土地资源管理-遥感图像处理课程论文

1、浅谈面向对象分类方法摘要：近年来，各种类型的卫星遥感己经被广泛应用于土地的覆盖利用、环境监测、农业估产、森林火灾及政府决策等方面。对遥感影像数据的利用绝大多数的情况都需要对其进行分类以获取分类数据（专题数据），分类技术也称之为影像分析技术。一直以来，遥感影像数据的分类都是基于像素的。基于像素的遥感影像分类方法所提取出来的专题信息误差较大，会产生许多的无效破碎图斑，从而降低了分类精度。针对这些问题，近年来发展起来的一种新的影像分类方法面向对象分类法是一种越于影像对象的分类方法。影像对象是指具有一定相似特征的像素的集合。相比传统的遥感影像分类方法，这种分类方法具有很多的优点：其影像分割可以分出同性

2、质像元组成的影像对象，对象内部的光谱值差异极其微小甚至可以忽略，此消除了“椒盐现象”的产生；分类时对象之间的区分利用遥感影像所表现出的形状、空间、纹理等特征信息对影像进行分类，减小了“同物异谱、”“同谱异物”现象对分类精度的影响；采用多尺度分割空间信息的分析方法，能够满足提取不同尺度的地物信息的要求从而达到了较高的分类精度。论文尝试借助面向对象技术对泰安市土地现状进行简单分类来介绍面向对象分类技术。关键词：LandsatTM卫星影像数据，分割，面向对象分类。1面向对象研究方法综述近些年，许多分类方法在遥感应用出得到广泛的发展，例如：根据是否需要先验知识的监督、非监督分类方法：模拟人脑的某种抽样

3、、简化，由大量处理单元（神经元）相互连接的人工神经网络方法；基于模式识别和人工智能技术的遥感图像解译专家系统分类方法等。尽管以上方法已经取得良好效果，但从本质上都是属于一种基于像素方法。完全基于像素的分析方法存在许多缺陷，例如通过数据源的单个像素只能反映出其自身光谱特性。这种分析方法不足以表达对地理学、景观生态学或其他学科具有认识论或者哲学意义的基本概念。面向对象方法是一种基于分割单元的分析方法。在这种分析方法不足以表达对地理学、景观生态学或其他学科具有认识论或者哲学意义的基本概念1。面向对象方法是一种基于分割单元的分析方法。在Baatz、Herold、Geneletti、Gorte、Thom

4、as等研究人员的研究工作基础上，和德国DefiniensImaging公司推出eCognition软件,美国RSI公司推出ENVIEX等之后，为我们在面向对象的课题研究上提供了相关理论基础和软件准备。国内的中科院、南京大学、武汉大学、北京大学等各大高校、研究机构在面向对象的研究方向上也做出了突出的成绩，许多的方法值得我们借鉴。许多国内外学者运用面向对象分类方法进行了探索性研究，取得一些进展。面向对象影像分类方法的研究在我国起步较迟，衣燕、刘悦、文斯等对昆明市滇池流域的遥感影像，采用而向对象的分类方法进行了信息提取和分类并取得了很好的分类精度。2面向对象分类方法的优点面向对象分类方法，相对于传统

5、分类方法有以下几个优点：可充分利用遥感影像的多种特征，更接近人脑的解译方式。这种特征使得影像分类能充分利用影像的多种信息，因此，分类的依据就可以更多，分类更加灵活。人类对外部景物的感知是一个统一的整体，包括对场景中每个物体的形状、大小、颜色、距离等性质都按照精确的时空方位等特点被完整地感知。在目视判读遥感影像时，除感受色调、色相的差别外，还通过形状和位置的辨认来获得大量信息。在遥感影像中，任何地物都可以用其特征进行描述，只要提供足够且合适的特征，某一地物就可以和其它类别区别开。因而，模拟人脑的解译方式，将遥感信息的多种特征充分利用起来，是遥感信息高精度提取的重要途径。可用不同的分割尺度生成不同

