二、深度学习中常用的模型及相关技术1. 卷积神经网络（CNN）卷积神经网络是深度学习中常用的模型之一，具有较强的图像处理和分类能力。
在遥感图像分析与分类中，CNN可以提取图像中的特征，并通过多层网络结构进行分类和识别。
通过卷积层、池化层和全连接层的组合，CNN可以对遥感图像进行特征的逐层提取，最终输出对应的类别。
2. 循环神经网络（RNN）循环神经网络是另一种常用的深度学习模型，主要用于处理序列数据。
在遥感图像分析与分类中，可以将图像切分为多个小块，利用循环神经网络进行逐块处理，然后将结果集成为最终的分类结果。
RNN适用于处理遥感图像中存在时间序列关系的问题，如气象数据的预测和分析。
3. 生成对抗网络（GAN）生成对抗网络是一种可以通过对抗训练的方式生成新的图像数据的网络结构。
遥感图像场景分类综述
遥感图像场景分类综述遥感图像场景分类是指通过对遥感图像进行分析和解读，将图像中的不同场景进行分类和识别。
随着技术的不断进步和应用领域的拓展，遥感图像场景分类在农业、城市规划、环境监测、资源调查等领域具有广泛的应用前景和重要的研究价值。
本文将综述遥感图像场景分类的研究进展、常用的分类方法以及挑战和未来发展方向。
一、研究进展1.1 图像特征提取方法在遥感图像场景分类中，图像特征提取是关键的步骤之一。
传统的特征提取方法包括颜色直方图、纹理特征、形状特征等。
然而，随着深度学习技术的快速发展，基于卷积神经网络（CNN）的特征提取方法在遥感图像场景分类中取得了显著的性能提升。
1.2 分类器设计和优化分类器的设计和优化对于遥感图像场景分类的准确性和稳定性具有重要影响。
常见的分类器包括支持向量机（SVM）、决策树（DT）和随机森林（RF）等。
此外，研究人员还提出了一系列改进的分类器结构，如卷积神经网络（CNN）和循环神经网络（RNN），用于提高分类精度和处理复杂场景。
二、常用的分类方法2.1 基于传统机器学习的方法传统机器学习方法在遥感图像场景分类中被广泛应用。
这些方法通过提取图像的统计特征，如颜色、纹理和形状等，然后使用分类器对特征进行训练和分类。
这些方法的优点是计算效率高、模型可解释性强，但在复杂场景和大规模数据集上的表现有限。
2.2 基于深度学习的方法深度学习方法近年来在图像分类领域取得了巨大的成功，并在遥感图像场景分类中得到了广泛应用。
这些方法利用深度神经网络对图像进行特征学习和分类。
其中，卷积神经网络（CNN）是最常用的深度学习模型之一，通过采用多层卷积和池化操作，实现对图像特征的有效提取和表示。
三、挑战和未来发展方向3.1 多样性的地物类型和场景遥感图像中存在着多样性的地物类型和场景，如农田、森林、建筑物等。
不同地物类型的特征差异较大，因此如何从复杂的遥感图像中准确地提取并表示不同地物的特征仍然是一个挑战。
基于深度学习的遥感图像分类与分割技术研究
基于深度学习的遥感图像分类与分割技术研究遥感图像分类与分割技术是遥感领域中重要的研究方向，广泛应用于地球资源调查、环境监测、军事侦察等领域。
近年来，随着深度学习技术的快速发展，基于深度学习的遥感图像分类与分割技术取得了显著的进展。
本文着重探讨了基于深度学习的遥感图像分类与分割技术的研究现状以及存在的问题，并提出了未来研究的发展方向。
首先，回顾了传统的遥感图像分类与分割方法。
传统的方法主要基于手工设计的特征提取和分类算法，如常用的支持向量机（SVM）和决策树等。
这些方法在一定程度上能够有效地处理简单的遥感图像分类任务，但对于复杂的图像场景和大规模数据集的处理能力有限。
接着，本文重点介绍了基于深度学习的遥感图像分类与分割技术。
深度学习技术通过学习数据中的高级特征，能够自动地进行特征提取和分类。
在遥感图像分类任务中，卷积神经网络（CNN）是最常用的深度学习模型之一。
CNN能够通过多层卷积和池化操作，提取图像中的空间信息和局部特征，从而实现遥感图像分类和分割。
此外，还有一些基于深度学习的优化算法，如深度卷积生成对抗网络（DCGAN）和注意力机制网络（AMN），在遥感图像分类和分割中也取得了较好的效果。
然而，基于深度学习的遥感图像分类与分割技术仍存在一些挑战和问题。
