面向对象的遥感影像分类技术
遥感专题讲座——影像信息提取(四、面向对象特征提取)
面向对象的影像分类技术“同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。
本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。
本专题包括以下内容：面向对象分类技术概述ENVI FX简介ENVI FX操作说明1、面向对象分类技术概述面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。
它主要分成两部分过程：影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。
比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。
这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。
基于知识分类也是根据影像对象的熟悉来设定规则进行分类。
目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。
表1为三大类分类方法的一个大概的对比。
面向对象的分类方法几何信息、结构信息以及光谱信息一个个影像对象中高分辨率多光谱和全色影像速度比较慢表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表2、ENVI FX简介全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
面向对象影像影像分类(改)
四叉树分割得到的结果
多尺度分割图像得到的结果
• 2、影像分类： （1）模糊法 （2）决策树 （3）神经网路 ……..
高分影像面向对象分类
发展及问题
• In high-resolution images each pixel is not closely related to vegetation physiognomy as a whole,and vegetation always shows heterogeneity as a result of irregular shadow or shade （在高清晰度的图像，从整体来看每一个像素 不是与植被地貌密切相关的 ，由于不规则阴 影植被总是显示异质性 ）
方法的发展
• The most common approach used for building objects is image segmentation, which dates back to the 1970s. Around the year 2000 GIS and image processing started to grow together rapidly through object based image analysis
基于像素分类与面向对象分类飞不同
• 特点：抽象性、封装性、继承性 • 在面向对象影像分析中，抽象表现为提取 出遥感专题信息。封装性表现为将影像对 象的光谱，形状，纹理等特性进行封装。 而继承特性在体现在多尺度分割中，通过 将影像基于对象或是基于像素按照一定尺 度自底向上合并成不同的对象，从而建立 起与父对象，子对象，相邻对像关系 • 如下图：
趋势展望
• The first period of OBIA was characterised by the commercial success of new software and an increase in the number of scientific publications （面向对象分类的商业软件能够成功和有关这方 面科学出版物数量增加） • the advent of commercially available and easily accessible high resolution satellite data correlates strongly with the increase in the number of OBIA related articles published. （与OBIA相关的文章的发行数量的增长和商业 化的出现与高分辨数据的容易获取有着极强的 相关性）
面向对象的遥感影像分类技术 (2)PPT推荐版
