面向对象影像分类完整版

面向对象遥感分类

第一节

面向对象方法介绍第二节

面向对象的影像分割算法剖析

第三节

最优尺度问题一、产生背景•

高分辨率遥感影像（high-resolution

remote

sensing

imagery

）的大量出现与广泛应用–

SPOT5、IKONOS、QuickBird、WorldViewⅠ-Ⅱ、

GeoEye-1–

高分辨率遥感影像广泛应用于土地利用、森林资源监测

与调查、土地整理监测•

传统基于像元（pixel

based）分类方式获得的结果与地理数

据库难以整合–

“椒盐”现象，分类结果不易矢量化–

分类利用的高分影像信息有限，导致分类精度不高传统的基于像素自动分类

方法，已不适合面向对象影像分析与信息

提取技术高分土地利用信息提取•

空间分辨率的提高，提供更多的纹理、形状、上下文等空

间信息，地物看的更清晰，更便于人工目视解译30米分辨率TM图像2.5米分辨率SPOT5图像地物精细识别

==

精确提取地块

的地物信息（光谱、几何、

边界

+准确确认地块属性耕地居民区二、技术流程和核心方法高分辨率遥感数据拥有更加丰富

结构、纹理等）过去的方法是依靠人工勾绘边界，看图识字。高分辨率遥感图像地物信息丰富、数据量大。但仅依靠人工的方法对高分

辨率遥感影像进行解析已经难以满足应

用需求。影像对象按照局部区域的不同特征进行分割，所分割出来独立的结果就叫影像对象。每个影像对象代表影像的一个确定空间连续的区域。影像区域的像素与影像对象关系是部分关联。

如果两个影

像对象是邻近关系，那么它们包含的像素在影像区域也是相

邻关系。影像对象层和影像对象层组•

对像层：对象层是由易康

(eCognition)软件分割的多个影像对象组成

，

而

多

个

影

像

对

象

可

以

按

照

一

定

的

尺

度

参

数

合

并

或

分

割

成

分

别

由上下组成的一个新的对象层。•

对象层组：对象层组由两个或多个以上的影像对象层组成由上至下是一对多、由下至上是多对一分类特征提取与计算光谱特征形状、纹理特征等分类方法单特征隶属度分类器多特征最邻近分类器样本选择和评价特征选择和优化分类后处理精度评价结果导出基于对象分类精度评价工作流程影像输入创建对象-分割为分类建立特

征空间分类结果输出分割和分类•

分割：获取影像对象的过程（像素向上合并的过程）。•

分类：把具有相近关系的影像对象归为一类的过程。易康(eCognition)

分类相关概念隶属度分类：为对象选取特征并对这些特征的值用隶属度函数进行描

述，将这些对象归为一类的过程。隶属度函数（

membership

functions

）：一种模糊函数。在分类

中，当完全不属于该类时，隶属度为0；完全属于时，隶属度为

1.最邻近分类：通过选取一系列样本对象，选择特征集（多个特征），

计算这些样本在这些特征间的分离度。再根据分离高的特征计算所有

对象与样本点的距离，距离小于阈值，归为一类。影像分割

根据影像的部分特征将一幅图像分成若干“有意义”的

互不交叠的区域，使得这些特征在某一区域内表现一致

或相似，而在不同区域间表现出明显的不同。

影像分割是对遥感影像进行进一步面向对象分析、理解

和识别的基础，是高分辨率遥感影像应用领域的关键技

术之一。影像分割主要利用光谱特征，形状特征调整地块边界Smoothness量小说明该对象边界比较光滑

Compactness表示对象紧凑程度。基于区域合并的多尺度分割分割eCognition

中的分割算法

棋盘分割：最快的分割算法，但对感兴趣对象的特征描述并

不有效。分割产生相同大小的对象。

四叉树分割：四叉树分割速度很快，可以产生多种尺度大小

的对象。直接产生的对象没什么意义，但对后续光谱差异分割

和多尺度分割区域生长算法有用。

对比分裂分割

多尺度分割：用得最多、最有效、速度最慢的一种

分割方式。

光谱差异分割：影像对象域只能为对象。

多阙值分割：当需要基于绝对的像素值进行分割时使用这个

算法。

对比过滤分割不同分辨率下的分割结果特征•

一个特征是目标对象的相关信息的表述。分类过程中用到的最多的两类特征：•

影像对象特征（object

feature）:

