高分辨率遥感影像分类实验报告
遥感分类实习报告
Erdas遥感分类实习报告一．分类区背景：分类区的范围大致和北京四环以内的中心市区吻合，地形为平原，多高楼大厦等建筑，气候为典型的暖温带半湿润大陆性季风气候，夏季高温多雨，冬季寒冷干燥，春、秋短促。
二．分类数据介绍：该数据为TM数据。
美国陆地卫星五号Landsat5于1984年3月1日升空，亦为太阳同步地球资源卫星，在赤道上空705公里，高度运转倾斜角为98.2度。
每次约上午9点42分，由北向南南越赤道，绕地球一圈周期约98.9分，每天绕行约14圈，每16天扫瞄同一地区。
三．图像处理：该图像（beijing-m.img）已经处理完毕,完全能够满足分类要求。
四．分类方法：监督分类。
监督分类选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式（如均值、方差、判别域等），并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。
其主要方法有：最小距离分类法、最近邻分类法、多级切割分类法、最大似然比分类法。
五．分类体系：主要分为林地、草地、水域、荒地、城区五种类型六．实习目标：掌握遥感图像分类的基本原理，熟练掌握与分类相关的软件操作，对分类结果做精度评价七：实习步骤：1．读入影像在视窗中打开需要分类的图像beijing-m.img2．单击Classifier→Classification→Signature Editor命令，打开Signature Editor 启动样区编辑器3．将新建的signature文件和要分类的遥感图建立起来联系。
4.选择训练区使用Raster下面的tools的的多边形和自动扩张魔棒选择。
使用魔棒说明原来魔棒工具使用不好，要么扩张的范围太大或太小，要么扩张成规则图形不符合要求，因此我对该魔棒工具进行反复试验，终于弄明白了各个参数的意义。
Area：设定的是魔棒工具最大扩张的区域的面积，如图最大扩张的面积为1000个栅格所占的面积。
遥感影像实习报告
实习报告：遥感影像处理与应用一、实习目的本次遥感影像实习旨在通过理论学习和实际操作，使学生掌握遥感影像的基本处理方法，提高对遥感影像的解译和分析能力，并为实际应用遥感影像提供技术支持。
实习内容包括遥感影像的预处理、裁剪、解译、分类和专题图制作等。
二、实习内容（一）遥感影像预处理1. 辐射校正：在ENVI软件中，对下载的原始遥感影像进行传感器校正、大气校正、太阳高度及地形校正等辐射校正处理，使遥感影像的辐射特性更加真实反映地物实际情况。
2. 几何校正：根据实习所用的遥感影像坐标系，选取相应的控制点，利用ENVI软件进行几何校正，纠正图像坐标系变形，提高遥感影像的地理精度。
（二）遥感影像裁剪利用ENVI软件的感兴趣区域（ROI）功能，选取实习区域范围，将预处理后的遥感影像进行裁剪，去除无关区域，提高后续处理和分析的效率。
（三）遥感影像解译根据《土地利用现状分类-GB2007》标准，对实习区域内的遥感影像地物进行初步目视解译，划分地物类别，为后续分类和专题图制作奠定基础。
（四）遥感影像分类1. 选择合适的光谱特征和纹理特征，利用ENVI软件的面向对象分类模块，对实习区域内的遥感影像进行分类。
2. 针对不同地物类别，设置规则集参数，进行分类处理，得到实习区域的土地利用类型分布。
（五）遥感影像专题图制作根据分类结果，利用ENVI软件将不同土地利用类型赋予不同的颜色，制作土地利用现状分类专题图，直观展示实习区域的土地利用状况。
三、实习成果与分析通过本次实习，我们成功完成了遥感影像的预处理、裁剪、解译、分类和专题图制作等任务。
分类结果较为准确地反映了实习区域的土地利用现状，为后续遥感影像在土地资源调查、环境监测等领域的应用提供了数据支持。
实习过程中，我们学会了使用ENVI软件进行遥感影像处理，掌握了面向对象分类方法，提高了对遥感影像的分析和解译能力。
同时，我们也认识到遥感影像处理和分析在实际应用中需要注意的问题，如数据质量、分类精度等。
高分辨率遥感影像分类技术的研究与应用
高分辨率遥感影像分类技术的研究与应用随着科技的不断发展，遥感技术在很多领域都得到了广泛的应用，特别是高分辨率遥感影像，其精度越来越高，应用也越来越广泛。
高分辨率遥感影像分类技术作为遥感技术中的重要应用之一，也得到了越来越多的关注和研究。
一、高分辨率遥感影像分类技术的研究现状高分辨率遥感影像分类技术即通过遥感影像对土地利用类型进行分类的技术，其研究涉及到遥感图像处理、模式识别和地理信息系统等多个学科。