首先，深度学习模型需要大量的训练数据来提取有效的特征，但遥感图像数据的获取成本较高，很难获得足够的标注数据。
其次，遥感图像中存在多种类别的目标，目标类别之间存在较大的差异，如何处理类别不平衡问题是一个关键挑战。
此外，遥感图像中的大尺度、遮挡、光照变化和噪声等问题也给图像的分类和分割带来了困难。
针对上述问题，未来的研究可以从以下几个方向进行深入探索。
首先，应该利用深度学习模型的迁移学习和半监督学习技术，充分利用有限的标注数据来提高遥感图像分类和分割的性能。
其次，可以设计更加灵活和鲁棒的深度学习模型，以应对遥感图像中的各种变化和复杂场景。
此外，也可以结合其他的辅助信息，如地理信息系统（GIS）数据和气象数据等，来改善遥感图像的分类和分割效果。
2024年卫星遥感市场分析现状
2024年卫星遥感市场分析现状引言卫星遥感技术已经成为了地理空间数据采集和分析的重要手段。
通过利用卫星传感器获取的地球表面的遥感图像数据，可以实现对地球表面的高精度观测和监测。
卫星遥感市场作为一个具有广阔前景的领域，正逐渐成为投资者和科技公司的热门选择。
本文将对卫星遥感市场的现状进行分析，并探讨其未来发展趋势。
卫星遥感市场现状卫星遥感市场目前呈现出快速增长的态势。
随着卫星技术的不断发展以及数据处理和分析能力的提升，卫星遥感应用领域逐渐扩展到城市规划、环境保护、农业管理等多个领域。
以下是卫星遥感市场现状的几个方面：1. 卫星数据供应商目前，世界上有多家知名的卫星数据供应商，包括DigitalGlobe、GeoIQ、Skybox 等。
这些供应商通过卫星遥感技术获取的高分辨率卫星图像数据，提供给用户进行地理信息分析和决策支持。
这些数据供应商通过不断改进数据采集和处理技术，提供更精确、更高质量的数据产品，满足用户的需求。
2. 应用领域卫星遥感市场的应用领域广泛，包括但不限于土地利用与覆盖、气候变化监测、环境监测、资源管理等。
在土地利用与覆盖领域，卫星遥感可以提供准确的土地利用分类结果，帮助城市规划师和决策者进行城市的合理规划和管理。
在气候变化监测领域，卫星遥感可以获取大范围的气象数据，帮助科学家和政府部门进行气候预测和评估。
在环境监测领域，卫星遥感可以监测污染物的扩散和生态环境的变化，为环境保护提供数据支持。
3. 商业化发展卫星遥感市场正逐渐从科研领域向商业化领域发展。
越来越多的科技公司开始关注卫星遥感技术的商业化应用，推出了各种卫星数据产品和解决方案。
这些科技公司通过建立数据平台和云计算服务，为用户提供便捷的数据获取和分析服务。
同时，一些初创公司正在致力于开发卫星互联网和卫星导航服务，为用户提供更全面的卫星遥感解决方案。
卫星遥感市场的未来趋势卫星遥感市场正面临着许多机遇和挑战。
以下是卫星遥感市场未来的一些趋势：1. 技术进步随着卫星技术的不断进步，新一代高分辨率卫星将不断涌现。
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的国内外研究现状与发展趋势关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。
这种发展主要表现在以下4个方面：1.多分辨率多遥感平台并存。
空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。
遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。
民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。
例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。
随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。
2.微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。
微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。
