遙感的最終成果之一是從遙感影象中獲取資訊，而遙感分類是獲取資訊的重要手段。 同時，遙感影像分類也是遙感技術研究的熱點方向，每年都有新的分類方法出台。
本小節的主要內容：
遙感分類的基本概念。
常用的遙感分類方法。
遙感影像通過亮度值或畫素值（反映物體的光譜資訊）和空間變化（反映物體的空間資訊）的差異來表示不同特徵的差異，是區分不同影象特徵的物理基礎。 遙感影像分類是利用計算機對遙感影像中各種地面物體的光譜資訊和空間資訊進行分析，選擇特徵，按照一定的規則或演算法將影像中的每個畫素點劃分為不同的類別，然後得到遙感影像中實際地面物體的相應資訊， 從而實現遙感影像的分類。
不同的特徵具有不同的光譜特徵，同一類特徵具有相似的光譜特徵，由不同檢測波段組成的多波段數字影像是對特徵特徵的量化，遙感影像的分類是基於影象中反映的同類特徵的光譜相似性和不同型別物體的光譜差異， 根據影象的特徵向量，建立判別函式，最終將遙感影象自動劃分為幾種型別的特徵。由於遙感影像資料量大、成像複雜，遙感影像具有一定的特點和原理。
與一般數字影象分類相比，遙感影像分類有其自身的特點，遙感影像分類的特點如下：
1）資料量大。遙感影像通常具有大量的光譜波段，每個畫素點在不同的波段具有不同的光譜特徵，因此遙感影像分類是處理多個波段的操作。
2）複雜性。雖然大多數特徵都符合“同一種特徵具有相同的光譜特徵，不同的特徵具有不同的光譜特徵”的原則，但在大多數情況下，同一類特徵將具有不同的光譜特徵，即“均勻特徵”，相同的光譜特徵代表不同的特徵，即“異物具有相同的光譜”。
3）需要預處理。同時，由於處理多波段遙感資料的計算量較大，因此在分類前採用特徵判別來確定一定的預處理方法，既可以減少計算量，又能為多波段資料的處理提供一種途徑。
遙感影像分類方法大致可歸納為三類：
計算機自動分類可分為：基於光譜的計算機分類（監督分類和無監督分類）、基於專家知識的決策樹分類、物件導向的影象分類和深度學習影象分類。
此外，還有定量反演、遙感動態監測、DEM提取等。
事實上，機器學習的概念早在上個世紀就已經在遙感領域提出，並且早已出現了神經網路、支援向量機等機器學習演算法，它們屬於遙感領域的監督分類範疇。
（1）無監督分類
無監督分類：也稱為聚類分析或點聚類分類。 在多光譜影象中搜尋和定義自然相似光譜簇的過程。 它不需要獲取影象物件的先驗知識，而只是依靠影象上不同型別物件的光譜（或紋理）資訊進行特徵提取，然後對特徵的差異進行統計，以達到分類的目的，最後確認已經劃分的每個類別的實際屬性。
目前比較常見和成熟的是isodata、鏈法等。 遙感影像的無監督分類一般包括以下六個步驟：
圖：無監督分類過程。
影象分析：對影象進行分析，大致確定主要特徵的類別數量。
分類器選擇：選擇適當的分類方法。
影象分類：設定分類器的引數，用於對影象進行分類。
類別定義：一般情況下，需要設定多個類別，然後重新識別和合併不是監督分類的結果。
類別重新編碼：重新定義已定義類別的類別 ID。
結果驗證：對分類結果進行評估，以確定分類的準確性和可靠性。
（二）監督分類
監督分類：也稱為訓練分類法，這是使用已確認類別的樣本細胞來識別其他未知類細胞的過程。 即在分類前，通過目視解譯和野外調查，先驗了解遙感影像上某些樣本區域影象特徵的類別屬性，為每個類別選擇一定數量的訓練樣本，計算每個訓練樣本區域的統計資料或其他資訊，並利用這些種子類別訓練決策函式，以滿足各個子類別分類的要求， 然後使用訓練好的決策函式對其他要劃分的資料進行分類。將每個畫素與訓練樣本進行比較，並根據不同的規則將其劃分為最相似的樣本類，從而完成整個影象的分類。
