遥感实验三(图像分割)2010

合集下载

图像分割

前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊C均值(FCM)非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。
纹理特征
纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。
在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。
概念:
把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。
根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。
分类:
基于阈值的分割方法基于区域的分割方法基于边缘的分割方法基于特定理论的分割方法

武汉大学2010级数字图像处理课程复习提纲(究级简化版)

遥感图像数字处理之鸿渐于陆

波比猴呕血整理！

Chapter 1 导论&基本原理

一、图像处理：

1、图像：对客观对象的一种相似性的、生动性的描述或写真，或者说图像是客观对象的一种表示，它包含了被描述对象的有关信息，它是人们最主要的信息源。

A、模拟图像：空间坐标和亮度（或色彩）都是连续变化的图像，可用连续函数描述；

B、数字图像：一种空间坐标和灰度均不连续的、用离散数字表示的图像，像素是最小单位，用矩阵或数组来描述。

2、图像处理：对图像进行一系列的操作，以达到预期目的的技术。

A、分类：模拟图像处理、数字图像处理；

B、层次：

狭义图像处理（图像-图像）：对输入图像进行某种变换得到输出图像的过程；

图像分析（图像-非图像、主观）：对图像中感兴趣的目标进行检测和测量。从而建立

对图像目标的描述；

图像理解（图像-非图像、客观）：基于人工智能和认识理论研究图像中各目标的性质

和他们之间的相互联系，对图像内容的含义加以理解以及

对原来客观场景加以解译，从而指导和规划行动。

二、数字图像处理：

1、内容：图像的获取表示和表现、图像复原、图像增强、图像分割、图像分析、图像重建、图像压缩编码。

2、计算机图像处理组成：

3、特点：精度高、再现性好、通用型灵活性强。

4、图像对比度：

A、图像对比度：图像中最大亮度与最小亮度之比；

B、相对对比度：图像中最大亮度与最小亮度之差同最小亮度之比。

三、图像数字化：（将一幅画面转化成计算机能处理的形式——数字图像的过程）

采样+量化

对于缓变的图像——细量化、粗采样——防止“假轮廓”；

细节丰富的图像——细采样、粗量化——防止“模糊混叠”及“棋盘模式”。

遥感数字图像处理第8章图像分割

图像分割的目的
图像分割的目标：根据图像中的物体将图像的像素分
类，并提取感兴趣目标
图像分割是图像识别和图像理解的基本前提步骤
图像
图像预处理
图像识别
图像理解
图像分割
图像分割的目的
图像分割是把图像分解成构成的部件和对象的过程
把焦点放在增强感兴趣对象：汽车牌照（前景）
排除不相干图像成分：其它区来自百度文库（背景）
遥感数字图像处理
第8章图像分割 image segmentation
海洋信息工程系 2012.11.14
主要内容
1. 图像分割
2. 数学形态学方法
图像分割
分割：按照一定的规律将图像或景物分成若干个部分
或子集的过程
目的：将感兴趣的目标（前景）提取出来，用于更进
一步的处理
特征：物体(目标)占有区、轮廓、纹理、直方图特征等
假设：图像分割结果的某个子区域有相同的性质，而不同区域
的像素则没有共同的性质（内部像素值灰度相似性）
灰度阈值法
适用情况: 目标和背景具有较强烈对比时全局阈值：单阈值和多阈值
自适应阈值：阈值是随位置缓慢变化函数
全局阈值法（单阈值）
最佳阈值的选择
(1)直方图方法：直方图的谷底位置
255
最佳阈值的选择
背景
DN 0
前景