微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。
成像雷达、激光雷达等的发展，越来越引起人们的关注。
例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。
高光谱遥感的出现和发展是遥感技术的一场革命。
它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。
国内外遥感技术发展及趋势
国内外遥感技术发展及趋势
随着政府投入研究的增加，与科技进步的不断发展，遥感技术及其在
科研领域中的应用越来越受到重视，已经发展成为一门具有重要意义的学科。
接下来，将介绍遥感技术在国内外的发展历程以及未来趋势。
一、国内外遥感技术发展史
1.1 国内
在国内，按遥感应用开展时间的顺序来看，遥感技术的发展历程可以
划分为三个阶段：第一个阶段从1957年到1980年，这个时期是我国遥感
技术发展的初期，以北京航空航天大学遥感教研室为主导，主要开展对俯
瞰图、卫星影像的研究；第二个阶段从1981年到2003年，这是遥感技术
发展的发展期，以中国科学院遥感与数字图像分析重点实验室为主导，开
始开发并运用现代遥感技术和技术体系；第三个阶段从2004年到2024年，这是遥感技术发展的成熟期，以中国遥感中心为主导，建立了我国遥感科
技研究的完整体系，并在气候变化、土地利用规划、灾害遥感监测、环境
质量监测及全球生态环境研究等方面开展了一系列有效的应用研究工作。
1.2 国际
国际上，遥感技术的发展可以追溯到20世纪50年代，以美国军方在
建立“全球镜”项为标志，到20世纪90年代，形成了大量的民用遥感卫
星系统，实现了从技术上到应用上的极大发展。
遥感影像土地利用分类方法研究进展
遥感影像土地利用分类方法研究进展摘要: 为了研究遥感影像土地利用分类的方法，综述了国内外近10年的遥感图像分类研究。
在分析当前主要遥感影像分类方法的基础上，从传统的分类方法和传统分类方法的改进两个方面，对遥感影像土地利用分类方法研究进展进行了阐述。
本研究还存在不足，今后还需进一步研究利用各种遥感影像分类方法相互结合的应用。
关键词: 遥感影像；土地利用；分类方法引言土地利用变化研究是全球变化及其区域响应研究的核心领域，研究土地利用变化及其生态环境效应有助于提高人们对区域生态环境问题的认识，并可为有关部门的土地利用规划、管理与决策提供科学依据[1]。
目前，利用遥感图像分类获得土地利用信息已经成为土地利用变化研究必不可少的一步。
遥感图像分类就是把图像中的每一个像元或区域划分为若干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各子空间中去，从而实现分类。
由于新的分类方法的大量涌现，遥感图像分类方法出现了很多问题。
因此，本研究在分析当前主要遥感图像分类方法的基础上，将遥感图像分类方法划分为传统的分类方法、传统分类方法的改进两大类，从这两个方面对遥感图像土地利用分类方法的研究进展进行了阐述。
1 传统分类方法1.1目视解译目视解译是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用的分类，这种方法目前仍被广泛使用。
它是人们通过遥感技术获取目标信息最直接、最基本的方法。
李秀梅提出对于数据精度产生的尺度效应研究过程中，通常采用目视解译并依据转换误差最小原则栅格化矢量数据，以保障数据精度，这是一种比较成功的分类方法，具有简单易操作，利于空间信息提取，灵活性强等优点，但解译中显示尺度越小，带状、面积小和边界曲折的景观要素类型损失越严重，会影响数据精度[2]。
由于解译人员的专业知识水平以及解译经验的限制，解译结果会存在差异，此方法受个人主观因素影响大。
基于深度学习的遥感图像分类技术研究
基于深度学习的遥感图像分类技术研究概述遥感图像分类是利用遥感传感器获取的图像信息对不同地物进行识别和分类的过程。
传统的遥感图像分类方法通常依赖于手工设计特征和分类器，这些方法在处理大规模遥感数据时面临着挑战。
