遥感图像分类技术的三种主要类型是：
无监督和监督图像分类是两种最常见的方法。
然而，基于对象的分类越来越受欢迎，因为它对于高分辨率数据很有用。
在无监督分类中，它首先根据像素的属性将像素分组为“簇”。然后，使用土地覆盖类别对每个聚类进行分类。
总的来说，无监督分类是最基本的技术。由于您不需要样本进行无监督分类，因此这是分割和理解图像的简单方法。
无监督分类的两个基本步骤是：
选择聚类算法后，您可以确定要生成的组数。例如，您可以创建 8、20 或 42 个集群。较少的簇在组内具有更多相似的像素。但更多的聚类会增加组内的变异性。
需要明确的是，这些是未分类的集群。下一步是手动为每个聚类分配土地覆盖类别。例如，如果您想要对植被和非植被进行分类，您可以选择最能代表它们的聚类。
在监督分类中，您为每个土地覆盖类别选择代表性样本。然后，该软件使用这些“训练站点”并将其应用到整个图像。
监督分类的三个基本步骤是：
对于监督图像分类，您首先创建训练样本。例如，您可以通过在图像中标记城市区域来标记它们。然后，您将继续在整个图像中添加代表的训练站点。
最后，最后一步是使用签名文件来运行分类。从这里，您必须选择一种分类算法，例如：
监督和非监督分类是基于像素的。换句话说，它创建方形像素，并且每个像素都有一个类别。但基于对象的图像分类将像素分组为具有大小和几何形状的代表性矢量形状。
以下是执行基于对象的图像分析分类的步骤：
两种最常见的分割算法是：
在基于对象的图像分析 (OBIA) 分类中，您可以使用不同的方法对对象进行分类。例如，您可以使用：
形状：如果要对建筑物进行分类，可以使用形状统计数据，例如“矩形拟合”。这将测试对象的几何形状是否为矩形。
纹理：纹理是物体的同质性。例如，水大部分是均质的，因为它大部分是深蓝色的。但森林有阴影，是绿色和黑色的混合体。
光谱：您可以使用光谱属性的平均值，例如近红外、短波红外、红色、绿色或蓝色。
地理环境：对象之间存在邻近关系和距离关系。
假设您想要对高空间分辨率图像中的水进行分类。
人类自然地将空间信息聚合成组。多分辨率分割通过将同质像素分组为对象来完成此任务。多分辨率分割后水景很容易识别。这就是人类可视化空间特征的方式。
正如本文所述，空间分辨率是选择图像分类技术时的一个重要因素。
当您拥有低空间分辨率图像时，传统的基于像素和基于对象的图像分类技术都表现良好。
但是，当您拥有高空间分辨率图像时，OBIA 优于传统的基于像素的分类。
1972 年，Landsat-1 是第一颗以 60 米分辨率收集地球反射率的卫星。此时，无监督分类和监督分类是可用的两种图像分类技术。对于这个空间分辨率来说，这已经足够了。
然而，OBIA 作为一种数字图像处理技术已经取得了显着的发展。
为了满足需求，卫星图像的目标是在更广泛的频率范围内获得更高的空间分辨率。以下是过去几年出现的一些主要遥感数据趋势。
但更高分辨率的图像并不能保证更好的土地覆盖。使用的图像分类技术是提高准确性的非常重要的因素。
阿肯色大学的案例研究比较了基于对象的分类与基于像素的分类。目标是比较高中空间分辨率图像。
总体而言，基于对象的分类优于无监督和有监督的基于像素的分类方法。由于 OBIA 同时使用光谱和上下文信息，因此具有更高的准确性。
这项研究是基于像素的图像分类技术的一些局限性的一个很好的例子。
像素是图像中表示的最小单位。图像分类使用各个像素的反射率统计数据。
技术进步和高空间分辨率图像的可用性有了很大的发展。但图像分类技术也应该考虑在内。人们的注意力集中在基于对象的图像分析上，以提供优质的产品。
根据Google Scholar的搜索结果，所有图像分类技术的出版物数量都呈现稳定增长。最近，基于对象的分类显示出很大的增长。