高空间分辨率遥感影像分割方法研究综述
超高分辨率卫星图像的处理方法
超高分辨率卫星图像的处理方法随着卫星技术的不断发展，卫星对地观测技术也得到了极大的提升，例如，“高分一号”卫星采集到的数据分辨率可以达到0.5米左右。
这种超高分辨率的卫星图像，虽然提供了更加细致的地表信息，但同时也带来了处理方面的挑战。
本文将从以下几个方面介绍超高分辨率卫星图像的处理方法。
一、图像去模糊处理高分辨率卫星图像往往会因为地球自转导致的运动模糊或者云雾的遮盖而存在模糊现象，特别是在植被、水体等比较复杂的地形环境下，这种模糊现象更加明显。
因此，在进行图像处理前，必须先进行图像去模糊处理。
常用的方法主要有：1、融合处理：将多张具有不同角度或不同波段信息的卫星图像进行叠加处理，得到一张综合信息更加丰富、分辨率更高的图像。
2、运动模糊去除：利用运动模糊的方向和大小信息，通过计算得到一张恢复清晰的图像。
3、复原算法：将图像看做是一个信号，对其进行复原处理，提高图像的质量和分辨率。
二、图像分割处理超高分辨率卫星图像中存在的不同地物之间存在模糊、重叠等问题，不同地物难以区分，因此需要进行图像分割处理。
常用的方法主要有：1、基于区域的方法：将图像划分为若干个不同的区域，并对每个区域进行独立的处理。
2、基于边界的方法：通过识别图像中的边界信息来确定不同地物之间的分界线。
3、基于深度学习的方法：通过神经网络的学习和分类能力，对图像中的不同地物进行自动识别和分类。
三、图像配准处理超高分辨率卫星图像往往会因为拍摄时的姿态以及地球的自转导致不同图像之间存在略微的位置偏差，因此需要进行图像配准处理。
常用的方法主要有：1、基于特征点匹配的方法：通过提取图像中的关键点特征，并对其进行匹配，从而实现图像配准。
2、基于区域匹配的方法：将两幅图像区域进行比对，找到最相似的区域进行匹配。
3、基于同步匹配的方法：一边匹配同步位置，一边对图像进行微调，从而实现图像匹配。
四、图像增强处理超高分辨率卫星图像虽然分辨率高，但是由于拍摄的过程和环境等原因，图像中存在噪声、瑕疵等问题，因此需要进行图像增强处理。
面向遥感监测的影像分割算法研究
面向遥感监测的影像分割算法研究摘要：传统分水岭变换通常对梯度影像进行变换，往往会出现过分割现象。
本文针对传统分水岭变换算法的不足，提出了一个新的影像多尺度分割算法。
其基本过程是：传统分水岭变换先对边缘影像进行区域提取，通过边缘方向的拟合并修正边缘的强弱，获取区域分割结果。
最后，根据区域边界的强弱作为区域合并条件，获得多尺度的分割结果。
本文利用航空影像进行验证，实验表明不同层次的分割结果能够较好地反映地物的尺度特性。
关键词：方向分水岭变换多尺度分割边缘方向传统分水岭变换具有简单、速度快、能检测出弱边缘对象及能获得对象完整边界等诸多优点，被广泛的用于各种领域。
但因其一般是在梯度影像进行变换，受暗噪声等因素的影响，存在大量伪局部极小值区域，会出现过分割现象[1]。
高分辨率遥感影像在大气传递、成像过程容易产生噪声，特别是地物内部纹理丰富，利用传统分水岭方法分割时更容易出现过分割现象。
同时，利用传统分水岭算法分割高分辨率影像区域时，在强边界附近易于造成交叉，使分割效果变差[2-3]。
基于上述问题，本文利用方向分水岭变换算法增强弧和初始方向边缘强度的信号之间的一致性，反映边缘的强弱，并将其作为区域合并条件，完成影像多尺度分割。
2 方向分水岭变换原理方向分水岭变换算法的区域提取方法的主要思想：由传统分水岭变换对上述得到的边缘影像进行区域提取，通过边缘方向的拟合并修正边缘的强弱，获取区域分割结果。
作为方向分水岭变换算法数据的输入，要先获得影像的边缘的方向和强度信息—边缘影像。
为进一步提高边缘的定位精度，将影像的光谱信息特征和纹理特征相结合，提取不同尺度下影像的边缘。
因此，根据影像的亮度和纹理特征，利用直方图差分方法分别得到影像多尺度的分割结果，通过对它们在不同方向下设置权重，获得不同尺度下影像的方向边缘强度[4]。