6、尺度的影像对象层。因为所有地物类别并不是在同一尺度的影像中进行提取，而是在其最适宜的尺度层中提取。使得分类结果更合理。而传统的分类方法缺点是：基于像元级的处理；不同的影像目标处理均在同一尺度层次内进行。统计勾纹理计算具有实际意义，使用形状因子、拓扑特征以及真实世界和影像对象之间的关系来定义对象的特征空间，从而使分类精度大大提高。根据地物类别的特点提取不同尺度层上的信息。传统分类方法由于分类器设计的缺陷，使得传统分类方法只能在同一分辨率层次上对所有影像目标整体解算这种方法阻碍了目标地物特性的提取。面向对象分类方法克服了传统分类方法的缺陷，可以在单一分辨率的影像基础上，根据像元光谱与空间分布的特征

7、，形成具有不同分辨率的影像目标层次，从而形成具有层次结构的影像资源集合，从遥感影像中提取所蕴含的影像空间信息，提高了面向对象分类方法的分类精度与可靠性2。面向对象分类方法研究面向对象的分类方法是种智能化的自动影像分析方法，它的分析单元不是单个像素，而是由若干个像素组成的像素群，即目标对象。目标对象比单个像素更具实际意义，特征的定义和分类均是基于目标进行的。面向对象的分类方法提供了两种不同类型的分类器：隶属度函数分类器和最近邻分类器。隶属度函数法是基于可利用目标特征的模糊逻辑来分类，精确定义对象属于某一类的标准，是基于一个特征的。因此，如果只用一个或少数特征就可以将一个类同其他类别区别开时，可以

8、使用隶属度函数分类器。最近邻分类相类似于监督分类，需要选择样本训练。样本是一个类的典型代表，在声明每个类的样本对象后，每个影像对象都赋为特征空间中最邻近样本所代表的类中。当无法描述特征空间时，允许用户通过模糊的规则明确地表达分类要求，对类进行描述可用不确定性。面向对象的遥感影像分类分为两个阶段：第一，图像分割阶段。通过进行特征抽取，获得关于原始图像的特征图像，采用合适的图像分割方法对特征图像进行分割，使获得的分割单元内部的一致性和单元之间的相异性程度尽可能呈现双高。第二，图像分析阶段。选用合适的特征，经过特征计算，获得关于单元的特征矢量，通过模式分类方法或模式匹配，分割单元将被归类到对应的模式

9、类，或者特定的目标被识别，从而完成图像分析。影像分割图像分割技术是将图像划分为若干个有意义区域。这里所谓的有意义是指所分割的图像区域与场景的各个目标及背景的像一致。通常各个目标及背景的像通常具有不同的颜色、形状或纹理，为了分割出这些目标区域，图像分割所遵循的原则是：使区域内部所考虑的特征或属性是一致的，而这些属性或者特征在相邻的区域之间是不同或相异的。下面重点介绍两种分割算法：基于区域的分割算法和基于边界分割算法:（1）基于边界的分割算法基于边界的分割算法分为两类:一类是先检测目标边缘点，组成目标的边界实现分割,如:微分算子、Hough变换等;另一类是先确定边界的起始点，根据某种策略进行顺序搜

10、索,以此确定目标的边界实现分割,如:边界跟踪、曲线拟合等。这种方法适合于区域内部异质性小且边界变化明显的情况,尤其是适合对特定目标的提取但是对于遥感影像信息提取,自然环境复杂且多变,各种环境要素之间的变化大部分也是渐变的,所以很难进行合理的分割整景遥感影像,因此不适宜采用基于边界的方法对遥感影像进行分割。（2）基于区域的分割方法基于区域的分割是利用区域内部特征的相似性把影像划分为有意义区域的处理方法。A、区域生长法。区域生长方法是依据地物区域内像元的相似性来聚集像元的方法,从面向对象高分辨率遥感影像信息提取初始区域（如小区域甚至是单个像元）开始,将相邻的具有同样性质的像元并到目前的区域中，从而