是和一个对象关联的表

述其信息的特征

。•

类相关特征（class-related

feature

）：是一个类和整个层

次结构中的类关联表述。影像对象特征•颜色、形状

、位置、纹理、专题图层等•更多信息也可通过影像对象的网状结构来进行归纳分类或

合并。类特征类特征的一个重要例子是给定了类的子对象数量及给定类

的子对象的相邻关系（Relative

border

to

neighboring

objects

and

number

of

subobjects）。如图所示，特征窗口常用的对象特征光谱特征–亮度–对象比率–––––––最大均值最小均值

最大均值差

均值标准差

最大像素值

最小像素值–

Mean

Diff.

to

neighbors–

Mean

Diff.

to

neighbors(abs)–

Mean

Diff.

to

brighter

neighbors()

–

Mean

Diff.

to

darker

neighbors形状特征•

表

现

对

象

大

小

的

有

：

面

积

、

周

长

、

等

价

直

径

、

长

度

、

宽度、String

length、String

width；•

表现对象的细长程度的有：长宽比、细长度；•

表

现

对

象

的

边

界

复

杂

度

、

紧

凑

性

的

有

：

形

状

指

数

（

即

分形维数）；•

表现对象与圆的接近程度的有：球状指数；•

表

现

对

象

与

最

小

外

接

矩

形

的

接

近

程

度

的

有

：

扩

展

度

（矩形度）；•

如

果

对

象

为

椭

圆

形

，

表

现

对

象

的

椭

圆

形

状

的

有

：

离

心

率、扁率；•

其他：主轴方向纹理特征灰度共生矩阵（grey

level

co-occurrence

matrix,

GLCM）

，通过对影像灰度级之间的二阶联合条件概率密度P（i,j,d,st

）来表示影像的纹理。P（i,

j,d,st）表示在给定空间距离d和空

间方向st，以灰度级i为始点，终点出现灰度j出现的概率。分类•

1.最邻近分类器分类–

在特征空间中计算待分类影像对象与各地类训练样本之

间的距离，寻找与待分类影像对象距离最近的样本对象，

将该待分类对象归属到最近样本对象所在的类别；–

另外，还可以以欧氏距离为测度，将距离转换为隶属度，

最终将待分类样本归属到隶属度最大的那一类。•

2.成员函数模糊分类–

特征模糊化（特征值——隶属度）–

多特征模糊逻辑运算（地块多特征隶属度通过逻辑运算

得到一个隶属度）–

反模糊化（隶属度——类别）K邻近方法（K-NN）K-NN首先搜索未知样本的K个邻近已知类别的训练样本，

将未知样本归于这K个邻近中多数样本所属的那一类特征空间优化选择可能的特征集计算特征集距离矩阵分离度较高的特征集分类选样本时保

持选中状态创建TTA掩提示：在样本编辑器窗口中尽量不要添

加或

少添加纹理特征，否则会导致计算时间

很长最邻近分类选择样本保存样本时先膜最邻近分类（3）（2）

（1）最大隶属度1最小隶属度0隶属度函数菜单Classification→

Advanced

Settings→

Edit

Minimum

→Minimum

MembershipValue…编辑归类最小隶属度值模糊大于（左）小于（右）布尔大于小于线性大于小于左：线性范围（取反）

右：线性范围单

值近似高斯大致范围全范围

设定阈值

隶属度值大于阈

值，则这个影像对

象O将会被划分为

class

red，否则该对

象将被归为未分类

对象29中国农业大学规则（Processes）•

图像分析算法是利用Definiens的专家开发出的一套先进的

模仿人类认知的语言进行开发的高级影像分析算法，这种

算法主要采用了面向对象的图像分析方法，各种算法的设

计是通过对规则集的设计实现的。•

一个单一的规则是解决一个具体图像分析问题中规则的集

合单元，规则集是进行规则集合而开发的一个主要工具。•

在影像中一个单一的规则能使一个具体的算法应用到一个

具体特定的区域，条件信息为选择特定区域的分类或合并

提供了很好的语义信息。算法参数单一的规则中的主要功能算法、算法作用的影像对象域、算法参数算法对象域循环次数在这个项中您能读到您在规则树中所设置的所有参量。如图：自动命名的规则上述例子命名解释:所有对象的Mean