近年来，深度学习技术的快速发展为遥感图像分类带来了新的可能性。
深度学习通过对大规模数据的自动学习，能够从数据中自动提取出最具代表性的特征，提高了遥感图像分类的准确性和效率。
基于深度学习的遥感图像分类方法1. 卷积神经网络（CNN）卷积神经网络是一种用于图像识别的深度学习模型。
通过通过卷积层、池化层和全连接层等不同组成部分，CNN可以从原始图像中逐步提取特征，并进行分类。
在遥感图像分类中，CNN已经取得了很大的成功。
2. 迁移学习遥感数据通常具有特别的特征，在没有大规模标注数据的情况下，很难直接利用深度学习方法进行训练。
迁移学习是一种通过利用预训练模型的方法，将已经在大规模数据上训练好的深度学习模型应用于遥感图像分类中。
迁移学习能够将已有的知识迁移到新的任务中，提高遥感图像分类的准确性。
3. 多尺度特征融合遥感图像通常具有不同的分辨率和信息密度。
通过融合多尺度的特征，可以提取更加全面和丰富的信息，从而提高遥感图像分类的准确性。
基于深度学习的方法可以通过多尺度卷积、多尺度注意力机制等技术实现多尺度特征融合。
4. 数据增强在遥感图像分类任务中，不同目标物体的遥感图像样本通常数量不平衡。
通过数据增强技术，可以通过对已有的样本进行旋转、平移、缩放等变换操作，生成新的合成样本，从而扩大训练数据的规模，改善模型的泛化能力。
5. 目标检测与定位遥感图像分类不仅需要识别图像中的目标物体，还需要准确地定位目标的位置。
基于深度学习的目标检测算法，如基于区域的卷积神经网络（R-CNN）、快速区域卷积神经网络（Fast R-CNN）和区域卷积神经网络（Faster R-CNN）等，可以实现遥感图像中目标的准确检测和定位。
多源遥感影像的图像配准和分类技术研究
多源遥感影像的图像配准和分类技术研究遥感技术是以人造卫星、飞艇或航空器等高空平台获取地面信息的科学技术，具有广泛的应用领域，如气象、环境、农业、林业、水利等。
遥感图像配准和分类是遥感技术中的两项基础工作。
本文主要介绍多源遥感影像的图像配准和分类技术研究现状及发展趋势。
一、图像配准技术图像配准是指利用不同地物或相同地物在不同图像之间的相似性，把多幅遥感影像配准到同一坐标系下。
多源遥感影像的配准可以实现不同时间、不同分辨率、不同角度、不同传感器的遥感影像融合，从而提高对地观测数据的时空分辨率和准确性。
目前，图像配准技术主要分为两种方法：基于特征点匹配和基于区域匹配。
基于特征点匹配的方法通常采用尺度不变特征变换算法（SIFT）、加速稳健特征算法（SURF）等，能够应对遥感影像的旋转、平移和缩放等形变情况。
而基于区域匹配的方法则主要采用相似性矩阵算法（SSD）和归一化互相关算法（NCC）等，适用于处理多目标、弱纹理、复杂背景的遥感影像。
图像配准的关键在于选取合适的匹配算法和精确的粗配准参数估计方法，从而实现有效的图像区域匹配。
目前，随着深度学习、人工智能和卷积神经网络等技术的不断发展和应用，遥感图像配准的精度和速度都得到了极大地提高，并逐渐向自动化、智能化、高精度化方向发展。
二、图像分类技术图像分类是指根据遥感图像中的地物特征和空间分布规律，将其划分成不同的类别，以实现对遥感影像的目标提取和地物分类。
多源遥感影像的分类应用广泛，如城市土地利用监测、自然资源调查、农业生产管理等。
目前，图像分类技术主要包括基于经验规则、基于传统机器学习算法和基于深度学习算法等方法。
其中，基于经验规则的分类方法针对特定的地物类型和场景，采用专家规则和知识经验进行分类。
而基于传统机器学习算法的分类方法则主要包括最大似然法（ML）、支持向量机（SVM）和随机森林（RF）等，可以根据大量标注样本进行学习和分类。
基于深度学习算法的分类方法则主要是基于卷积神经网络（CNN）等深度学习算法，通过多层神经元进行特征提取和分析，进而实现高精度的分类。
国内外遥感技术发展及趋势
国内外遥感技术发展及趋势班级：1302071学号：姓名：刘强摘要：本文主要介绍了国内外遥感技术的最新进展和以后的发展趋势。