面向对象的高分辨率遥感影像分类技术研究
面是向将5对 一.3象幅的遥基高感分图于辨像区率依遥据域感区增影域像异长分质的类性技规多术则尺研分究割度成分一个割个技有意术义的子区域的集合，分割结果的质量直接决定了分类精度的高低。
网络结构中的不同层可以提取不同尺度的地物信息，如“一级”主要提取灌木，”三级“主要提取大尺度的道路等。
面向对象的高分辨率遥感影像分类技术研究
5.1 基于边缘的分割 边缘检测
梯度算子：是一种矢量，对应的就是图像的一阶单数算子，检测边缘灰度值变化 敏锐的效果较好
拉普拉斯算子：一个二阶导数，是没有方向性的标量算子，相比于梯度算子的计 算量要小，由于不提供边缘方向信息，一般用在边缘像素已知的情况之后，主要 是来确定该像素在图像的明暗哪个区域
将行息多象遥处，尺，感 理 最影分后度又像析利分能分，用割将割建影成立像技这与多的术些实特分际征类：影的对算是像地象法物的完对一类分成象种别类了既按相体最对系终等能应，的级自的面分一向类结动个对步构生个象骤连成影的像分接遥对类起感象技的术来影实充的像体分单使一的元用门影，了技像然高后分术对针遥对感影影像像的的对空象间分 几割何单、元纹提理取特对征象和的光多谱空等间特特征征属值性进信 影。像借对象助多于边这形的种大技小与术形，状(就sha可pe以)因理子成解正遥比，感随影着像sha对pe不象断如增何大，在形不状规同则的道路、建筑物和农田被完整分割，但当 shape > 0影尺. 像度对象区多域边之形的间大相小与互形作状(用sha，pe从)因而子成反正映比，地随表着物sha体pe不的断固增有大，形形态状规。则的道路、建筑物和农田被完整分割，但当 shape > 0a. . 等级网络的底层是像素层，及分割的原始影像； 大提b尺供. 度 了小的明尺对确象的度层和的“可二调对三整象级的层”特放征“在描一网述络；级的”最放顶部在，网这些络对结象构层的中底的多部边，形这面积一较层大，且对象的多边形的数量较少。 面包向括对象的的多高边分辨形率最遥感多影；像分类技术研究 （c.3）大以影尺像度分的割的对对象象单层元“为二单位三进级行影”像放的分在类网，络将大的大最地提顶高部遥，感影这像些的分对类的速度。 影2象像基分于类区层结域中果的比分的较割多——边分形类面结果积的较评价大，且对象的多边形的数量较少 。
面向对象的遥感影像分类技术
随着遥感技术的发展，高分辨率影像 越来越普及。面向对象分类方法能够 更好地适应高分辨率影像的特点，提 取出更多的地物细节信息。
02
遥感影像数据预处理
遥感影像数据来源及特点
来源
卫星、飞机、无人机等遥感平台获取 的影像数据。
特点
具有多源性、多时相性、多光谱性、 高分辨率等特点。
数据预处理流程
总结与展望
研究成果总结
01
面向对象遥感影像分类技术的优势
通过面向对象的方法，遥感影像分类技术能够更有效地提取地物特征，
降低分类误差，提高分类精度。
02
关键技术的突破
在特征提取、对象构建、分类器设计等方面取得了重要突破，推动了遥
感影像分类技术的发展。
03
多样化应用场景的实现
面向对象遥感影像分类技术已广泛应用于土地利用/覆盖分类、城市规
04
数据融合技术
将多源、多时相、多光谱的遥感影像 数据进行融合，提高影像数据的空间 分辨率和光谱分辨率。
03
面向对象分类方法原理及实现
面向对象分类方法的基本原理
对象的概念
01
在遥感影像中，对象是指具有相似光谱、纹理、形状等特征的
像素集合。
分层结构
02
面向对象分类方法通过构建分层结构，将影像划分为不同尺度
动态交互可视化
利用GIS等空间分析工具，实现分类结果的动态交互可视化，支持用 户自定义查询、分析和展示。
算法优化与改进方向
特征提取与选择
研究更有效的特征提取方法，如深度学习、纹理分析等， 提高分类器的性能；同时，针对特定应用需求，选择合适 的特征组合进行优化。
上下文信息利用
充分挖掘和利用遥感影像中的上下文信息，如空间关系、 地物形状等，提高分类的准确性；研究基于图模型、条件 随机场等方法的上下文建模技术。
面向对象的高分辨率遥感影像分类
⾯向对象的⾼分辨率遥感影像分类⼆○⼀⼀届毕业设计⾯向对象的⾼分辨率遥感影像分类Object-oriented Classification of high Resolution RemoteSensing images学院：地质⼯程与测绘学院专业：遥感科学与技术姓名：学号：指导教师：完成时间：2011年6⽉17⽇⼆〇⼀⼀年七⽉摘要⾼空间分辨率遥感影像使得在较⼩的空间尺度上观察地表细节变化，进⾏⼤⽐例尺遥感制图，以及监测⼈为活动对环境的影响成为可能。