目前，该领域的研究主要分为两个方向：基于影像和基于特征。
基于影像的分类方法主要是对遥感影像进行像元级别的分类，利用像元的空间位置、光谱值和纹理等属性来实现分类。
该方法简单易行，但对数据质量、精度和灵敏度的要求较高，分类结果受到噪声、雾霾、遮挡等影响较大，分类精度也较低。
基于特征的分类方法则是利用某种特征表示方法来实现分类，比如基于纹理、基于形状、基于统计等方法。
该方法的优点是分类结果准确度高，特别是对于复杂地形、多样化的地貌和不同植被类型的分类也具有很好的效果。
除了上述两种方法外，还有一些新兴的分类方法被提出，比如基于深度学习的分类方法，利用多层神经网络对影像进行分类，取得了比较理想的结果。
二、高分辨率遥感影像分类技术的应用高分辨率遥感影像分类技术在很多领域都得到了广泛应用，如城市规划、资源调查、环境监测、农业生产等方面。
以下是该技术在不同领域的应用举例：1、城市规划利用高分辨率遥感影像分类技术进行城市土地利用规划，可以通过对城市土地利用类型的分类，为城市规划提供定量化的依据。
比如对社区绿化、道路建设、住宅用地等进行分类，可以为城市规划提供更加科学合理的规划建议。
2、资源调查利用高分辨率遥感影像进行资源调查，有助于对国土资源的状况进行评估和管理。
特别是对于资源丰富的地区如矿山、森林和草地等，分类精度的提高可为资源的科学利用提供有效的支持。
3、环境监测高分辨率遥感影像可以对区域内的环境状况进行监测，特别是对于自然灾害的监测，如地震、洪水、滑坡等。
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.Steps:1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.2、Implementing above-mentioned non-parametric algorithms to classify your image.3、Validating your classification.4、Refining your classification by implementing the majority filtering and modeling process if possible.实验步骤：1、将数据加载到envi中building、water、grass）保存ROI3、BP分类。
Classification——supervised——neural net，设置参数及输出路径观察RMS动态加载变换后的图像，和原图像进行对比Classification——post classification——confusion matrix——using ground truth ROIs由上图可以看出精确度为99.8%Bp分类的校正Classification——post classification——majority analysts ，进行网格设置通过对这两个图层地理连接，查看校正的效果4、svm分类方法：classification——supervised——support vector machineSvm分类效果的验证Classification——post classification——confusion matrix——using ground truth ROIsSvm分类的校正Classification——post classification——majority analysts ，进行网格设置将生成的图像与svm图像进行地理连接，查看校正效果Basic tools——sunset data via ROIs5、erdas里建模修改误分的像元以support vector machine分类的图像为例将切好的图像和之前的svm图像加载进来，并修改他们的投影信息为基于WGS84的UTM 投影。
数据遥感影像实验报告
一、实验背景随着遥感技术的飞速发展，遥感影像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
本实验旨在通过ENVI软件对遥感影像进行处理和分析，掌握遥感影像的基本处理流程，并了解不同处理方法对影像质量的影响。
二、实验目的1. 熟悉ENVI软件的操作界面和基本功能；2. 掌握遥感影像的预处理、增强、分类、变化检测等基本处理方法；3. 分析不同处理方法对影像质量的影响；4. 培养遥感影像处理和分析的能力。