关键词：遥感最新技术发展趋势1 前言遥感是多学科相结合，利用航天或航空遥感器对陆地、海洋、大气、环境等进行监测与测绘的综合性很强的高技术，已广泛用于测绘、气象、国土资源勘察、灾害监测与环境保护、国防、能源、交通、工程等诸多学科及领域，发挥了独特作用，经过半个世纪的探索和尝试，现在已经在实用化的方向上出重要的一步。
从1960年4月1日TIROS-1气象卫星发射至今不到40年的时间里[1]，遥感技术已经发生了根本的变化。
主要表现在遥感平台、遥感器、遥感的基础研究和应用领域等方面。
我国从70年代起开始从事空间遥感与应用研究，与发达国家相比落后20年以上，近年来印度在遥感平台和微波遥感技术方面都比我国发展快，已形成严重的挑战。
2 国内外遥感技术最新技术高分辨率小型商业卫星发展迅速所谓小卫星[2]，是指质量小于500Kg的小型近地轨道卫星，其地面分辨率可达5ｍ，甚至1ｍ。
由于其研制和发射成本低廉，近年来发展非常迅速。
IKONOS-2是美国Space Imaging公司于1999年9月成功发射的第一颗高分辨率商业小卫星，并已开始出售数据；Orbview3/4卫星是美国Orbital Sciences公司研制和即将发射的小型卫星，其空间分辨率为1ｍ(全色)和 4-8ｍ(多波段)，其中，Orbview-4还为一个拥有200个波段高光谱传感器的卫星。
高分辨率小型卫星具有较高的空间分辨率和高频率的、立体的观测能力，其数据将是近年来商业服务最为活跃的数据源，在大比例尺图件制作、GIS制图和DEM立体图形制作等方面，均能产生良好的应用效果。
雷达卫星遥感日益受到青睐雷达遥感由于具有全天候、全天时和具有一定穿透功能的特性，在遥感发展初期就受到国际社会的关注。
1995年11月加拿大雷达卫星 RADARSAT-1的发射，标志着卫星微波遥感的重大进展，为建立一个能生存的国际遥感数据市场做出了重要贡献[4]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遥感图像分类方法的国内外研究现状与发展趋势遥感图像分类方法的研究现状与发展趋势摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。
随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。
在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。
这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。
关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。
这种发展主要表现在以下4个方面：1. 多分辨率多遥感平台并存。
空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。
遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。
民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。
例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。
随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。
2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。
微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。
微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。
成像雷达、激光雷达等的发展，越来越引起人们的关注。
例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。
高光谱遥感的出现和发展是遥感技术的一场革命。
它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。