1）首先，在三个尺度下，根据灰度值和纹理基元特征分别计算八个方向的直方图的方向梯度，检测出灰度影像边缘和纹理区域边缘；2）找出八个方向的响应极大值，作为边界；3）将上述得到的多特征、多尺度得到的影像，设定权重以下公式形式组合起来，得到边缘强度mPb。
遥感图像的特征提取与空间分析方法
遥感图像的特征提取与空间分析方法遥感图像是一种通过卫星、飞机等远距离方式获取地球表面信息的技术。
随着遥感技术的不断进步和应用领域的拓展，遥感图像的特征提取和空间分析方法也成为研究的热点之一。
本文将探讨遥感图像特征提取与空间分析方法的相关内容，包括常用的特征提取方法、特征的分类和应用以及空间分析方法的原理和应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是最基础的一种方法，它通过分析每个像素点的亮度、颜色等属性来提取图像特征。
常见的方法有灰度共生矩阵、颜色直方图和纹理特征等。
其中，灰度共生矩阵通过计算像素之间的灰度分布概率来描述图像的纹理特征，颜色直方图通过统计图像中像素的颜色分布情况来提取图像的颜色特征。
2. 基于区域的特征提取方法基于区域的特征提取方法是将图像分割成若干个区域，然后提取每个区域的特征。
常用的方法有边缘检测、聚类分析和形态学处理等。
边缘检测可以提取图像中的边界信息，聚类分析可以将相似的像素点分到同一个区域中，形态学处理可以提取图像中的纹理和形状信息。
二、特征的分类和应用根据特征的性质和应用场景的不同，特征可以分为几何特征、频谱特征和纹理特征等。
几何特征包括面积、周长、形状等，频谱特征包括反射率、辐射度等，纹理特征包括纹理均匀度、纹理方向等。
这些特征在不同领域的应用也有所不同。
1. 土地利用与覆盖变化研究土地利用与覆盖变化研究是遥感图像应用的一个重要领域，它可以通过提取图像的频谱特征和纹理特征来监测和分析土地的利用情况和覆盖变化。
例如，利用遥感图像的反射率特征可以判断农田的健康状况，利用纹理特征可以分析城市建设的扩张情况。
2. 灾害监测与评估灾害监测与评估是遥感图像应用的另一个重要领域，它可以通过提取图像的几何特征和纹理特征来识别和分析灾害的类型和程度。
例如，在地震灾害监测中，可以利用遥感图像的几何特征和纹理特征来评估建筑物的倒塌程度和人员伤亡情况。
三、空间分析方法空间分析方法是对遥感图像进行空间变化和空间关系分析的一种方法。
遥感图像的空间分辨率与光谱分辨率解读
遥感图像的空间分辨率与光谱分辨率解读遥感图像是通过遥感技术获取的地球表面信息的图像。
它是利用飞机、卫星等传感器对地球表面进行观测和探测，通过光电转换技术将观测到的信息转化为数字信号，再经过一系列处理，生成用于科学研究、资源调查、环境监测等领域的图像数据。
遥感图像的分辨率是指图像中显示的最小可分辨的特征的大小。
它分为空间分辨率和光谱分辨率两种类型。
空间分辨率是指遥感图像中所显示的最小可分辨物体的大小。
通常来说，空间分辨率越高，图像所显示的物体越小，细节越清晰。
空间分辨率取决于传感器的分辨能力，较高的空间分辨率可以提供更为细致的地表信息，对于城市规划、土地利用等研究具有重要意义。
光谱分辨率是指遥感图像能够区分不同波长范围内的电磁能量的能力。
通过分析不同波段的电磁能谱，可以获取有关被观测物体的物理、化学特性等信息。
一般来说，光谱分辨率越高，可以获取的信息越丰富。
光谱分辨率对于农业、林业等领域的研究尤为重要，可以用于监测植被生长状况、水质监测等应用。
空间分辨率和光谱分辨率的提高可以更准确地获取地球表面信息，提高遥感图像在科学研究和应用中的价值。
然而，提高分辨率也面临一些挑战。
首先，提高空间分辨率和光谱分辨率会导致图像数据量增大，给数据存储和处理带来困难。
对于大规模遥感图像数据的处理，需要耗费大量的计算资源和存储空间，提高了处理成本。
其次，高分辨率的遥感图像对传感器和设备的要求更高。
高分辨率传感器的研发和制造成本较高，而且在实际应用中，高分辨率的图像采集也更加困难。
此外，高分辨率图像的使用也面临一些技术问题。
由于图像文件较大，传输速度较慢，限制了遥感图像的实时监测和广泛应用。