三、实验数据本次实验所使用的数据为Landsat 8影像，覆盖区域为我国某城市。
影像数据包括全色波段、红光波段、近红外波段和短波红外波段。
四、实验步骤1. 数据导入：将Landsat 8影像数据导入ENVI软件。
2. 预处理：- 辐射校正：对影像进行辐射校正，消除大气、传感器等因素对影像辐射亮度的影响。
- 几何校正：对影像进行几何校正，消除地形等因素对影像几何形状的影响。
3. 影像增强：- 直方图均衡化：对影像进行直方图均衡化，提高影像的对比度。
- 波段拉伸：对影像的特定波段进行拉伸，突出地物特征。
4. 影像分类：- 监督分类：根据已知地物特征，对影像进行监督分类，提取不同地物类型。
- 非监督分类：根据影像数据自身特征，对影像进行非监督分类，识别地物类型。
5. 变化检测：- 时序分析：对同一地区不同时间段的影像进行对比分析，检测地物变化。
- 变化检测算法：采用变化检测算法，如差值法、指数法等，提取变化信息。
6. 结果分析：- 分类结果分析：分析监督分类和非监督分类的结果，评估分类精度。
- 变化检测结果分析：分析变化检测结果，了解地物变化情况。
五、实验结果与分析1. 预处理效果：通过辐射校正和几何校正，影像的辐射亮度和几何形状得到改善，为后续处理提供了良好的基础。
2. 影像增强效果：直方图均衡化和波段拉伸使得影像的对比度和地物特征得到增强，有利于后续的分类和分析。
3. 分类结果：监督分类和非监督分类结果基本符合实际情况，分类精度较高。
遥感影像的实习报告
实习报告：遥感影像处理与分析实践一、实习目的与要求本次遥感影像实习旨在让学生掌握遥感影像的基本处理方法、分析技巧以及应用遥感影像进行地物分类和信息提取的能力。
实习要求学生熟练使用遥感影像处理软件，如ENVI、ArcGIS等，了解遥感影像的辐射特性和几何特性，掌握遥感影像的预处理、增强、分类和信息提取等基本技能。
二、实习内容与过程1. 遥感影像预处理在ENVI软件中，我们对下载的原始遥感影像进行了辐射校正和几何校正。
辐射校正主要包括传感器校正、大气校正、太阳高度及地形校正，以消除遥感影像中的辐射误差。
几何校正则是为了纠正图像中的几何变形，我们选取了UTMWGS84坐标系作为遥感影像的坐标系。
2. 遥感影像裁剪为了便于分析，我们使用ENVI软件的感兴趣区域（ROI）功能，选取了实习所用的区域范围，并将遥感影像进行裁剪。
裁剪后的影像更加清晰，便于后续的分析和处理。
3. 遥感影像增强在ENVI软件中，我们对裁剪后的遥感影像进行了对比度增强和色彩平衡处理，以突出地物的细节信息和纹理特征。
增强处理后的影像更加直观，便于地物的识别和分类。
4. 遥感影像分类利用ENVI软件的监督分类模块，我们选取了训练样本，对遥感影像进行了分类。
分类过程中，我们根据实际地物特征，选择了合适的波段组合和分类算法。
分类结果较好地反映了实习区域的地物分布状况。
5. 地物信息提取与分析通过对分类结果的分析，我们提取了实习区域的地物信息，包括建筑物、林地、水体等。
进一步，我们使用ArcGIS软件对提取的地物信息进行了空间分析和统计分析，探讨了地物分布的规律和特点。
三、实习成果与总结本次实习，我们成功地对实习区域的遥感影像进行了预处理、增强、分类和信息提取。
实习过程中，我们深入了解了遥感影像的处理方法和分析技巧，提高了遥感影像处理的实际操作能力。
通过实习，我们认识到遥感技术在地物监测、资源调查和环境评估等方面的重要应用价值。
总结：本次遥感影像实习让我们对遥感影像的处理和分析方法有了更深入的了解。
遥感实验报告实验成果
一、实验背景随着遥感技术的不断发展，遥感技术在环境监测、资源调查、灾害预警等领域得到了广泛应用。
本实验旨在通过遥感技术，对某地区进行地表覆盖分类，为该地区的环境监测和资源调查提供数据支持。
二、实验目的1. 熟悉遥感图像处理软件的基本操作；2. 掌握遥感图像分类方法；3. 对某地区进行地表覆盖分类，为该地区的环境监测和资源调查提供数据支持。
三、实验内容1. 数据准备本实验选用某地区Landsat 8卫星影像作为实验数据，该影像覆盖范围约为1000平方公里，分辨率为30米。
实验过程中，首先对影像进行预处理，包括辐射校正、几何校正和大气校正等。
2. 遥感图像分类（1）选择合适的分类器本实验选用支持向量机（SVM）作为分类器，因为SVM在处理小样本数据时具有较好的性能。