高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。
但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要集中在一些技术发达国家，对其数据的研究和应用还十分有限。
近10年来情况出现了转机，1999年末第一台中分辨率成像光谱仪(MODIS)随美国EOSAM-1平台进入轨道，“新千年计划”第一星EO一1携带两种高光谱仪随后进入了太空。
此外，欧洲空间局的中分辨率成像光谱仪(MERIs)、日本ADEOS一2卫星的全球成像仪(Gu)以及美国轨道图像公司的轨道观察者4号(ORB一ⅥE1孵4)均相继升空。
一个高光谱群星灿烂的局面将展现在我们面前，可望形成遥感的突破性发展。
总之，不断提高传感器的性能指标，研制出新型传感器，开拓新的工作波段，获取更高质量和精度的遥感数据是今后遥感发展的一个必然趋势。
3. 遥感的综合应用不断深化目前，遥感技术综合应用的深度和广度不断扩展，表现为从单一信息源分析向包含非遥感数据的多源信息的复合分析方向发展；从定性判读向信息系统应用模型及专家系统支持下的定量分析发展；从静态研究向多时相的动态研究发展。
地理信息系统为遥感提供了各种有用的辅助信息和分析手段，提高了遥感信息的识别精度。
另外，通过遥感的定量分析，实现了从区域专题研究向全球综合研究发展，从室内的近景摄影测量到大范围的陆地、海洋信息的采集乃至全球范围内的环境变化监测。
多时相遥感的动态监测，可获取我国当前城市化过程、耕地面积和生态环境变化的基本资料。
与此同时，国际上相继推出了一批高水平的遥感图像处理商业软件包，用以实现遥感的综合应用。
其主要功能包括影像几何校正与辐射校正、影像增强处理与分析、遥感制图、地理信息分析、可视化空间建模等。
4. 商业遥感时代的到来随着卫星遥感的兴起，计算机与通信技术的进步以及各时期军事情报部门的需要，数字成像技术有了极大的提高。
世界各主要航天大国相继研制出各种以对地观测为目的的遥感卫星，并逐步向商用化转移。
因此，国际上商业遥感卫星系统得到了迅速发展，产业界特别是私营企业直接参与或独立进行遥感卫星的研制、发射和运行，甚至提供端对端的服务，也是目前遥感发展的一大趋势。
联合国制定的有关政策，在一定程度上鼓励了卫星公司制造商业高分辨率地球观测卫星的计划，这类卫星多为私营公司拥有，其地面分辨率为1～,5m。
如美国的IKONOS系列、QUICKBIRD系列、ORBVIEW 系列和以色列的EROS系列等。
商业卫星遥感系统的特点是以应用为导向，强调采用实用技术系统和市场运行机制，注重配套服务和经济效益，成为非常重要的遥感信息的补充。
、此外，商用小型地球观测卫星计划正在实施之中，这种小卫星具有灵活的指向能力，可以获取高空间分辨率的图像并快速传回到地面，它投资小、研制周期短，备受重视。
二、遥感图像计算机分类方法从1946年2月14日，世界上第一台电脑ENIAC诞生在宾夕法尼亚大学。
将近六十年过去了。
计算机从以前简单的只会计算到如今的集工作、娱乐各种功能于一身，从以前的巨型机到现在的微型机，历经着翻天覆地的变化。
面对这一个从满未知的领域，人们对其期待是巨大的。
个领域的发展都离不开计算的支持，将计算机技术引入遥感也是遥感技术发展的必然趋势。
遥感图像分类是利用计算机通过对遥感数据的光谱信息和空间信息进行分析、特征选择，并按照某种规则或算法将图像中每个像元划分为不同的类别。
在遥感分类中，有两种分类方法：第一种是象元光谱分类法，即只利用象元的光谱特征对各象元进行分类。
这样分分类方法是现阶段比较简单的分类方法，也是计算集机分类中用的比较多的一种。
这种方法实现比较简单，但是由于仅仅只运用了遥感图像的象元光谱特征这一种性质，而遥感图像中反应的其他大量的信息都被忽略，所以分类的精度不是很好，应用前景不是很广泛。
第二种是面向对象分类法。
这种分类方法不仅是考虑到象元的光谱特性，而且同时也考虑到象元的空间关系，使得计算机在分类的时候能够收集到更多的信息。
面相对象分类法在今年发展很快，出现了很多新的方法，例如：神经网络法、支持向量机SVM分类法、专家分类法。