nir特征值若小于200在第一层级将被分类为水体算法（Algorithm）:。从下拉菜单中选择您想要进行的算法，依据所选择的算法，在编

辑对话框右侧部分的规则集合设置的算法参数也将发生变化并显示。默认情况下通常最常使用的算法是可以应用的，选择其它的算法

时可以通过下拉选项和滑动条进行选择，在最下端的select

more里可

以选择更多算法，添加可利用的算法到算法名单中。算法参数根据所选择的算法不同，参数的设置也不同，必须在参数设置

表格进行设置，如，多尺度分割的算法被插入。多尺度分割算法的参数指定分类的算法参数注释：对于一个规则，您也可以添加自己的标注，您可以在打开编辑对话窗口中点击

注释图标

通过插入注释可以使规则变得容易理解和输入一些必须的信息。规则可以包含任意数量的子规则，它们所显示的结果是

影像分析所定义的结构和流量控制图，规则包含很多不同类

型算法，允许用户建立一个连续图像分析流程。规则次序流程如图：规则窗口中显示了一个规则流程精度评价算法的研究

基于像素的精度评价算法包括采样方法、样本容量的计

算、误差矩阵的计算与意义、各种精度评价指标和

Kappa分析等问题。

面向对象的精度评价算法包括最佳隶属度评价法、分类

稳定性评价法和基于对象样本的误差矩阵统计法。精度评价分类的精度，一般两种方法，实地调查；高分辨率的影像检验低分辨率影像的分类。在eCognition中的精度评价也是基于测试样本进行的。这就要求在较客观的情况下（一般要求有其他数据支持），为每一类选取精度评价样本。注：分类时要选好分类的地区影像，一般要求要有地面数据支持，也就是说要知道你待分类的

影像的地物类别，这样在你的分类完成后才可能评价你的分类精度，分类精度的评价一般是用

混淆矩阵来评价，从混淆矩阵中算出总精度和

Kappa系数就可作为分类精度了。结果导出输出类型输出图层输出文件名称选择要导出的类选择要导出类的

相关特征

注：要导出类名，

必须添加此特征，

无需改任何参数面向对象影像分类步骤（基于样本）

1、进行尺度为100的影像分割。2、在Class

Hierarchy中点右键，选择Insert

class，依次建立四个

类：房屋、道路、湖泊、草地。面向对象影像分类步骤（基于样本）3、编辑特征空间：选择菜单“Classification

->Nearest

Neighbor

->

Edit

Standard

NN

Feature

Space”，双击左边的特征列表中的特征，选择以下一些特征，如下图：面向对象影像分类步骤（基于样本）4、应用分类规则：选择菜单“Classification

->

Nearest

Neighbor

->

Apply

Standard

NN

to

Classes”把它插入到类描述中，选择左边框中的类，单击，即可将该类加入到右边的框

中，如下图：面向对象影像分类步骤（基于样本）点击OK后，在Class

Hierarchy中双击一个类，如草地，可

以看出分类特征已经添加到该类中，如下图：面向对象影像分类步骤（基于样本）5、选择样本：选择菜单View

->

toolbar

->

sample，打开

样本导航器，如图：选择按钮，打开样本编辑器，如右图：面向对象影像分类步骤（基于样本）6、选择类的样本：从样本编辑器中的Active

Class中选择需要选择样本

的类，如草地，在分割图上点击样例对象,当你单击一个类时，它的特征值在

每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它

们的相关特征值，如下图：面向对象影像分类步骤（基于样本）选择样本导航器中的

按钮，然后双击分割图上的某一个对象，

就可以该对象选择为该类的样本，选择后样本编辑器会成为如下的状态：依次为所有的类选择足够的样本。面向对象影像分类步骤（基于样本）7、执行分类：在Process

Tree中选择Append

New

，Algorithm中选择Basic

Classification

->

Classification

，在Algorithm

Parameters

的Active

Classes中选择

“草地、

道路、房屋、湖泊”，设置如下图：在航空遥感影像上，城市道路特征明显，形成相互连

通的网状，一般呈亮灰色，其两边通常可见深色调的行道树或道路隔离带，容易识别面向对象影像分类步骤（基于样本）点击OK后，再右键选择Execute，即可得到分类结果：面向对象影像分类步骤（基于样本）对于分类图中的白色区域，表示这些对象没有被分类，只需要将这些