遙感影像的監督分類一般包括以下六個步驟：
圖：監督分類的一般過程。
分類定義：根據分類目的、影像資料本身的特點和分類區域採集的資訊確定分類系統;
特徵辨別：判斷影象的特徵，評估影象質量，決定是否進行影象增強等預處理;
樣本選擇：為了建立分類功能，每個類別需要選擇一定數量的樣本;
分類器選擇：根據分類的複雜度和準確性要求確定哪種分類器;
影象分類：選擇的分類器用於對影象資料進行分類，有時需要進行分類後處理。
結果驗證：對分類結果進行評估，以確定分類的準確性和可靠性。
基於知識的決策樹分類是基於遙感影像資料等空間資料，通過專家經驗總結、簡單數理統計和歸納方法，通過遙感獲取分類規則並進行分類。 分類規則通俗易懂，分類過程也符合人類的認知過程，最大的特點是多源資料的使用。
專家知識決策樹分類的步驟大致可分為四個步驟：知識（規則）定義、規則輸入、決策樹操作和分類後處理。
圖：基於專家知識的決策樹分類的一般過程。
1）知識（規則）定義。
規則的定義是用數學語言表達知識的過程，可以通過某些演算法或通過經驗總結獲得。
2）規則輸入。
分類規則輸入到分類器中，不同的平台有不同的規則輸入介面。
3）決策樹執行。
執行分類器或演算法程式。
4）分類後處理。
此過程類似於監督無監督分類的分類後處理。
“均勻異物”對影象分類的影響，再加上高解像度影象的光譜資訊不是很豐富，而且它們之間經常存在光譜相互作用的現象，這對基於畫素的分類方法提出了挑戰，而物件導向的影象分類技術可以在一定程度上降低上述影響。
物件導向的分類技術將相鄰畫素作為物件進行整合，以識別感興趣的光譜元素，並充分利用高解像度全色和多光譜資料的空間、紋理和光譜資訊進行分割和分類，並輸出高精度的分類結果或向量。
物件導向的影象分類主要分為影象物件構建和物件分類兩部分。 下圖顯示了ENVI中FX工具的物件導向影象分類過程。
圖：FX操作流程示意圖（*專案為可選操作步驟）。
影象分割技術主要應用於影象物件的構建，常見的分割方法包括基於多尺度、基於灰度、基於紋理、基於知識和基於分水嶺的等分割演算法。 比較常用的是多尺度分割演算法，它綜合遙感影像的光譜特徵和形狀特徵，計算影像中各波段的光譜異質性和形狀異質性的綜合特徵值，然後根據各波段的權重計算影象各波段的加權值， 當分割物件或基元的光譜和形狀的綜合加權值小於指定閾值時，進行重複迭代操作。完成影象的多尺度分割，直到所有分割物件的復合加權值大於指定閾值。
目前，常用的影象物件分類方法是“監督分類”和“基於知識的分類”。 這裡的監督分類不同於我們常說的監督分類，它在分類時與樣品有更多的對比引數，不僅光譜資訊，還有空間、紋理等資訊。 基於知識的分類也是基於對影象物件的熟悉程度來設定分類規則。
深度學習是一種更複雜的機器學習形式，它使系統能夠自動發現資料中的效能特徵。 深度學習和機器學習之間的區別在於它能夠在沒有外部指導或干預的情況下持續快速地自我改進。 深度學習演算法通過遍歷神經網路中的一系列層來學習模式以得出結論，類似於大腦處理資訊的方式。
對於遙感，深度學習嘗試發現影象中的空間和光譜特徵，通常用於查詢車輛、公共設施、道路等特徵。 深度學習模型經過訓練，通過使用一組標記的畫素資料作為樣本來發現這些特定目標。
以下是深度學習工具在ENVI中的影象分類過程。
下表提供了四類自動分類方法的一般比較。