影像信息提取之——面向对象特征提取

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。

本专题以ENVI中的面向对象的特征提取FX工具为例，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：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“基于规则（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、纹理等对象属性信息。基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。

表1为三大类分类方法的一个大概的对比。

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。该模块可以在操作过程中随时预览影像分割效果。该项技术对于高光谱数据有很好的处理效果，对全色数据一样适用。对于高分辨率全色数据，这种基于目标的提取方法能更好的提取各种具有特征类型的地物。一个目标物体是一个关于大小、光谱以及纹理（亮度、颜色等）的感兴趣区域。

可应用于：

●从影像中尤其是大幅影像中查找和提取特征。

●添加新的矢量层到地理数据库

●输出用于分析的分类影像

●替代手工数字化过程

具有易于操作（向导操作流程），随时预览效果和修改参数，保存参数易于下次使用和与同事共享，可以将不同数据源加入ENVI FX中（DEMs、LiDAR datasets、shapefiles、地面实测数据）以提高精度、交互式计算和评估输出的特征要素、提供注记工具可以标识结果中感兴趣的特征要素和对象等特点。

3、ENVI FX操作说明

ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如图1所示。

图1 FX操作流程示意图

下面在ENVI5.0下的FX工具，以0.6米的QB图像为例，介绍向对象信息提取的流程。下面我们。

3.1基于规则的面向对象信息提取

该方法的工具为Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow

第一步：准备工作

根据数据源和特征提取类型等情况，可以有选择地对数据做一些预处理工作。

●空间分辨率的调整

如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。

●光谱分辨率的调整

如果您处理的是高光谱数据，可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。

●多源数据组合

当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking 工具实现。

●空间滤波

如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理。

这里直接在ENVI中打开qb_colorado.dat图像文件。

第二步：发现对象

（1）启动Rule Based FX工具

在Toolbox中，找到Feature Extraction，选择/Feature Extraction/Rule Based Feature Extraction Workflow，打开工作流的面板，选择待分类的影像qb_colorado.dat，此外还有三个面板可切换：在Input Mask面板可输入掩膜文件，在Ancillary Data面板可输入其他多源数据文件，切换到Custom Bands面板，有两个自定义波段，包括归一化植被指数或者波段比值、HSI颜色空间，这些辅助波段可以提高图像分割的精度，如植被信息的提取等自定义的属性，在Normalized Difference和Color Space属性上打钩，如下图所示，点击Next；

图2 输入数据和属性参数选择

（2）影像分割、合并

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。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。

选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过preview预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。有两个图像分割算法供选择：

● Edge，基于边缘检测，需要结合合并算法可以达到最佳效果；

● Intensity: 基于亮度，这种算法非常适合于微小梯度变化（如DEM）、电磁场图像等，

不需要合并算法即可达到较好的效果。

调整滑块阀值对影像进行分割，这里设定阈值为40。

注：按钮是用来选择分割波段的，默认为Base Image所有波段。

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。合并算法也有两个供选择：

● Full Lambda Schedule，合并存在于大块、纹理性较强的区域，如树林、云等，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；

● Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。设定一定阈值，预览效果。

这里我们设置的阈值为90，点Next进入下一步。

Texture Kernal Size：纹理内核的大小，如果数据区域较大而纹理差异较小，可以把这个参数设置大一点。默认是3，最大是19。

注：这一步是可选项，如果不需要可以按照默认的0直接跳过。