随着⾼分辨率影像的应⽤越来越普及，迫切要求⼈们对⾼分辨率遥感信息提取进⾏研究，以满⾜⾼分辨率影像信息不断增长的应⽤和研究需要⾼分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺⼨、形状及相邻地物间的关系都得到很好的反映。
⾯向对象的分类⽅法与传统的基于像素的分类相⽐，不仅仅是依靠光谱信息，⽽且还充分利⽤影像的空间信息，分类时也克服了基于像元的逐点分类⽆法对相同语义特征的像素集合进⾏识别的缺点，是⼀种⽬前最适合于⾼分辨率遥感影像的分类⽅法。
本⽂采⽤⾯向对象的分类⽅法对⾼分辨率影像进⾏分类，该⽅法⾸先对影像进⾏多尺度分割获得同质区域对象，在此基础上利⽤模糊分类思想对分割后的对象进⾏分类。
该⽅法不仅充分利⽤了⾼分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。
多尺度分割采⽤的是区域⽣长合并算法，通过对尺度阈值、光谱因⼦及形状因⼦等参数的控制，可以获得不同尺度下有意义的对象。
分割后的对象不仅包含了原始的光谱信息，还可以提供⼤量辅助特征，如纹理、形状、拓扑等特征。
综合利⽤这些特征以及模糊分类的思想，使得⾼分辨率影像分类在减少分类不确定性的同时，还提⾼了分类的精度。
最后将⾯向对象分类结果与传统的基于像素分类结果进⾏对⽐分析，发现其分类精度要明显⾼于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。
面向对象的遥感影像分类研究
面向对象的遥感影像分类研究一、内容综述随着遥感技术的不断发展，遥感影像分类在地理信息系统（GIS）、资源与环境调查、城市规划以及农业监测等领域发挥着越来越重要的作用。
传统的遥感影像分类方法主要依赖于人工解译和传统机器学习算法，如支持向量机、随机森林等。
这些方法在面对高分辨率、多光谱和大数据量的遥感影像时，存在效率低、精度不高等问题。
面向对象的遥感影像分类方法逐渐成为研究热点。
该方法将遥感影像划分为多个连续的区域（对象），利用计算机视觉、模式识别和统计学习等方法对每个对象进行分类。
相较于传统的遥感影像分类方法，面向对象的遥感影像分类具有更高的精确度、更快的运算速度和更好的鲁棒性。
本文将对面向对象的遥感影像分类方法的研究进展进行综述，包括研究对象和方法、特征提取与选择、模型构建与优化以及分类结果验证等方面。
通过对现有研究的分析，可以发现面向对象的遥感影像分类方法在处理高分辨率、多光谱和大数据量的遥感影像方面仍面临诸多挑战，未来的研究需要继续探索更为高效和准确的分类方法。
1. 遥感影像分类的重要性和意义随着遥感技术的发展，遥感影像已经广泛应用于农业、生态、环境、城市规划等多个领域。
遥感影像的分类问题一直是一个重要的研究课题。
本文首先简要介绍了遥感影像的分类及其重要性。
遥感影像分类是指利用计算机技术对遥感影像进行处理、分析和识别，以获取或推导信息、知识和结论的过程。
在很多情况下，遥感影像包含了丰富的空间、时间和光谱信息，这些信息对于人类和计算机来说都是难以直接获取和处理的。
需要借助机器学习、深度学习等人工智能技术来实现遥感影像的分类。
通过遥感影像分类，我们可以更加准确地认识和理解地球表面的自然现象和社会经济活动，为国家和地方的管理和决策提供科学依据。
遥感影像分类还有助于环境保护、资源管理等方面的工作，从而为人类的可持续发展做出贡献。
遥感影像分类具有重要的理论和实际应用价值，是当前研究的热点之一。
2. 面向对象方法在遥感影像分类中的应用背景与发展趋势随着遥感技术的不断发展，遥感影像在地理信息系统中扮演着越来越重要的角色。
面向对象的遥感影像分类技术
面向对象分类的 基本原理
面向对象分类的基本概念
面向对象分类： 将遥感影像分割 为多个对象，每 个对象具有相同 的属性和特征
基本原理：通过 分析遥感影像的 纹理、颜色、形 状等特征，将具 有相似特征的像 素划分为同一个 对象
优势：能够更好 地处理遥感影像 中的噪声和异物， 提高分类精度
应用领域：广泛 应用于土地覆盖 分类、灾害监测、 环境监测等领域
遥感影像分类技术的分类方法
监督分类：利用已知类别的样本进行训练，然后对未知类别的影像进行分类
无监督分类：无需已知类别的样本，直接对影像进行分类