对象添加到相应的类中，再重新进行分类，就可以得到正确的分类结果

了，重新分类后的结果如下：第三讲

面向对象遥感分类

第一节

面向对象方法介绍第二节

面向对象的影像分割算法剖析

第三节

最优尺度问题内容提纲1,Multi

resolution

分割算法

2,分割参数及其设置3,矢量专题数据辅助下的分割1.

Multi

resolution

分割算法两篇参考文献：1.

Baatz,

M.

and

Schäpe

A.

(2000).Multiresolution

Segmentation-an

optimization

approach

for

high

quality

multi-scale

image

segmentation.2.

Benz,

U.C.;

Hofmann,

P.;

Willhauck,

G.;

Lingenfelder,

I.;

Heynen,

M.

(2004)Multi-resolution,

Object-oriented

fuzzy

analysis

of

remote

sensing

data

for

GIS-ready

information.

Isprs

J

Photogramm1.

Multi

resolution

分割算法merge

obj

1obj

2特点：

基于区域增长原理；从像元开始，通过局部最优匹配准则，

合并"异质性"增长指

标最小的对象，直到预设阈值为止；增长的界限

使用

scale参数来定义；dH

dH

color

wcolor

dH

shape

wshapedH

color

nmerge

c

(

nobj

1

c

nobj

2

*

c

)

dH

shape

dH

compact

wcompact

dH

smooth

wsmooth1.

Multi

resolution

分割算法1.

以A为中心对象，分别计算B,C,D与A的合并代价dH;2.

找出合并代价最小的值dHmin，如果

dHmin

<

scale

参数，则

合并这两个对象，否则不合并。2.

分割参数

及其设置设置scale参数的原则：“Always

produce

image

objects

of

the

biggest

possible

scale

that

still

distinguish

different

image

regions

(as

large

as

possible

and

as

fine

as

necessary).”

(Trimble2011)在保证能把地物划分出来的情况下，尽可能设置较大的scale

参数2.

分割参数

及其设置20.8.125.8.130.8.135.8.140.8.145.8.150.8.155.8.160.8.165.8.170.8.175.8.180.8.185.8.190.8.195.8.1100.8.12.

分割参数

及其设置设置scale参数的原则：“Always

produce

image

objects

of

the

biggest

possible

scale

that

still

distinguish

different

image

regions

(as

large

as

possible

and

as

fine

as

necessary).”

(Trimble2011)在保证能把地物划分出来的情况下，尽可能设置较大的scale

参数3.

矢量专题数据辅助下的分割案例：2003年

SPOT5：2010年

CBERS

02B：2003年

人工解译土地利用：独立的影像分割：有专题辅助的影像分割：2003年

人工解译土地利用：案例案例3.

矢量专题数据辅助下的分割优势：1.

能够充分利用人工解译的边界；2.

变化区域光谱差异大，一般能够通过分割方法

勾画出来；3.