遥感图像分割方法优化

遥感图像分割是遥感影像处理的一项重要任务，它主要

是通过对遥感影像进行像素级别的划分，将不同的地物或

者地物组分进行有效的分离和提取。图像分割在很多领域

都有广泛的应用，例如农业、环境监测、城市规划等。然而，由于遥感图像的复杂性和高维特征，传统的分割方法

在准确度和效率上存在一定的不足。因此，为了进一步优

化遥感图像分割方法，需要从以下几个方面进行改进。

首先，对于遥感图像的预处理阶段，可以采用多种方法

来提高图像质量。例如，通过利用波段组合、直方图均衡、滤波等技术，可以有效降低噪声、增强图像的对比度和清

晰度，从而为后续的分割算法提供更好的输入。此外，还

可以借助机器学习技术，使用卷积神经网络（CNN）或深

度学习模型来对遥感图像进行训练，提升图像预处理的效果。

其次，针对遥感图像的特点和需求，可以采用多种划分

算法进行分割。传统的基于阈值的分割算法在处理复杂的

遥感图像时可能存在一定的局限性，因此可以引入更先进

的方法，如基于聚类、基于区域和基于边缘等方法来优化

图像分割。例如，可以使用K-means、Mean-shift、分水岭

等算法来进行像素级别的分割，或者使用图割、GrabCut

等算法来进行基于区域的分割，以获得更准确的结果。

另外，还可以通过特征提取和特征选择的方法来增强图

像分割的准确性。由于遥感图像的高维特征，选择合适的

特征对于图像分割具有很大的影响。可以使用常见的特征

提取方法，如局部二值模式（LBP）、灰度共生矩阵（GLCM）、哈尔小波变换等，来提取图像的纹理、形状

和颜色等特征。同时，结合适当的特征选择算法，如主成

遥感图像分析

遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。

在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。

1、遥感信息提取方法分类

常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。

1.1目视解译

目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。

卫星遥感图像处理中的图像分割算法使用技巧探究

卫星遥感图像处理中的图像分割算

法使用技巧探究

图像分割算法是卫星遥感图像处理中的重要环节，其作用是将图像分割成不同的区域或对象，以便更好地获取地理信息。在卫星遥感图像处理中，图像分割算法的准确性和效率是至关重要的。本文探究了卫星遥感图像处理中常用的图像分割算法以及使用技巧，旨在提供对于该领域的初学者以及研究人员有关卫星遥感图像处理中图像分割算法使用的指导。

一、图像分割算法的基本概念及分类

图像分割是指将图像划分为若干互不相交的区域，每个区域内的像素具有相似的特性。在卫星遥感图像处理中，常用的图像分割算法包括基于阈值的分割、区域增长法、边缘检测法以及基于机器学习的分割等。

1. 基于阈值的分割

基于阈值的分割是一种简单且常用的分割算法。该算法将图像的灰度值与设定的阈值进行比较，根据阈值的大小

决定像素属于前景或背景。常见的阈值分割算法包括全局阈值法、自适应阈值法以及基于直方图的阈值法等。

2. 区域增长法

区域增长法是一种基于像素的分割算法，其原理是从种子点开始，根据预设的条件逐步扩展区域。该算法通常需要提前设定一些种子点，并利用像素之间的相似性进行区域的扩张，直到满足停止条件。区域增长法通常能更好地适应图像的复杂结构。

3. 边缘检测法

边缘检测法是通过检测图像中不连续的强度变化来实现图像分割的算法。该算法可通过检测图像中的边缘来分割出不同的区域。常见的边缘检测算法有Sobel、Canny和Laplacian等。

4. 基于机器学习的分割

基于机器学习的分割算法是近年来发展起来的一种先进的图像分割方法。该算法通过训练模型，自动从图像中学

遥感数字图像处理教程图像分割

特征提取
图像分析系统的基本构成
对象识别
一、图像分割的概念
前景（感兴趣目标）背景图像分割是将图像分成互不重叠的区域并提取出感兴趣目标技术。利用区域特性，如灰度、颜色、纹理等
图像分割的严格定义(Conzalez R C,1992):
令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件的非空子集（子
通过直方图得到阈值基本思想边界上的点的灰度值出现次数较少
T
通过直方图得到阈值
取值的方法：
取直方图谷底，为最小值的灰度值为阈值T
缺点：会受到噪音的干扰，最小值不是预而偏离期望的值；
期的阈值，
改进：取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰
基于多个变量的阈值基本思想：把前面的方法扩展到多维空间，则寻找波谷的过程，变为寻找点簇的过程。算法实现：各维分量波谷之间进行逻辑与运算，从波谷重合的点，得到实际的阈值T。应用场合：有多个分量的颜色模型，如RGB模型、CMYK模型、HSI模型
8.3 边缘检测一、边缘的定义
图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合。
算法的实现：
1）对图像进行梯度计算，得到梯度图像。
2）得到梯度值最大的那一部分（比如10%）
的像素直方图