在解读遥感图像时，需要综合考虑空间分辨率和光谱分辨率。
空间分辨率可以帮助我们观察到尺度较小的地表特征，例如建筑物、道路等，而光谱分辨率可以提供物体的物理属性、化学成分等信息，例如植被类型、土壤含水量等。
在农业领域的应用中，可以利用高空间分辨率的遥感图像观察农田的变化，监测作物的生长状况。
高分遥感影像中道路信息提取方法综述
高分遥感影像中道路信息提取方法综述冯鹏;高峰【摘要】The importance,general steps and basic ideas of road information extraction are elaborated in this paper. The road information extraction methods of high-resolution remote sensing images are classified according to different road characteris-tics. It is in the hope that a road information extraction method with strong universality can be found to yield twice the result with half the effort. On this basis,and in combination with the current development direction of science and technology and the basic thought of road feature extraction,the prospect of research on road feature extraction is pointed out.%阐述了道路信息提取的重要性和一般步骤及基本思路,通过对高分辨率遥感图像中道路信息提取方法利用道路特征的不同进行了分类整理,并对经典方法进行分析,希望能对找到一种具有普适性的道路提取方法起到事半功倍的效果.在此基础上结合当前科技发展的方向,从道路提取的基本思想出发,对道路特征提取研究的前景做出展望.【期刊名称】《现代电子技术》【年(卷),期】2015(038)017【总页数】5页(P53-57)【关键词】高分辨率;遥感影像;道路特征提取;图像处理【作者】冯鹏;高峰【作者单位】国防科学技术大学 ATR国家重点实验室,湖南长沙 410073;国防科学技术大学 ATR国家重点实验室,湖南长沙 410073【正文语种】中文【中图分类】TN911.73-34进入新世纪以来，高分辨率遥感卫星的使用越来越多，海量高分辨率遥感图像的获得，深刻的影响着人们日常生活和科技发展，例如电子导航地图、自然灾害预警、土地利用检测等。
融入CBAM的Res-UNet高分辨率遥感影像语义分割模型
融入CBAM的Res-UNet高分辨率遥感影像语义分割模型孙凌辉;赵丽科;李琛;成子怡
【期刊名称】《地理空间信息》
【年(卷),期】2024(22)2
【摘要】针对现有语义分割方法处理复杂遥感影像细节特征识别能力差、信息丢
失等问题,提出一种融合注意力机制的遥感影像语义分割网络模型。
模型主干网络
采用编码器-解码器架构的U-Net模型,为了缓解梯度和网络退化问题,将残差结构
嵌入到主干网络中;同时融入通道、空间注意力模块,兼顾影像的细节特征和模型鲁
棒性。
在ISPRS Potsdam数据集上进行分析验证,实验结果表明,在去除“噪声”、地物边缘“平滑”、细窄地物“连续”、细小目标分割等方面,融入CBAM模块的ResUNet语义分割精度要优于传统网络模型。
【总页数】3页(P68-70)
【作者】孙凌辉;赵丽科;李琛;成子怡
【作者单位】河南工业大学信息科学与工程学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.图像语义分割方法在高分辨率遥感影像解译中的研究综述
