编辑推荐丨遥感图像场景分类研究进展

遥感学报 · 公众号 · · 2025-02-25 07:00

正文

请到「今天看啥」查看全文

第1148期推文，点击关注不迷路！

遥感学报NRSB

图片来源于网络

随着遥感技术的迅猛发展，高分辨率遥感图像在众多领域的应用愈发广泛。然而，遥感图像场景分类却面临诸多难题，如复杂的成像环境、多样的地物特征，使得场景分类的精度和效率难以满足实际需求。近年来，深度学习技术的崛起为遥感图像场景分类带来了新的契机。

中国科学院空天信息创新研究院 高连如课题组 在《遥感学报》发表的文章“ 高分辨率遥感图像场景分类研究进展 ”，对遥感图像场景分类领域中的深度学习方法进行了系统性研究。文章梳理了从手工特征提取到基于基础模型等多种分类方法，总结了具有代表性的数据集，评估了经典分类方法的性能，讨论了该领域面临的主要挑战和技术发展趋势，为相关研究提供了全面的参考和新的思路。

引用格式

李智，高连如，郑珂，倪丽.2024.高分辨率遥感图像场景分类研究进展.遥感学报，28（11）：2739-2760

Li Z， Gao L R， Zheng K and Ni L. 2024. Research progress of high-resolution remote sensing image scene classification. National Remote Sensing Bulletin， 28（11）：2739-2760

创新点

（1）全面梳理深度学习方法：系统归纳卷积神经网络、Vision Transformer、生成对抗网络等多种模型架构在遥感图像场景分类中的应用，详细阐述各模型从基础架构到改进策略的发展脉络，为研究者提供全面技术参考，这有别于以往仅针对单一或少数模型的研究，让读者对深度学习方法在该领域的应用有系统、完整的认识。

（2）深入剖析数据集：总结从场景分类概念提出以来的 24 个代表性数据集，分析其样本数量、分类体系、制作方法等方面的特点及发展趋势，通过在基准数据集上评估经典场景分类方法，清晰展现不同方法性能，为后续研究在数据集选择和方法改进上提供有力依据，对推动数据集的进一步完善和方法优化意义重大。

（3）精准展望发展趋势：结合当前研究现状，深入探讨遥感图像场景分类面临的挑战，从数据、模型、应用等多方面精准预测未来发展方向，如扩充数据集、开展多标签分类、融合多源数据、轻量化模型、解决小样本学习和跨域分类问题、融入地学知识等，为后续研究指明方向，激发新的研究思路和探索。

研究方法

本文先从遥感图像场景分类的研究背景和意义出发，介绍了随着遥感技术发展，对图像信息智能提取技术要求提高，引出场景分类的重要性。由于深度学习在场景分类中应用广泛且成果显著，因而对基于深度学习的场景分类方法进行重点研究。

按照模型架构和原理的不同，本文将深度学习分类方法细分为基于手工特征提取的分类模型、基于卷积神经网络的分类模型、基于ViT的分类模型、基于生成对抗网络的分类模型以及基于遥感基础模型的方法。基于手工特征提取的方法依赖手工特征描述算子，虽简单有效，但在复杂场景下存在局限性。而卷积神经网络因其强大的特征提取能力在场景分类中得到广泛应用，包括作为特征提取器、端到端的分类以及引入注意力机制等多种应用方式。

Vision Transformer引入后为场景分类提供了新框架，它能直接考虑图像上下文信息，但也存在一些缺陷，研究人员通过改进和与其他框架结合来提升性能。生成对抗网络则主要用于数据增广和跨域分类，不过目前其分类性能相较于基于CNN的方法还有提升空间。遥感基础模型从大规模数据集中学习特征表示，为场景分类带来新热点，基于此的场景分类方法往往能取得更优结果。

表1 部分遥感图像场景分类深度学习方法的公开代码汇总

此外，文章还对遥感图像场景分类的数据集进行总结分析，研究其发展现状，并通过在基准数据集上评估经典场景分类方法的性能，对比不同方法的优劣，最后探讨该领域面临的挑战和未来发展趋势。

表2 遥感图像场景分类数据集汇总表

研究结果

本篇论文对高分辨率遥感图像场景分类领域进行了全面研究，梳理了多种分类方法并总结了相关数据集，深度学习方法在该领域已取得显著进展，推动着场景分类研究不断向前发展。现阶段，深度学习分类方法如卷积神经网络、Vision Transformer等，凭借强大的特征提取和学习能力，在场景分类精度上有了很大提升，不同模型在各类数据集上展现出了各自的优势，为后续研究奠定了良好基础。

然而，当前遥感图像场景分类仍面临诸多挑战。人类对地面场景认知存在局限，现有数据集类别数量和类型与实际应用存在差异；现实中遥感图像多包含多种场景类别，单标签分类无法深入理解图像内容；高分辨率遥感图像仅靠可见光光谱信息难以完整描述多样场景，需融合多种观测手段扩充信息量；深度学习模型参数量大，难以部署在机载或星载嵌入式系统进行实时处理；标注样本获取困难，人力物力投入大，特定应用中样本数据量不足。

因此，未来研究应聚焦于扩充场景分类数据集，开展多标签分类研究，融合高空间分辨率、多光谱/高光谱及合成孔径雷达等数据，进行模型轻量化处理，探索小样本学习、无监督学习和跨域场景分类方法，以及融入地学专家知识等方向。随着研究的深入，有望出现更高效、精准的场景分类方法，为土地监测、环境保护等领域提供更可靠的技术支持，推动遥感技术在各行业的广泛应用和发展。

结论

（1）研究成果：本文全面梳理了卷积神经网络、Vision Transformer等多种深度学习分类方法，还总结了24个代表性数据集。研究发现，深度学习方法显著提升了场景分类精度，不同模型在各数据集上优势不同。

（2）面临挑战：当前该领域面临诸多难题。人类对地面场景的认知有限，导致现有数据集与实际应用存在差异；单标签分类难以满足实际需求；高分辨率遥感图像仅靠自身信息无法完整描述场景，需要融合多源数据；深度学习模型难以部署在机载或星载嵌入式系统中；标注样本获取困难且成本高，特定应用场景下样本量不足。

（3）未来方向：未来的研究可从多方面展开，如扩充数据集，开展多标签分类研究；融合多种观测手段获取的数据；进行模型轻量化处理；探索小样本学习、无监督学习和跨域场景分类；融入地学专家知识等，从而推动该领域持续发展。