（2）训练样本选择为提高分类精度，需要选择具有代表性的训练样本。
本实验采用随机抽样方法，从预处理后的影像中随机选取1000个样本作为训练样本。
（3）分类结果分析将训练样本输入SVM分类器进行训练，得到分类模型。
然后，将测试样本输入分类模型进行分类，得到分类结果。
3. 分类结果验证为验证分类结果的准确性，采用混淆矩阵对分类结果进行评价。
混淆矩阵是一种用于评估分类结果的方法，它能够直观地反映分类精度、召回率和F1值等指标。
四、实验结果与分析1. 分类精度通过计算混淆矩阵，得到分类精度为90.5%。
这说明本实验采用SVM分类器对某地区进行地表覆盖分类的效果较好。
2. 分类结果分析（1）地表覆盖类型分布通过分析分类结果，可以看出该地区地表覆盖类型主要有耕地、林地、草地、水域、建筑用地和未利用地等。
（2）地表覆盖变化分析与历史影像对比，可以看出该地区耕地面积有所增加，林地和草地面积有所减少，建筑用地面积显著增加。
这可能与当地经济发展和城市化进程有关。
3. 分类结果应用（1）环境监测通过地表覆盖分类结果，可以监测该地区土地利用变化，为环境监测提供数据支持。
遥感影像数据实习报告
实习报告：遥感影像数据处理与分析一、实习目的本次遥感影像数据实习旨在通过实际操作，掌握遥感影像数据的处理、分析和应用方法，提高对遥感技术的理解和应用能力。
通过实习，要求学生能够熟练使用遥感影像处理软件，对遥感影像进行预处理、信息提取和分类，并能够根据实际需求进行遥感影像的分析和应用。
二、实习内容（一）遥感影像预处理本次实习所使用的遥感影像数据为Landsat 8卫星影像，首先需要对影像进行预处理，包括辐射定标、大气校正和地理校正等。
预处理的目的是消除遥感影像中由于大气、传感器等非目标因素引起的影响，提高影像的可用性和分析精度。
（二）遥感影像信息提取在预处理的基础上，需要对遥感影像进行信息提取，包括水体、植被、建筑用地等土地利用类型的提取。
信息提取的方法包括基于像元的分类方法和基于对象的分类方法。
通过比较不同分类方法的准确性，选择合适的分类方法进行实习任务的需求。
（三）遥感影像分类与分析对遥感影像进行分类是为了将影像中的不同地物类型进行区分，便于后续的分析和应用。
分类的方法包括监督分类、无监督分类和混合像元分解等。
在分类的基础上，可以对不同地物类型的分布、变化等进行分析，为实际应用提供依据。
（四）遥感影像应用在遥感影像分类和分析的基础上，可以进行遥感影像的应用，例如土地利用变化监测、生态环境监测等。
通过实际应用，可以进一步理解遥感影像数据的价值和应用前景。
三、实习步骤与方法（一）遥感影像预处理1. 辐射定标：将遥感影像的数字量化值（DN）转换为反射率或辐射率。
2. 大气校正：消除大气对遥感影像的影响，提高地物反射率的准确性。
3. 地理校正：纠正遥感影像的几何变形，使影像坐标与实际地理坐标对应。
（二）遥感影像信息提取1. 基于像元的分类：通过设置不同的阈值，将遥感影像中的像素分为不同的类别。
2. 基于对象的分类：利用遥感影像分割技术，将影像中的不同地物分为对象，并进行分类。
（三）遥感影像分类与分析1. 监督分类：利用已知类别的样本数据，训练分类器，对遥感影像进行分类。
- 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)。
高分辨率遥感影像分类实验报告班级：___________________姓名：___________________学号：___________________指导老师：_______________地球科学与环境工程学院二◦一四年六月目录1 实验方法——面向对象方法 (1)2 实验内容 (1)2.1 影像预处理 (1)2.1.1 影像数据融合 (1)2.1.2 影像增强处理 (2)2.2 创建工程 (2)2.3 分割处理 (3)2.4 分类 (4)2.4.1 水体 (4)2.4.2 陆地 (5)2.4.3 植被 (6)2.4.4 裸土 (7)2.4.5 建筑物 (8)2.4.6 道路 (9)2.4.7 阴影 (10)2.4.8 总体分类图 (12)3 结语 (13)1实验方法——面向对象方法面向对象方法是一个模拟人类大脑认知的过程，将图像分割为不同均质的对 象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。