同时，为了是分类精度提高，还引进了小波分析思想、分区分类思想等。
三、遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征, 它们构成了光谱空间。
每种地物有其固有的光谱特征, 它们位于光谱空间中的某一点。
但由于干扰的存在, 环境条件的不同, 例如: 阴影,地形上的变化, 扫描仪视角, 干湿条件, 不同时间拍摄及测量误差等, 使得测得的每类物质的光谱特征不尽相同, 同一类物质的各个样本在光谱空间是围绕某一点呈概率分布, 而不是集中到一点, 但这仍使我们可以划分边界来区分各类。
因此, 我们就要对图像进行分类。
图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数, 将特征空间划分为不相重叠的子空间, 进而把影像内诸像元划分到各子间去, 从而实现分类。
分类方法可以分为统计决策法( 判别理论识别法) 模式识别和句法模式识别。
统计决策法模式识别指的是: 对研究对象进行大量的统计分析, 抽出反映模式的本质特点、特征而进行识别。
主要的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。
此外还可以将两者结合起来, 互相补充以获得较好的效果。
句法模式识别则需要了解图像结构信息, 从而对其进行分类。
四、传统统计的遥感分类方法先从传统的遥感分类方面说起，该分类方法是目前运用较多，算法比较成熟的方法。
分为监督分类和非监督分类，他们的原理都是根据图像象元的光谱特征的相似度来进行的分类。
监督分类用于用户对分类区比较熟悉，由用户自己控制，非监督分类则是将象元相似度大小进行归类合并。
但是未充分利用遥感图像提供的多种信息，只考虑多光谱特征，没有利用到地物空间关系、空间位置形状、纹理等方面的信息。
1、监督分类监督分类可根据应用目标和区域，有选择地决定分类类别，可控制样本的选择，避免了非监督分类中对光谱集群组的重新归类。
但个人认为其人为主观因素较强，操作者所选择的训练样本有可能不是很典型并且有可能不能反映图像的真实情况，所以图像中同一类别的光谱差异和人为因素，有可能造成样本没有代表性，并且训练样本的选取和评估需要花费较多的人力和时间。
2、非监督分类非监督分类过程不需要任何的先验知识，仅凭遥感影像地物光谱特征的分布规律，随其自然地进行分类。
但是看文献时看到，非监督分类还有一个前提，那就是：假定遥感影像上同类地物在同样条件下具有相同的光谱信息特征。
如果产生的光谱万一不一定对应于操作者想要的类别，且操作者较难对产生的类别进行控制，比如图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱无法保持其连续性，从而使不同图像之间的对比变得困难。
五、分类新方法研究进展无论是监督分类还是非监督分类，都是依据地物的光谱特性的点独立原则来进行分类的，且都是采用的统计方法。
该方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元很多是混合像元，带有混合光谱信息的特点，致使计算机分类面临着诸多模糊对象，不能确定其究竟属于哪一类地物。
而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分情况的出现，因此人们不断尝试新方法来加以改善和提高遥感图像分类的效率和质量。
这些新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等。
近年来的研究大多将传统方法与新方法加以结合。
即在非监督分类和监督分类的基础上，运用新方法来改进，减少错分和漏分情况，对遥感图像的分类精度有了一定程度的增强。
六、发展前景与趋势1、更加自动化和智能化。
目前遥感图像分类趋向于把知识理解和统计相结合，今后还将向自动化、智能化方向发展。
神经网络法的发展和广泛应用显示了自动化、智能化是一个很重要的发展趋势，因为它可以模拟人脑，吸取前期分类的经验，对于后期的分类作调整，进一步提高分类精度。