一种融合边缘信息的面向对象遥感图像分割方法

中图分类号：７１１ＴＰ５．
引言
随着高分辨遥感图像的广泛应用，面向对象的图像分析方法越来越显示出其优势Ｌ，其中图像分割、边缘检测、】］特
将边界图用于计算像素与Ｇｕｓｎ类之间存在边界的可能ａｓｉａ
性，而精确地进行区域分割；有的将边缘信息用于分割从还
用本文改进的判据结合已提取的边缘信息，引导区域合并过
程，从而得到最终的图像分割结果。
１１ＳＳＮ边缘提取．ＵＡ
是在区域生长过程中，通过判据将边缘信息和其他信息结合起来，判断区域能否合并＿］７，如运用Ｆｂｎｃｉｉｏａｃ数列得到区域边界图，再通过判据结合区域和边缘信息形成标记图，运用区域分裂生长算法进行图像分割；再一种是在概率模型中引入边缘信息，Ｙｕ等＿将边界信息引入ＭＡＫＯＶ模型如９Ｒ
在区域分割与边缘检测相结合的相关研究中，主要集中
在如何在区域分割过程中应用提取出的边缘信息，目前的文
献主要集中在以下几方面：一是在区域生长过程中，提取将出的边缘通过一些规则限制区域的生长『］其缺陷在于区５，域增长是基于像素的生长，设有有效应用区域空间特征；二

遥感图像处理—图像分割

实验七图像分割

一.内容

◆利用直方图进行图像分割

◆提取指定颜色的对象

◆去除图片的背景噪声

◆提取AA图像中的水体信息

◆提取线性地物信息

◆图像形态学基本方法

二.目的

利用光谱特征进行遥感图像的分割和分割后处理

三.实验过程

1.利用直方图进行图像分割

1.1打开图像

图1：原始影像1.2查看直方图，并将RGB拉伸的最小值分别为150，160，150

图2：拉伸后影像

1.3.使用表达式去除天空

表达式：b4*(1-(b1 gt 150)*(b2 gt 160)*(b3 gt 150))

图3：处理对比图

2.彩色图像的分割

2.1提取图像中的兰花

查看直方图，观察各通道上的灰度值差异，确定表达式

导出公式：（b1 gt b2)*(b1 gt b3)

图4：提取及去除兰花示意图

2.2.去除背景噪音，增强图像中的字符信息

表达式：255*(1-((b3 lt 200)and(b2 lt 100) and(b1 lt 100)))

图5：去除噪音示意对比图3.提取水体信息

3.1.以Scroll为数据源，查看直方图

图6：RGB直方示意图

3.2.查看光谱剖面信息

在Image窗口中移动矩形框

图7：光谱剖面信息示意图3.3.查看指定路线上的光谱变化

图8：操作步骤示意图

3.4.查看不同像素位置光谱值的变化

图9：操作步骤示意图A.显示图像和直方图

B.确定直方图分级点的像素值

C.设置拉伸的范围

3.5.查看（5，4，2）合成图像中水体与非水体光谱的差异3.6.比较不同地物的差异

3.7.提取水体

其中水体与非水体在b2与b5的波段有较大差异，故可建立代数运算公式：b2-b5 波段运算后，水体区域大体被提取出来

遥感图像分类与分割算法研究

随着遥感技术的不断发展和普及，遥感图像的应用也越来越广泛。而对遥感图

像进行分类和分割是遥感应用中的重要研究方向。本文将从算法角度入手，介绍遥感图像分类与分割算法的研究现状和未来方向。

一、遥感图像分类算法

遥感图像分类是将图像中的像素或区域划分为不同的类别，用来获取地物信息

的关键技术。传统的分类算法如最小距离分类、最大似然分类和决策树分类等，依赖于高质量的样本数据和特征提取方法。然而，对于大面积、高维度的遥感图像，传统算法的分类效果受到一定限制。

近年来，深度学习的兴起为遥感图像分类带来更好的解决方案。深度学习通过

多层非线性变换实现高级别、抽象的特征表示，可以有效地降低了特征维度。深度学习的代表性算法，如卷积神经网络（CNN）、循环神经网络（RNN）和深度置

信网络（DBN）等，已经在遥感图像分类中得到广泛应用，成为了新的研究方向。

二、遥感图像分割算法

遥感图像分割是将图像中的像素或区域划分为不同的集合，从而实现对地物的

精确提取。传统的分割算法如基于灰度、基于边缘、基于区域和基于模型等，都有着各自的特点和适用情况。然而，对于遥感图像这种大面积、高分辨率、多波段的数据，传统算法受到了很大的挑战。

相比之下，基于深度学习的分割算法具有更好的效果和鲁棒性。近期出现的网

络结构，如全卷积网络（FCN）、带空洞卷积的全卷积网络（DeepLab）和U-Net 等，已经成为遥感图像分割的主流算法。这些算法采用卷积神经网络和反卷积操作进行像素级别的分类，可以实现较高的分割精度和鲁棒性。