半监督分类：结合监督分类和无监督分类的方法，提高分类准确性
深度学习分类：利用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）等，进行 遥感影像分类
技术发展对策与建议
加强技术研发，提高分类精度和速度 拓展应用场景，如农业、环保、城市规划等领域 加强与其他领域的交叉学科合作，如人工智能、大数据等 制定相关政策和标准，推动技术发展和应用
感谢您的观看
汇报人：XX
在林业领域的应用
森林资源调查：通过遥感影像分类技术，可以快速准确地获取森林资源的分布、面积和种类等信息。
森林健康监测：通过对遥感影像的分析，可以及时发现森林的病虫害、火灾等灾害，并采取相应的 措施。
森林资源管理：通过遥感影像分类技术，可以评估森林资源的利用情况，为森林资源的保护和管理 提供依据。
选择分类器的依据：数据集的大小、 特征的复杂性、计算资源的限制等
分类结果后处理与优化
后处理方法：平 滑、滤波、边缘 检测等
优化策略：调整参 数、选择合适的分 类器、融合多种分 类方法等
评价指标：精度、 召回率、F1值等
面向对象的遥感图像分类方法在测绘中的应用
面向对象的遥感图像分类方法在测绘中的应用遥感技术是一种能够获取地球表面信息的技术手段，在测绘领域中有着广泛的应用。
随着计算机科学技术的发展，面向对象的遥感图像分类方法也被引入到测绘中，为地图制图和地理信息系统的建设提供了更加精确和高效的方案。
一、遥感图像分类遥感图像分类是遥感技术的核心应用之一，它是将遥感图像中的像素点根据其反射率、辐射亮度等特征进行分类，从而得到具有不同类别的地物信息。
传统的遥感图像分类方法主要基于像素级的分类，即将图像中的每个像素点单独进行分类，这种方法容易受到噪声影响，分类结果不够准确。
而面向对象的遥感图像分类方法则能够克服这些问题。
二、面向对象的遥感图像分类方法面向对象的遥感图像分类方法是基于图像中的对象进行分类的一种方法，它将图像中的像素点组合成不同的对象，然后根据对象的形状、纹理、光谱等特征进行分类。
相比于像素级的分类方法，面向对象的方法能够更好地保留地物的空间结构信息，提高分类的准确性和稳定性。
面向对象的遥感图像分类方法包括以下几个关键步骤。
首先是图像分割，将遥感图像分割成不同的对象。
常用的分割方法有基于区域的分割方法和基于边界的分割方法，其目的是将图像分解成较小的、空间连续的对象。
接下来是对象特征提取，通过计算对象的形状、纹理、光谱等特征来描述对象。
常用的特征提取方法有灰度共生矩阵、纹理特征、主成分分析等。
然后是分类器的训练和模型的建立，根据已经分类好的样本数据，训练分类器来对新的对象进行分类。
常用的分类器有支持向量机、随机森林等。
最后是分类结果的验证和评价，通过对分类结果进行验证和评价，来判断分类方法的准确性和可靠性。
三、面向对象的遥感图像分类在测绘中的应用面向对象的遥感图像分类方法在测绘中有着广泛的应用。
首先，它能够提高地图制图的精度和效率。
传统的地图制图方法往往依靠人工解译遥感图像来获取地物信息，这种方法效率低下且容易出现误差。
而面向对象的方法能够通过计算机自动解译遥感图像，大大提高了地图制图的效率，并且分类结果更加准确。
- 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)。
6 面向对象的遥感影像分类技术
最邻近规则(KNN)分类
核心思想：是基于欧几里得的定理基础上，判断 待分的影像对象特征与已知地物类别的对象特征 最接近，是广泛应用的多维的特征向量的分类算 法。 基本思路：假如一个样本其在对象的特征空间中 的 k个最邻近的样本值，其中大多数都划归为了 某一个具体的类别，那么就划归为这个类别。
5.3 基于区域增长的多尺度分割技术
分割的主要参数——尺度参数
5.3 基于区域增长的多尺度分割技术
分割的主要参数——均质因子之形状因子
影像对象多边形的大小与形 状(shape)因子成正比，随 着shape不断增大，形状规 则的道路、建筑物和农田被 完整分割，但当 shape > 0.4 时，由于光谱因子过小 ，会把乡间道路和裸地分割 成一个影像对象，忽略了影 像的光谱信息，所以此实验 区分割的形状(shape)参数 选择 0.1~0.4 的取值范围比 较合适，具体的数值取决于 其实际提取的地物类别。
5.3 基于区域增长的多尺度分割技术