11、逐步生长区域,直至没有可以归并的像元或小区域为止。B、分裂、合并混合法。这种分割方法的思想是先从整幅影像开始，通过不断的分割，得到各个区域。实际应用中，常常把影像分割成任意大小且不重叠的区域,然后再合并或者分裂这些区域以满足分割的要求3。多尺度分割多尺度分割是在生成影像对象的过程中压缩高分辨率影像,把高分辨率像元的信息提取保留到低分辨率的影像（分割后的影像）上,使影像信息损失最小的前提下，将其成功分割成为有意义的影像多边形。影像分析的不同目的题有其特定的尺度,每一个目的需要分割所生成的影像对象，用最恰当的尺度来描述与传递影像的最佳信息。因此，在影像分析中总希望在适宜的尺度上进行。多尺度分割中，

12、采用不同的分割尺度生成不同尺度的对象层,使具有固定分辨率的影像数据可以有不同尺度的数据结构组成,构成了与地表实体相似的层次网络结构实现原始像元信息在不同空间尺度上的传递,以适应特定的应用需求。分割尺度选择影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值,决定生成最小多边形的级别大小,与空间分辨率是两个不同的概念。多尺度影像分割表示在分割过程中可采用不同的分割尺度值,所生成的对象大小取决于分割前确定的尺度值,分割尺度值越大,所生成的对象层内多边形面积就越大而数目越小,反之亦然。影像分割时尺度的选择是很重要的,它直接决定影像对象分割的质量以及信息提取的精度4。影像对象分类技术影像分割与信

13、息提取是相互影响的循环的两个过程,影像分割完成后,利用影像对象的属性信息，建立训练区,实现提取类别信息,同时,在类别信息提取后,通过成果分析可以促进影像分割运算处理方法的改进。在许多实际应用当中,需要的几何特征与感兴趣的对象，是通过提取类别与分割影像相互作用的循环提取出来的。执行面向对象分类面向对象遥感图像分类方法包括两个主要步骤：图像分割和对象的分类多尺度影像分割本研究采用ENVIEX软件自带的FeatureExtraction模块对影像进行分割，设置分割尺度参数分别为20、30、40，得到图4-1。分割尺度为20分割尺度为30分割尺度为40图4-1不同分割尺度效果图Figure4-1spl

14、it-scalesegmentationresults对象的分类及结果本文采用基于分割的最邻近分类方法5。最邻近分类通过定义特征空间，选择样本实现分类，是一种监督分类方法。研究区所分的主要地类为林地、耕地，水体、道路、建筑用地、其他用地、园地、未利用地，共8种类型，本次试验中每个类别选取了1630的样本。利用最近邻分类法对分割后的图像进行分类,得到各分割尺度下的分类结果图4-2。分割尺度20分割尺度30删未利用地建筑用地WTOffl分割尺度40图4-2不同分割尺度分类结果图Figure4-2theclassificationresultsofdifferentscales精度验证将导出的结果图

15、在ENVI中进行精度验证，本研究采用的是绘制感兴趣区域的方法，在未分类的影像上，根据已有确定知识绘制了63个感兴趣的区域5，以此得出混淆矩阵，其中分割尺度为20的精度较为理想。如表4-1表4-1各尺度精度验证表Table4-1theaccuracyofdifferentsegmentationscales精度评价分割尺度203040总体精度66.7792%60.1245%56.8451%Kappa指数0.56950.50520.4778总结及展望论文从TM影像的信息提取和分类入手，对基于面向对象的分类方法的理论和原理做了一定的学习和研究工作，并结合相关影像数据进行了理论上的验证和分析通过本文的研究,可以得出以下结论：面向对象遥感影像分类的基础是影像分割。影像分割的结果直接影响信息提取的准确性和可靠性。分割阈值的设定是关键,阈值的大小需要进行多次试验,才能获得较好的结果,然后根据