实验3：遥感图像格式转换与增强

实验3 实验3：遥感图像格式转换与增强
蔡玉林
实验内容
1. 数据存放格式转换 2. 输出图像的直方图 3. 练习密度分割 4. 学习初步遥感绘图
实验步骤
1、数据存放格式转换、利用Basic tools-convert data试将 can_tmr.img图像多波段数据存放格式由 BSQ转成BIL、BIP格式，然后将不同格式的图像转存成文本格式，用写字板打开文本格式的图像文件，体味不同存放格式的含义。
实验步骤
4、学习初步遥感绘图、遥感制图：遥感制图：功能模块在主图像窗口中的 overlay-annotation里面，可以添加名字里面，里面加入图例等。加入图例等。
实验结果和作业
输出bhtmref.img的第三通道的直方图。的第三通道的直方图。输出的第三通道的直方图将bhtmref.img图像第三通道的进行密度图像第三通道的进行密度分割后出图，要求图中需要有作者名字(要分割后出图，要求图中需要有作者名字要求用中文)，合理设计使其尽量美观。求用中文，合理设计使其尽量美观。
实验步骤
2、图像的统计特征及直方图输出: 、图像的统计特征及直方图输出通过basic tools-statistics-compute statistics功通过功能查看直方图及其他统计数据。能查看直方图及其他统计数据。直方图的输出可以借助于主图像窗口中的 interactive stretching 以及主菜单中以及主菜单中windowstart new plot window完成：完成：完成

遥感数字图像处理：第八章图像分割

腐蚀可以看作将图像中每一个与结构元素全等的子集收缩为一点；膨胀是将每一个点扩大为结构元素。
图像分割—基本的形态学运算
相当于原图像左上、下、左、右平以后的四个新图与原图一起5个图像重叠的结果。改变结构元素的形状，膨胀的结果不同。如果结构元素中不包含原点（0,0），膨胀后的结果不一定是原图像的扩充。如果结构元素是不在原点的一个点，膨胀后的结果与原图像一样，只是位置发生了平移。膨胀对填补图像分割后产生的空洞很有用。
图像分割—基本的形态学运算
能否将图像中的噪声点去掉，而保持原来图像的尺寸不变？
在经过腐蚀的图像上，用同样的结构元素再进行一次膨胀（“开运算”）就可以达到这个目的。
图像分割—基本的形态学运算
4.3.4 开运算与闭运算
1）开运算 –思路：先腐蚀，再膨胀
–定义：B S = （B S） S
–结果： 1）消除细小对象 2）在细小粘连处分离对象 3）在不改变形状的前提下，平滑对象的边缘
在虫的每一个位置，对虫覆盖的区域的平均梯度进行计算。当虫位于最高平均梯度位置时，可以从虫的前部选择一个点作为下一个边界点。显然，跟踪虫是在一个更大的空间执行先前描述过的边界跟踪过程、大尺寸的跟踪虫可以完成梯度图像的平滑，从而降低了它对噪声的敏感化它也限制
了边界方向的急剧改变。
图像分割—边界分割
图像分割—边界分割法

测绘技术遥感图像分割方法总结

测绘技术在遥感图像分割方法中的应用已经成为了现代测绘领域中的重要研究

方向。遥感图像分割的目的是将图像中不同的目标或区域进行区分和提取，以便进行后续的分析和处理。而测绘技术则可以提供更加精确和准确的信息，帮助我们更好地完成图像分割的任务。

一种常见的遥感图像分割方法是基于像素的分割方法。这种方法以图像的像素

为基本单位，根据像素的灰度值进行分类。根据像素的灰度值进行分类的基本原理是，不同的目标在遥感图像中通常会表现出不同的灰度特征。通过分析和比较像素的灰度值，我们可以将具有相似灰度特征的像素划分到同一个类别中。这种方法简单直观，容易实现，但是在处理复杂遥感图像时存在一定的局限性。

为了克服基于像素的分割方法的局限性，研究人员提出了基于区域的分割方法。这种方法将相邻的像素组成一个连续的区域，通过分析区域的特征来实现图像分割。基于区域的分割方法可以利用像素间的空间关系和灰度特征，更好地保持目标的连续性和一致性。通过将像素分组形成区域，然后对区域进行合并或拆分，可以得到更加准确和稳定的分割结果。而测绘技术可以提供对区域边界的测量和分析，帮助我们更好地确定区域的边界和特征。

