面向对象图像分类

1、面向对象图像分类技术支持邮箱：ENVI-IDL技术支持热线：400-819-2881-7官方技术博客：http:/ 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 面向对象的技术 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，利用空间，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面向对象的图像分析与基于像元分类的区别类型类型基本原理基本原理影像的最小影像的最小单元单元适用数据源适用数据源缺

2、缺 陷陷传统基于光谱的分类传统基于光谱的分类方法方法地物的光谱信息特征 单个的影像像元中低分辨率多光谱和高光谱影像丰富的空间信息利用率几乎为零基于专家知识决策树基于专家知识决策树根据光谱特征、空间关系和其他上下文关系归类像元单个的影像像元多源数据知识获取比较复杂面向对象的分类方法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注：一种方法不能完全取代另一种，每种方法都有其适用范围 发现对象 特征提取面向对象分类操作流程规则分类特征提取监督分类导出要素查看报告和统计完成发现对象否定义要素影像分割合并分块是输出对象为矢量文件？ 基于规则的面向对象

3、分类 数据“24-面向对象图像分类1-基于规则” 基于样本的面向对象分类 数据“24-面向对象图像分类2-基于样本” 单波段影像的面向对象分类 数据“24-面向对象图像分类3-面向对象提取河流”面向对象分类练习注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。 空间分辨率的调整 光谱分辨率的调整 多源数据组合 空间滤波面向对象分类练习准备工作 FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。 选择高尺度影像分割将会分出很少的图斑，选择一个低尺度

4、影像分割将会分割出更多的图斑面向对象分类练习分割影像 影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。 FX利用了 Full Lambda-Schedule算法，该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块。 这一步是可选项，如果不需要可以直接跳过。面向对象分类练习合并分块规则分类 每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。规则与规则直接是与的关系，属性表达式之间是并的关系面向对象分类练习1特征提取对屋顶的一个描述： NDVI小于0.3（区分植被和非） 矩形化程度大于（剔除道路干扰） 面积大于45平方米（剔除小斑块干扰） 延长线小于3（剔除道路干扰） 绿波段的平均光谱小于650（剔除水泥地干扰）面向对象分类练习1特征提取 特征提取结果输出 矢量 图像（分类图像、规则图像) 结果统计报表面向对象分类练习输出结果监督分类 根据一定样本数量以及其对应的属性信息，提供K邻近法、支持向量机主成分分析法进行特征提取面向对象分类练习2基于样本 采用单波段影像，使用ENVI FX面向对象信息提取工具中的”Rule based feature extraction workflow” 进行河流信息提