2.空间信息感知语义分割模型的高分辨率遥感影像道路提取
3.卷积神经网络和视觉注意力语义分割模型
在高分辨率遥感影像分类中的性能分析4.基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测
因版权原因，仅展示原文概要，查看原文内容请购买。
多时相遥感影像变化检测方法研究进展综述
多时相遥感影像变化检测方法研究进展综述1. 本文概述随着遥感技术的飞速发展，多时相遥感影像在环境监测、资源管理、城市规划等领域发挥着越来越重要的作用。
多时相遥感影像变化检测，作为遥感影像分析的核心内容之一，旨在识别和量化不同时间点获取的遥感影像之间的变化信息。
本文旨在全面回顾和评述多时相遥感影像变化检测方法的研究进展，包括传统方法和基于深度学习的方法，以及它们在各类应用场景中的性能表现。
本文首先介绍了多时相遥感影像变化检测的基本概念、研究背景和重要性。
随后，本文详细梳理了当前主流的变化检测方法，包括基于像素、基于特征和基于决策的方法，并分析了这些方法的优缺点。
特别地，本文重点关注了近年来兴起的基于深度学习的变化检测方法，如卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等，并探讨了它们在提高变化检测精度和效率方面的潜力。
本文还讨论了变化检测方法在实际应用中面临的挑战，如数据异质性、变化类型多样性和计算复杂性等，并提出了可能的解决方案和未来研究方向。
通过本文的综述，我们期望为遥感科学和相关领域的研究者提供一个关于多时相遥感影像变化检测方法的全面了解，并激发新的研究思路和技术创新。
2. 多时相遥感影像基本概念多时相遥感影像，指的是在不同时间点对同一地区或目标进行多次遥感观测所获取的影像集合。
这些影像可以来自同一传感器，也可以来自不同传感器，但它们的共同点是都反映了同一地区在不同时间点的地表状况。
多时相遥感影像的获取，有助于我们深入了解地表的动态变化，如土地利用覆盖变化、城市扩张、自然灾害等。
多时相遥感影像的变化检测，就是通过对这些不同时间点的影像进行比较和分析，识别出地表发生的各种变化。
这种变化检测的方法，可以基于像素级、特征级或对象级进行。
像素级变化检测主要关注像素值的变化，通过比较不同时间点的像素值来识别变化区域特征级变化检测则提取影像中的特定特征，如纹理、形状等，通过比较这些特征的变化来识别地表变化对象级变化检测则是将影像分割为不同的对象，通过比较这些对象的变化来识别地表变化。
高分辨率遥感影像面向对象的分类方法
Ａｂ ｔａ ｔ Ｓ ｅ ｉｌｈ ｇ － ｓ ｌ ｔ ｎ ｒ ｍｏｅ ｓ ｎ ｉｇ ｃａ ｓｆｃ ｔｏ ｏｔ ｒ Ｃｏ ｎｔｏ ｄ ｐ ｓａ ｃａ ｓｆｃ ｔｏ ｅ ｈ－ ｓｒ ｃ ｐ ｃａ ｉｈ－ｅ ｏｕ ｉ ｅ ｔ ｅ ｓｎ ｌ ｓｉ ａｉｎ ｓｆｗａｅ ｅ ｇ ｉ ｎ ａ ｏ ｔ ｌｓ ｉ ａｉｎ ｔｃ － ｒ ｏ ｉ ｉ ｉ
３ 叶弑２１ 第 ４ 第 期 ０ 年 ２卷 ６ １
Ｅ ｅ ｔ ｎ ｃ Ｓ ｉ ＆ Ｔ ｃ ． Ｊ ｎ ．１ ｌ ｃｒ ｉ ｃ． ｏ ｅ ｈ ／ ｕ ｅ ５．２ ０ ０１
高 分 辨 率 遥 感 影 像 面 向对 象 的分 类方 法
王 林
（ 新疆 生产建设 兵团 勘测规划设计研究院 ，新疆 乌鲁木齐
Ｋｅｗ ｒｓ ｅ ｏｎ ｉ ；ｒｍ ｔ ｓｎｉ ｉ — ｓｌ ｉ ；ｏｊ ｔ ｒ ｎｅ ｙ ｏｄ Ｃ ｇｉｏ ｅ ｏ ｅｓ ｇｈｇ ｒ ｏ ｔ ｎ ｂ ｃ ｏ ｅｔ ｔｎ ｅ ｎ ｈ ｅ ｕｏ ｅ ｉ ｄ
- 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)。
高空间分辨率遥感影像分割方法研究综述高空间分辨率遥感影像分割方法研究综述刘建华毛政元（福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002）摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。
遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。
本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。
建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。
关键词:高空间分辨率遥感影像影像分割方法应用策略进展A Survey on High Spatial Resolution Remotely Sensed ImagerySegmentation Techniques and Application StrategyLiu Jian hua Mao zheng yuan(Fuzhou University, Spatial Information Research center, Fuzhou, 350002)Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay.Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects1 引言高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。
目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。
遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。
按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。
迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。
这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。
具体体现在高分影像其空间分辨率高、纹理信息丰富而光基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。
作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。
目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。
E-mail：sirc.liujh@。
谱信息相对不足，影响分割的主要因素是数据量大、空间变异性高，再加上对高分影像的分析与理解需要从不同的尺度着手，因此分割的语义、尺度、效率、精度和可重复性是需要解决的问题，另外分割结果的客观评价也是尚未解决的问题之一。
本文注重于高分影像分割方法体系和分割应用策略的研究现状总结，在此基础上提出目前遥感影像分割研究的热点及其发展趋势。
2 遥感影像分割方法与分析据不完全统计，到目前为止至少发展了超过1000多种的分割方法[3]。
遥感影像分割方法总的来说可分为自上而下的知识驱动和自下而上的数据驱动两大类。
知识驱动型是指在分割时根据待分割对象的先验模型以及知识规则来指导分割过程。
数据驱动型则根据高分影像数据自身的特征直接对图像数据进行分割，本文则属于后者范畴。
若根据待分割图像波段数的不同，分割方法可以分为灰度图像分割、彩色图像分割或多波段图像分割（遥感影像一般为此类，而灰度和彩色图像分割可认为是多波段图像分割的特例）。
然而更多的学者则倾向于从分割方法的原理入手来分类图像分割方法[4-7]。
例如，文献[4]将图像分割方法分为三类，即特征阈值或聚类，边缘检测和区域提取。
文献[5]将图像分割方法分为阈值法，边缘检测法，统计学方法，结合区域与边界信息的方法。
文献[6]将分割方法分为直方图阈值法，特征空间聚类法，边缘检测法，基于区域的方法，人工神经网络方法，基于模糊集理论的方法，物理方法以及上述方法的混合。