此外，还有一种常用的遥感图像分割方法是基于多尺度的分割方法。这种方法

利用多个尺度下的图像信息来进行分割，以获取更全面和准确的目标信息。首先，对图像进行多尺度的分解或滤波处理，然后在每个尺度上进行分割。最后，将各个尺度上的分割结果进行融合，得到最终的分割结果。测绘技术可以提供对多尺度图像的测量和分析，帮助我们更好地理解和处理不同尺度图像下的目标信息。

基于改进SwinUnet的遥感图像分割方法

实验过程与结果展示
模型构建
我们基于Swin Transformer的架构，设计了一种改进的遥感图像分割模型。该模型具有更深的网络结构，并引入了多尺度特征融合和自注意力模块，以提高模型的分割精度。
训练过程
我们采用随机梯度下降（SGD）作为优化器，并设置学习率为0.001。在训练过程中，我们采用了早停（early stopping）和正则化（regularization）等技术，以防止过拟合。
通过对不同的遥感图像进行实验，证明了所提出方法的有效性和优越性。
与传统遥感图像分割方法相比，所提出方法在精度和效率上均有所提升。
研究不足与展望
虽然所提出的方法在实验中取得了较好的效果，但仍然存在一些不足之处，例如在处理复杂背景和噪声方面的能力还有待提高。
在未来的研究中，可以尝试将其他先进的深度学习技术应用于遥感图像分割任务，以进一步提高方法的性能和精度。
SwinUNet还采用了Residual Attention Module来增强模型对图像的关注能力，避免了梯度消失和信息丢失的问题。
遥感图像特点与处理难点
01
遥感图像具有分辨率高、场景复杂、光照变化等特点，这使得遥感图像分割成为一个具有挑战性的问题。
02
遥感图像的背景和前景往往存在较大的差异，如何准确地将它们分割开来是一个难点。
基于改进 swinunet的遥感图像分割方法

遥感数字图像处理教程--图像分割

2）得到梯度值最大的那一部分（比如10%）的像素直方图
3）通过直方图的谷底，得到阈值T。
– 如果用拉普拉斯算子，不通过直方图，直接得到阈值，方法是使用拉普拉斯算子过滤图像，将0跨越点对应的灰度值为阈值T.
• 简单全局阈值分割
– 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景
• 这种方法总可以得到封闭且连通区域的边界。
f(x0,y0) T
灰度值
• 通过交互方式得到阈值
– 基本思想：
• 在通过交互方式下，得到对象（或背景）的灰度值，比得到阈值T容易得多。
假T设=：f(对x0,象y0的) –灰R度有值：(也称样点值)为f(x0,y0),且： f(x,y) T
f(x,y) f(x0,y0) – R |f(x,y) – f(x0,y0)| R 其中R 是容忍度，可通过试探获得。
– 算法实现：
• 规定一个阈值T，逐行扫描图像。
• 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0。
– 适用场合：明度图像是可以控制的情况，例如用于工业监测系统中。
• 分割连通区域
– 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出单独的连通前景对象和背景区域
– 算法实现：
）R1，R2，…，RN：
①
N

R i

遥感数字图像处理图像分割与线性地物信息提取实验报告

1.
实验背景与目的
遥感图像是一种重要的地学信息获取手段，可以获取大面积的地表信息。但是，由于图像中存在着大量的地物信息，对于这些信息的快速、准确的提取是遥感研
究中的一个重要问题。本实验旨在利用 ENVI 软件对 RS 图像进行分割，并提取其中的线性地物信息，为遥感图像处理提供实际的应用。
1.
实验步骤
（4）线性地物信息提取：根据已分割好的图像，利用 ENVI 软件提供的特征提
取工具，提取其中的线性地物信息。其中，可以根据需要选择不同的特征提取算法和参数设置，以达到最佳的信息提取效果。
（5）结果分析：对处理得到的结果进行分析，并与实际情况进行比对，以验证处理结果的准确性和可靠性。
1.
实验结果与分析
经过以上的处理步骤，我们得到了如下的处理结果：
（1）分割结果：利用 ENVI 软件提供的分割工具，对遥感图像进行分割，得到了不同的类别。
（2）线性地物信息提取结果：利用 ENVI 软件提供的特征提取工具，从分割后的图像中提取出线性地物信息。通过对处理结果的分析和比对，我们可以得出以下结论：
（1）分割效果较好，不同类别的地物信息得到了有效的区分。
（2）线性地物信息提取效果较好，能够准确地提取出不同的线性地物信息，如道路、河流等。
1.
实验总结与展望
通过本次实验，我们学习了利用 ENVI 软件进行 RS 图像分割和线性地物信息提