因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息， 结合各 种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。
面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。
首先需要使用一定方法对遥感影像进行分割， 在提取分割单元（图像分割后所得到的 内部属性相对一致或均质程度较高的图像区域） 的各种特征后，在特征空间中进 行对象识别和标识，从而最终完成信息的分类与提取。
2实验内容及详细过程2.1影像预处理 2.1.1影像数据融合实验数据为QuickBird 影像，包括4个多光谱波段以及一个全色波段。
QuickBird 影像星下点分辨率：全色为 0.61m ,多光谱为2.44m 。
对于面向对象 影像分类来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同 样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。
使用 ERDAS 进行数据融合：Interprete u spatialenchancemen ^resolutionmergeo图1全色影像与多光谱影像融合Ib^pul Fh (*.网|MJitiMewl lf<M Fta [- Afllauipue Fi*「T|1 p mgj C )&n«¥<niJL>limg乓 | nwin«_r™J_pM4|i■JNurb-w of4Mai hodDiJput OpJcm:riHEWT^SBn-n r Bchnaiuarf* FmcpaiT Newwt Nd^ibor 厂 5Woh to Unsigned 6 W 厂厂l|>Kj 沽Eti 臼•一 Brcvay TividuirTi件 iDi-tcT 呼Nunt-B? Mulkip«cdi4 Inpui Lafin: 4G 喑 Sca*e: Uns^ned 1E tt |1Nlu ■弔 pecirotUns^flrwd 1 百 b*U M ■ E -jiiiiH In EKH<!«d Ed |j n. 1 3 5 h mFATHMEMS a "宁ZD 1□ idpJL |FI QM J Erofajj]40... |2.1.2影像增强处理影像分割算法是在亮度值的基础上建立起来的，其中包括一致性和不连续性。
影像分割过程中，灰度差异较小但分属不同地物类型的相邻像元，分割后易被合并为一个对象，造成目标错提、漏提。
为此须对原始影像进行预处理，增大提取目标与背景的反差，以取得更好的分割效果。
采用ERDAS对遥感影像进行影像增强处理，采用直方图均衡化处理:In terpreter —radiometrice nhan ceme nt —histogram equalizatio n2.2创建工程创建工程，加载入增强后的影像，为了方便计算，裁剪部分影像图2直方图均衡化增强影像图3影像加载和裁剪2.3分割处理在process tree中右键选择Appentnew,新建一个分割处理，点击ok。
然后选中“分割”右键选择insert child，第一个child选择基于像素分割，第二个基于image object分割，并以第一个child为基础，扩大分割尺度，可以明显看出分割破碎度减小。
图4新建分割处理图5基于pixel分割图6基于image object 分割2.4分类 2.4.1水体采集水体信息：classificatio n sample ^ sample editor ，然后在空白区域选择select features todisplay object features f layervalue ^双击，点击分割图中一 块，显示4个波段的均值信息。
仓建 NDVI 函数： feature view f object features f customized f creatiewarithmetic 。
在process tree 中新建一个水体，并插入 child ，选择assigned classify 阈值分 类，设置水体分类阈值：NDVIv-0.5 , NIRvIO 。
Sample Editor Jikclivt clus Conpu-e cliss{Ldi¥412]* |■Select Features to Dlsohy 口tsp脚 Standard Nearest NejghborMembership Rj-nctjcins# Qtsplay Membership FunctjcmEDtsplaY Entire Feature Range*DEpby Axis Labels图7样本采集器编辑图8创建NDVI 函数图10水体分类结果依据图10,可明显看出西南交大犀浦校区内的水体为蓝色部分，与实际情 况相符。