分割的主要参数： 尺度参数：是分割过程中最重要的一个参数，它直接影响影像对象的大小和数量，以 及最终的分类精度。分割尺度不同，生成的影像对象的多边形的大小和数量也不同。 一般而言，分割尺度越大，生成的多边形数目越少，面积越大。最适宜的分割尺度值 是分割得到的多边形能将某种地物类型的边界勾勒清晰，并且能用一个或者几个对象 表现这种地物，分割对象既不太破碎也不太笼统。 均质性因子： 颜色因子为影像的光谱特征，对很多地物而言，如水体和植被，颜色因子是生成 对象的重要因子，通常被设为较高的值。可以根据各个波段 对 分 割 结 果 的 贡 献 程 度 而 取 不 同 的 权重。某个波段的权重越高,在分割过程中这个层的信息使用的越多, 对分割结果的影响越大。 形状因子形状因子由光滑度、紧密度两个参数构成，可以避免影像对象过于破碎， 使分割出的影像具有实际物体的形状特征。提取道路时应更加注重形状因子。
汇报人：黄晶晶
1 . 面向对象的遥感分类概述
是一种基于目标的分类方法，这种方法可以充分利用高分辨率影像的空间 信息，综合考虑光谱统计特征，形状，大小，纹理，相邻关系等一系列因素， 得到较高精度的信息提取结果。 最主要特点：分类的最小单元是由影像分割得到的同质影像对象（图斑），而
不再是单个像素。
技术关键：多尺度影像分割技术 基于规则的模糊分类技术。
6 面向对象的遥感影像分类技术
模糊隶属函数 模糊分类体系具有很好的光滑性和对称性，图形没有零点并具有 高斯型隶属函数 比较清晰的物理意义，能很好地描述和逼近隶属函数。 基本思想： ，若在设计分类器中，选用宽度固定的等腰三角形 三角形隶属函数 是一种软分类，是以模糊集合论为基础，针对不确定性事物的分析方法。 ，这样隶属的特征参数可以减少到一个，便于规则产生和学习，但 可能降低分类性能。若采用任意形状的三角形作为隶属函数，需要 优点： 三个特征参数，可以较好的反应客观事实，可以提升分类系统的性 特征值像模糊值的转化，实际上是一个特征标准化的过程，允许特征之间的 能。但学习分类规则参数时，因参数较多，学习代价较大。 组合，甚至是范围和大小非常不同的特征也可以组合起来；提供了明确的和 梯形隶属函数 隶属度为1的模式x分布比三角形隶属函数的x分布要 可调整的特征描述；通过模糊运算和层次类型的描述，能够进行复杂的特征 多。这使得梯形更适合模糊分类器的设计，但特征参数也要多一些 。 描述。 Don’t care 隶属函数 即在隶属函数的分布范围内的隶属度均为 1，而不再的模式x不列入设计考虑，如此可以精简模糊规则。
Level 1：能够较好的区分 林地和非林地，分割产生的 影像对象单元对应多边形的 面积比较大，主要考虑根据 颜色的不同进行分割，此时 光谱因子所占比重较大，不 太考虑形状因子。 Level 2： 在此分割尺度下 能较好地区分裸地、建筑物 和道路，此时较多考虑形状 因素 Level 3： 此层主要区分建 筑物和周边较窄的道路
5.2 基于区域的分割
阈值分割：通过预设阈值大小将图像进行分割 ，基础则是图像灰度的直方图。 主要分为全局、自适应和最佳的阈值分割 区域增长：是以种子像素为基本单位不断合并 周围像素进行图像分割的过程，算法基本思想 是首先选择种子点，然后确定区域增长过程中 像元合并的规则，最后制定区域增长的停止条 件。 分裂-合并：是将整幅图像分裂为小的子区域再 合并相似区域的过程。算法流程是首先四等份 均分图像中灰度不同的子区域，然后合并满足 特征相似性准则的像素，重复上述操作直到没 有新的分裂-合并情况为止.
9. 面向对象的影像分析平台 eCognition易康面向对象分析 软件 易康模拟人类大脑的认知过程 。首先，将同质像素组成有意 义的影像对象，通过多尺度分 割技术实现不同尺度同时把握 认知对象，是计算机高速处理 和人类认知原理的完美结合， 兼顾了速度和精度。
THANKS！
7. 影像分类结果比较——分类结果的评价
精度评价：遥感影像分类结果质量的好坏需要进行精度的评价，精度评价是指分类后专 题图像中的特定对象与该类型代表实际地物来进行精度比较，以正确分类的百分比表示 分类精度。目前针对遥感影像的分类结果进行精度评价的有效方法包括有混淆矩阵和 Kappa 系数这两种评价指标。 混淆矩阵（Confusion Matrix）是由 m 行 X m 列个元素组成，利用误差矩阵可以知道 每个类别的样本数量、样本错分和漏分数目，并可以进行单一类别及总体类别相应的精 度分析。 Kappa 系数考虑了漏分和错分的情况，充分利用了整个混淆矩阵的数据信息 总体精度OA(Overall Accuracy)表示的就是分类图像中正确分类数所占样本总数的比例 生产者精度PA(Producer Accuracy)表示的是实测地物类型第 i 类中正确分类数目所占 的比例 用户精度UA(User Accuracy)表示的是某一类别分类正确数目在用户解译中所占的比例