能够利用原始的土地利用类型信息

用于新时期

地块的分类；便于引入专家的分类规则。第三讲

面向对象遥感分类

第一节

面向对象方法介绍第二节

面向对象的影像分割算法剖析

第三节

最优尺度问题一、尺度问题面向对象影像分析像素（像元）对象（基元）分割尺度问题的改变选择合适分辨率选择最优的分割尺度

尺度效应尺度转换技术30mTM2mGF1面向对象尺度问题的关

键就是如何在多尺度分

割中寻找与实际地物对

应的尺度。二

尺度参数优选方法

常规：简单试错法从影像出发，从一次分割结果中人为判

断分割效果，变换分割尺度，重新判断----效率低下三、多尺度边缘逼近

的水体精确提取实验3.1

面向对象水体提取技术对于水体信息的精确提取，实际上是对边界（也称边缘）

的准确判定和划分，但自然状态下形成的如湖泊、河流等，

由于各自物理化学特征或周边环境的差异性比较大，边界

部分往往容易与其他地物混淆。水体边缘提取受尺度因子影响很大，大尺度边缘容易忽略

细节但能够反映整体组合信息，小尺度边缘能够提供细节

信息单但需防止过于破碎。如何将影像提取的工作量集中在不同尺度下边缘地带的类

别判别上，从而获得精确的信息提取结果。3.2

地物目标边缘提取方法边缘外推下的分割提取方法在水体提取实验中，面对较为均质的大面积水域，采用

棋盘分割方法首先提取水体内部信息，在此基础上设定边界

指数，使得水体内部边缘向外推演至外部边界，获得目标物

的边缘地带。Level1棋盘分割Scale

1Level2多尺度分割

Scale

2以水库边缘为基准向外扩充边界指数水库边缘部分3.2

地物目标边缘提取方法边缘外推下的分割提取方法遥感数据集专家知识规则水库（内部）专家知识规则水库（扩充部分）水库（精确边界）3.2

地物目标边缘提取方法双尺度分割叠加提取边缘分割尺度不同，所造成的地物边缘形态也不尽相同，随着尺度的增大，一些反应细节的边缘逐渐消失，但又可能突

出其完整的轮廓边缘。因此，探讨将不同分割尺度下的信

息整合起来，互补所短，最终得到精确的目标地物边缘是此方法讨论的重点。Level1多尺度分割

Scale

1Level2多尺度分割

Scale

2（增加）地物（增加）地地物

（（减少）（未变化）地地物

（未变化）Level3多尺度分割

Scale

3地物（level3）地物（level1）地物（level2）3.2

地物目标边缘提取方法遥感数据集专家知识规则专家知识规则叠加分析专家知识规则双尺度分割

叠加提取边缘地物（精确边界）四、尺度变换下的

组合地物提取实验4.1

多层次多尺度遥感提取依据：知觉整体性在知觉活动中，人们对整体的知觉会优先于对个别成分

的知觉。因为人的视觉系统对刺激的整体性质（拓扑性质）更敏

感，人们往往会在整体加工之后，进行局部成分或特征

的分析。知觉的整体性提高了人们知觉事物的能力，它不仅依赖于刺激物的空间分布和时间分布，并且依赖

于知觉者人体的知识经验，这些规律对遥感影像的判读

提取而言非常重要。4.1

多层次多尺度遥感提取

不同尺度下的分割结果构成了具有层次等级的影像图层集。大尺度适宜如森林、水库等面积较大、较为均质的地物类型；小尺度则适宜数目、池塘、房屋等面积较小、纹理形态较为复杂的地物类型。设计出一套多尺度分层次的影像提取策略，针对不同的提取目标分层提取，则能够避免“只见树木，不见森林”