2.4.2陆地陆地分类阈值设置：NDVI>-0.5，NIR>10，获取陆地分类Edit thresbord canditionEeatuieNDV1s □□□ sm Q s □□□□ s mEntire lartfle ofno I limitedConed图9水体分类阈值设置 （NDVIv-0.5 ，NIRV10）图11陆地分类阈值设置(NDVI>-0.5 , NIR>10)和结果依据图11 (右)，可明显看出西南交大犀浦校区内的陆地显示为红色，与实际情况相符。
2.4.3植被植被分类阈值设置(mean): B<180，NIR>30，-0.15<NDVI<1。
图12 植被分类阈值设置(B<180, NIR>30，-0.15<NDVI<1)图13植被分类结果依据图13,可明显看出西南交大犀浦校区内的植被显示为绿色，与实际情况相符。
2.4.4 裸土裸图分类阈值设置:160vB<240, 160vG<240, 50<NIR<120，150<R<210, -2<NDVIv-0.1。
图14裸土分类阈值设置1图15裸土分类阈值设置2图16裸土分类结果依据图16,可明显看出西南交大犀浦校区内的裸图显示为暗红色，与实际情况相符。
2・4・5建筑物建筑物分类阈值设置：B>240, G>240, NIR>220，R>240图17建筑物分类阈值设置1图18建筑物分类阈值设置2依据图19,可明显看出西南交大犀浦校区内的建筑物显示为鲜红色，与实 际情况相符。
2・4・6道路195<B<244, 200<G<244, 80<NIR<220，200<R<245,道路分类阈值设置:-0.5<NDVIv0。
图19建筑物分类结果图20道路分类阈值设置 1图21道路分类阈值设置2图22道路分类结果依据图22,可明显看出西南交大犀浦校区内的道路显示为暗红色，与实际情况相符2.4.7阴影阴影分类阈值设置：50vB<200, NIRv20，-2>NDVI<-0.5图23阴影分类阈值设置1图24阴影分类阈值设置2图25阴影分类结果依据图25,可明显看出西南交大犀浦校区内的阴影显示为鲜红色，这些区域正好位于建筑物或者树木投影的部分，与实际情况相符。
2・4・8总体分类图总体分类图中，不同颜色代表了不同的地物类型，与西南交大犀浦校区实际情况相符，如图26所示™ M.ti>L4 哇 L»4L M |dup«£.L ccmpaja. =3£l HhapwHXl CWHK L J C I SI rmti 啓 LvwU tKUdL. R# HIE ・ 10-= 411 M kU, 0M4 士 WP¥1 y g Mw IMIH y 3iSb eu&H M LawUrc 吶:“ ■ ■二 &弘-QIM-1+ M LZ2胆钿：■ vmB -■ »字鼻14+抵晒［UHi ■图26总体分类图•_j | 4MQg ■ 4 t 0 0ar JLL#C04B ■ T ■ ft±4I- |"■i 4 F 「1空 ~TbhlWdTkLm.Plj-ICl 1 ■■ ■.-!«■■■ ClOitMliX-ll CbTb 977 l.frvT 'l«L-wn■ E* 卫肩 Jnwgcds 虫耳舸1Jort Ewt 曲1 血 茨>IL4d)»^J|A^d3.^a2u«k|^h 应：册.XM*t>rIf E a « M ft IZ e #r^wi h ■■ Cl BIT B"d,3 结语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。
而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。
本实验采用面向对象方法对融合后的影像（高分辨率的全色影像和多光谱影像进行数据融合）进行有效的分割。
面向对象分类技术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；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” 。
试验中采用创建NDVI 函数，通过设置不同的分类阈值参数可辨别出对应的地物类别（水体、陆地、植被、裸图、建筑物、道路和阴影），并生成总体分类图。