5.1 基于边缘的分割
边缘检测
梯度算子：是一种矢量，对应的就是图像的一阶单数算子，检测边缘灰度值变化
敏锐的效果较好
拉普拉斯算子：一个二阶导数，是没有方向性的标量算子，相比于梯度算子的计
算量要小，由于不提供边缘方向信息，一般用在边缘像素已知的情况之后，主要 是来确定该像素在图像的明暗哪个区域
5.1 基于边缘的分割
3. 研究方法
将遥感影像分割成与实际的地物类别相对应的一个个影像对象的实体单元，然后 针对影像的对象分割单元提取对象的多空间特征值进行处理分析，建立多特征对象的 分类体系，面向对象的分类技术充分使用了高分遥感影像的空间几何、纹理特征和光 谱等特征属性信息，最后利用影像的分类算法完成了最终的分类步骤
边缘连接
由于边缘检测的方法，图像噪声会产生间断现象，因此需要通过边缘连
接的方法形成完整有意义的封闭边界
主要方法：
邻域连接法 全局链接法 霍夫变换
5.2 基于区域的分割
基本原理： 将各个图像象元划归到各个子区域中，依据相似性准则直接取出满足特征相似条
件的图像区域。
主要方法：
阈值分割
区域增长 分裂-合并
4. 遥感影像分类技术方法的总体比较
5. 遥感图像的分割技术——面向对象分类的关键技术之一
基本思想
是将一幅遥感图像依据区域异质性规则分割成一个个有意义的子区域
的集合，分割结果的质量直接决定了分类精度的高低。
主要方法
基于边界分割的方法 基于区域分割的方法
5.1 基于边缘的分割
基本原理 阶梯形状表明了处于图像里两个拥有不等的 是首先先要确定边缘的象素，并通过连接这些边缘像 灰度大小的相邻区域，脉冲形状则表示了对应的 素在一起来形成所要的边界。边缘之所以存在就是由于两 灰度值发生突变的图像区域的集合，针对图（ a 个相邻的区域之间具有了不同的大小灰度值，边缘的检测 ）和（ b）来说，一阶导数表示了在图像中从暗 主要就是利用一阶的导数和二阶的导数来进行检测。 变明整个变化过程的位置处有 1 个阶跃，即用其 来检测边界是否是存在的，边缘位置的检测则是 通过利用求解二阶导数的过 0 点来具体得到的； 相对(c)来讲，其脉冲的上升沿与下降沿正好就分 别对应了 2 个二阶导数过 0 点的位置；针对(d) 来说，屋顶形状的边缘来检测屋顶的位置则是由 剖面的一阶导数过 0 点来统一确定的是指对原 始影像的对象特征进行重组和 优化运算，其是空间降维的过 程，提取特征的基本原则是满 足类别的可分性，要求提取出 的新特征空间是能更好地区分 地物类别的特征向量，建立分 类规则和规则集，典型的影像 特征的提取方法主要是包括有 经典的主成分法(PCA)、最小 噪声分散法(MNF)和噪声适应 主成分法(NAPC)。
7. 影像分类结果比较——分类结果的评价
面向对象分类方法的精度相对于传统的分类结果有了比较明显的提高，且抑制了椒盐噪 声，没有产生大量的错分或漏分的现象，针对土地覆盖类型较好地完成了土地利用分类
8. 面 向 对 象 的 高 分 辨 率 遥 感 影 像 智 能 解 译 系 统
8. 面向对象的高分辨率遥感影像智能解译系统 主要步骤如下 (1) 影像分割 经过影像预处理后的高分辨率遥感影像进行迭 代分割处理，直到得到质量较好的同质性对象 (2)对象生成 将分割影像进行矢量化处理，矢量图形与分割 影像重叠，判断分割效果，此时可以利用对象 编辑工具调整多边形对象，直到得到较好的多 边形对象。 (3)特征选择与提取 (4)分类处理
2. 面向对象的遥感分类优势 （1）针对分割形成的影像对象单元进行其特征的提取，可以充分地利用高分 影像数据的光谱、纹理和形状特征等空间几何属性信息。 （2）基于区域同质性原则和多尺度分割的基础上，减少了影像像元光谱差异 影响，针对不同地物能取得较好的分类效果。 （3）以影像分割的对象单元为单位进行影像的分类，将大大地提高遥感影像 的分类的速度。 （4）有效减少了遥感影像数据的“同质异谱”及“异质同谱”和基于像素分 类的“椒盐”现象。 （5）面向对象的分类技术还能促进多源 GIS 数据之间的利用和融合。