地物分类介绍

地物分类的概念
将所有图像像素自动分类为不同的类型。

地球表面的地物类型，包括人造表面、农业区、森林、(半)自然区、湿地、水体。
指地表覆盖物，例如植被、人造构筑物、水、裸露的土壤等等。

遥感影像分类基本分为非监督分类与监督分类两种。二者区别是，就是字面意思，一种是不需要样本，一种是需要制作样本。近年来AI大热，CNN之类的方法归为监督分类，这个后续再细说。

遥感影像分类方法大类

1. 非监督分类

   没有训练的分类器，直接基于数据本身
   纯基于多光谱数据集中光谱特性分布的统计参数
   示例:Isodata聚类，K-Means聚类，随机森林等等

2. 监督分类

   使用样本训练，对分类器进行训练
   例如:最大似然，最小距离，k近邻，人工神经网络，支持向量机等等

前些年计算机视觉火热，遥感开始了另一个大方向：AI与遥感。其实有些研究内容是可以的，地物分类是其中之一。在计算机做的是普通图片的分类，譬如行人检测、猫狗分类等等，而遥感影像则是对地球表面存在的类型做分类。遥感数据与普通图片的区别是波段维数的增加，在数据类型上并无其他的区别。现在的算法很多都是开源的，怎么做的落地好才是研究的重点（轻量化），例如在汽车上你并不可能用python跑深度学习，你要改成CPP。汽车上的芯片也不如你个人电脑上的显卡性能。甚至是以后的卫星在轨数据处理都会涉及到的云判等等，卫星的芯片其实也不如你的显卡性能，怎么去优化代码，实现代码轻量化是AI与遥感结合的一个小的研究方向（很难也水不了文章但感觉很有前途）

CNN，卷积神经网络，可以归为监督分类。以上这些分类算法在落地应用时，其实不算难，难的是怎么去优化它，最终得到一个好结果，并且在这个过程使用更少的人工干预。而且预期未来，希望分类算法可以迁移到不同的地区。只需要少量资源甚至是不需要重新训练就可以在不同地区实现分类的结果。当然这个目标很难实现，但是也是一个最终目标，朝着这个目标前进才能使这些分类算法的实现的效果越来越好。