的问题。4.2

试验一、基于多尺度分割的盐田提取对于盐田水体，从

概念上来看，它是

一种具有生产意义

的组合地物。

由水库、养殖、蒸

发池、制卤区、结

晶池等组合而成；影像特征复杂；多种混合地物的综

合体。4.2

基于多尺度分割的盐田提取

地物景观尺度不同具有自上而下层次结构根据用户对不同层次上地物提取需求不同，开展不同尺度空间上的单元分析,

从粗到细、从上到下地逐步实现高精度信息提取规律自海向陆的依次排列,水库/养殖区—蒸发区—制卤区—结晶区,

结晶区被制卤区包围。如何利用地物空间分布的规律性辅助遥感信

息提取也是近年来广泛探讨的问题。Level1多尺度分割

Scale

200Level2多尺度分割

Scale

80盐田组合（增加）盐田组合（减少）盐田组合

（未变化）Level3多尺度分割

Scale

30盐田组合（level3）海洋（level0）大尺度下提取地物组合盐田/养殖（精确边界）技术路线图LANDSAT-TM5

30米空间分辨率

唐山市大清河盐场“海指数”算法专家知识规则

-0.17<=MNDWI<=0.3盐田组合（level1）专家知识规则

0<=MNDWI<=0.45盐田组合（level2）叠加分析专家知识规则

-0.1<=MNDWI<=0.3664.3

试验二、边缘外推方法提取建筑物组合房屋居民区城镇语义概念

在实际影像提取中层次关系

整体与部分上级与下级的关系专家知识规则

Area=8997学校170Level

2

多尺度分割Scale

40Level

1棋盘分割Scale

170以学校内部为边缘基准向其他20扩充Level

3

多尺度分割Scale

20Level

a

多尺度分割Scale

60Level

b

多尺度分割Scale50Level

c

多尺度分割Scale

30Level

d

多尺度分割0.384

<Rel.borderto学校内部<1反复迭代修正边缘专家知识规则

ShapeIndex>5.5技术路线图SPOT-5

2.5米空间分辨率多光谱与全色波段Pansharp融合数据学校内部学校边缘（+）其他170（+）其他40其他20学校Elliptic

Fit>0.9五、多尺度空间结构上下文

特征拓展及应用一、多尺度空间结构上下文特征

应用于城市精细土地覆被分类（一）上下文特征与分类研究背景

（二）多尺度空间结构上下文特征提取

（三）城市精细土地覆被分类实验

（四）讨论与结论（一）研究背景对象自身特征光谱形状/纹理特点

特征较为稳定，受分割效果影响较小；

“同物异谱”“异物同谱”影响，光谱特征针对精细尺度的土地覆被\利用

分

类精度较低

特征不稳定，受分割效果影响大

上下文与分类什么是(空间)上下文（context）对影像分析来说，上下文指当前处理对象所处周围环境；周围环境对当前对象分类有潜在影响。

上下文应用有两种模式1.

分类后上下文处理2.

在分类过程中使用上下文特征已有研究表明：上下文特征对城市地区影像分类有帮助分类中使用

上下文特征3

x

3•

要点：5

x

51.

确定上下文空间范围

（规则

or

不规则）

2.

确定特征指标

（复杂度，异质性等）

传统上下文特征的局限上下文范围使用规则的正方形区域，限制了使

用上下文特征基于象元计算，主要用于基于象元

的分类，针对面向对象分类的上下文特征少有介绍研究适用于面向对象影像分析的上下文特征具有

重要意义。本文

主要贡献•

1.

提出

非限定的多尺度上下文范围

构

建方法•

2.

提出

基于子对象的空间结构描述指

标•

3.

验证

空间结构上下文特征

对城市精

细土地覆被分类

精度提高的作用（二）提取多尺度空间结构上下文特征确定上下文范围计算空间结构特征上下文特征转移多尺度影像分割基于子对象统计值

的空间结构描述父子对象特征转移

技术流程...优点：1.

上下文空间范围自适应增长，任意形状与大小

2.

多尺度基于多尺度影像分割

确定上下文范围Lv_nLv_2Lv_1Lv_obj

多层次的对象结构建立上

下文范围；基于异质性限制条件，来

增长上下文范围，实现多

尺度；

11nA

nA

nA2kkn

nnA计算空间结构特征BB1B2两个特征指标：D1A2A3DACA4A1A5C1SD_mean:D2C2子对象间的光谱差异(a)

(b)SD

_

mean(A)

(c

(Ai

))

(

c

(Ai

)

cA

i

1

A

i

1

i

1k(A

i

))

AVG_DN:子对象的邻域空间结构AVG

_

DN

(A)

1nA

i

1

k

(Ai

)

k

(A

2

)

w2

j

ck

(A

2

)

ck

(A

j

)

j

1,3,4

j

1,3,4w2

j...

转移到待分析对象层：LV_obj

多尺度空间结构上下文特征矢量：<C(1),C(2),…,C(n)>转移上下文特征Lv_nLv_2Lv_1Lv_obj上层对象的空间结构特征：

C(n)..C(2)C(1)（三）城市土地覆被分类实验

1

区域、数据、分类系统

深圳局部，SPOT5融合影像，2.5m分辨率居住区屋顶阴影裸地类型工业/商业屋顶硬质路面植被分类系统Type

CodeResidential

Roof

11Industrial/Commercial

12RoofShadow

13Paved

Surface

21Cleared

Land

22