文献[7]将分割方法分为并行边界或区域以及串行边界或区域四大类分割方法。
在总结前人的研究成果之上，并考虑到遥感影像处理领域的特点，可将高分影像的分割方法分为基于像元的分割方法（阈值法，聚类法），基于边缘检测的分割方法，基于区域的分割方法和基于物理模型的分割方法，而结合特定数学理论和工具（如数学形态学、模糊数学、小波变换、人工神经网络等）的影像分割可认为是在这些分割方法上的进一步推广和发展。
目前，对多波段遥感影像的分割基本上是灰度图分割方法在不同的色彩空间中的扩展应用，所以在总结灰度图像分割方法的基础上，再讨论对多波段遥感影像的分割方法。
2.1 基于像元的分割方法与分析⑴阈值法阈值法[9]是图像分割算法中数量最多的一类。
其基于这样的假设，图像是由具有不同灰度级的区域所组成的，图像直方图被一定数量的峰所分割，每一个峰对应了一组区域，两个相邻的峰之间存在着一个谷，它对应了一个阈值[6]。
根据阈值选取本身的特点可将阈值算法分为基于各像素值的阈值、基于区域性质的阈值和基于坐标位置的阈值三类[3]，见图1。
阈值法分割实现简单,不需要先验知识,算法容易设计且执行速度快；当目标区域的灰度值或其它特征相差很大时，它能有效地对图像进行分割。
但当图像直方图中没有明显的峰或者谷底宽平时，或者图像中不存在明显灰度差异、灰度范围有较大重叠的时候，阈值分割就难以获得准确的结果[8]。
在实际应用中由于阈值方法仅考虑了灰度属性值，忽略了像元的空间信息故而抗噪能力较差，对图像过渡区分割效果并不理想。
阈值法在彩色图像分割中有一定的应用[10],在此需要扩展到多波段遥感影像中，但多维特征空间中该方法将更加复杂。
⑵聚类法利用特征空间聚类的方法进行图像分割可认为是对阈值分割概念的推广。
如果将像元的特征视为模式，则图像分割可视为一聚类过程[11]。
它将图像空间中的像元用其对应的特征空间点（模式）表示，通过将特征空间中的点聚集成团而形成单独的簇或类，再将它们映射回原图像空间以形成分割结果[3]。
该种方法的好处是容易实现，利用非监督方式实现分类，并可用基于概率模型[27]的方法改良算法。
但获得关于簇的精确个数通常是极其困难的，并且同样是由于没有考虑像元的空间信息，容易产生分割区域不连通的情况。
此外，由于聚类一般是全局算法，故调整类与区域的关系也比较复杂。
目前，对彩色图像的聚类分割方法较多[6-7]，其中K-均值、模糊C-均值等是最常用的分类方法。
但对于多波段高分影像而言，在多维特征空间进行有效的聚类分割仍将是一个难题。
兼顾聚类方法的理论内涵和算法实现，可将聚类方法分为系统聚类法、分割聚类法和模糊聚类法三大类[12]，见图2。
2.2 基于边缘检测的分割方法与分析基于边缘检测的方法主要利用像元特征在区域边界处的不连续性来分割图像，分为并行和串行两种方法[3],见图3。
并行边缘检测的过程主要是，首先利用检测方法[13]确定所有的边缘点，再用一定的方法将边缘点组成目标边界。
串行边缘检测的基本思想是，首先确定起始边缘点，再按一定的搜索策略顺序检测图像中的边缘点并将它们连接成轮廓，从而构成分割区域；其中连接策略一般有边缘点检测与连接交叉进行或先进行边缘点检测再连接两种情况。
对于彩色图像的分割[14-16]，边界信息的含义要比灰度图像丰富很多[17]，例如具有相同色相但亮度差异悬殊的边界可以在图像中被检测出来[18]。
显然，边界的亮度、色相和饱和度信息间的相关性很高，单独考虑并不能给图像分割带来良好的效果；如何将彩色分割方法扩展到多波段遥感图像的分割仍然具有一定的困难。
边缘检测方法符合人类的认知习惯，当图像各区域之间的对比明显时，该方法常能取得较好的效果。
但抗噪能力较差，当边界较为模糊或者边界过多的时效果不佳，且生成一个封闭的边界也并非易事。
在实际应用中基于边缘检测法的难点在于解决边缘检测时抗噪性和检测精度的矛盾[8]。
若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。
为改善边缘检测法，学者们提出了多种改进方法[19]，但仍不能从根本上克服此矛盾。