ENVI_面向对象的影像分类特征
遥感专题讲座——影像信息提取(四、面向对象特征提取)
面向对象的影像分类技术“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。
本小节以ENVI中的面向对象的特征提取FX模块为例，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：影像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、纹理等信息。
基于知识分类也是根据影像对象的熟悉来设定规则进行分类。
目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。
表1为三大类分类方法的一个大概的对比。
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表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表2、ENVI FX简介全名叫“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。
高分ENVI-FX面向对象特征提取
高分ENVI-FX面向对象特征提取
实验报告五
项目高分ENVI-FX面向对象特征提取
姓名郭秋君
学号 2009043073 班级遥感科学与技术092 学院资源环境学院
指导老师夏志业
实验时间 2011年12月5日
一实验名称：
高分ENVI-FX面向对象特征提取
二实验目的：
熟悉高分ENVI-FX面向对象特征提取的过程和方法。
三实验数据：
快鸟数据qb_colorado.dat
四实验原理：面向对象分类计数集合邻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、纹理和光谱信息对图像进行图像分割和分类，以高精度的分类过程或者矢量输出。
它主要包括两个过程：图像对象构建和对象的分类。
五实验过程：
1、ENVI ZOOM →点击File，打开qb_colorado.dat数据→Processing →Feature
Extraction（简称FX）→OK，进行分割阈值设定→next，设定合并阈值→完成
分类。
2、在界面中选择Classify by selecting examples
点击next，在Featrue Extraction 对话框中对不同种类创建规则（如图○3），并对照图中相应种类进行选择分类
3、在创建规则时，与之前方法类似。
4、输出特征提取后的图像。
六、实验心得：
通过本次上机实验，熟悉高分ENVI-FX面向对象特征提取的过程和方法，对面向对象的特
征提取有了进一步的认识和理解。
面向对象影像影像分类(改)
四叉树分割得到的结果
多尺度分割图像得到的结果
• 2、影像分类： （1）模糊法 （2）决策树 （3）神经网路 ……..
高分影像面向对象分类
发展及问题
• In high-resolution images each pixel is not closely related to vegetation physiognomy as a whole,and vegetation always shows heterogeneity as a result of irregular shadow or shade （在高清晰度的图像，从整体来看每一个像素 不是与植被地貌密切相关的 ，由于不规则阴 影植被总是显示异质性 ）
方法的发展
• The most common approach used for building objects is image segmentation, which dates back to the 1970s. Around the year 2000 GIS and image processing started to grow together rapidly through object based image analysis
基于像素分类与面向对象分类飞不同
• 特点：抽象性、封装性、继承性 • 在面向对象影像分析中，抽象表现为提取 出遥感专题信息。封装性表现为将影像对 象的光谱，形状，纹理等特性进行封装。 而继承特性在体现在多尺度分割中，通过 将影像基于对象或是基于像素按照一定尺 度自底向上合并成不同的对象，从而建立 起与父对象，子对象，相邻对像关系 • 如下图：
趋势展望
• The first period of OBIA was characterised by the commercial success of new software and an increase in the number of scientific publications （面向对象分类的商业软件能够成功和有关这方 面科学出版物数量增加） • the advent of commercially available and easily accessible high resolution satellite data correlates strongly with the increase in the number of OBIA related articles published. （与OBIA相关的文章的发行数量的增长和商业 化的出现与高分辨数据的容易获取有着极强的 相关性）
像素分类和面向对象分类
像素分类和面向对象分类
像素分类和面向对象分类是两种常见的图像分类方法，它们在图像处
理和计算机视觉领域中发挥着重要作用。
像素分类是将图像分解为像素，并对每个像素进行分类。
这种方法通
常基于像素的颜色、纹理、形状等特征进行分类。
像素分类通常用于
识别图像中的物体、场景、纹理等，是图像处理和计算机视觉的基础
技术之一。
面向对象分类则是基于图像中的对象进行分类。
这种方法将图像分解
为多个对象，并对每个对象进行分类。
这种方法通常更适用于具有明
显边界和不同特征的对象，如人脸、车辆、建筑物等。
面向对象分类
可以更好地识别和理解图像中的复杂对象，并能够处理更高级的图像
分析任务，如目标检测、行为识别等。
总的来说，像素分类和面向对象分类各有优缺点，适用于不同的图像
分析和处理任务。
像素分类通常更适用于简单的图像处理任务，而面
向对象分类则更适合处理具有明显特征和边界的对象。
在实际应用中，可以根据具体任务的需求选择合适的分类方法。
面向对象的遥感影像分类技术
随着遥感技术的发展，高分辨率影像 越来越普及。面向对象分类方法能够 更好地适应高分辨率影像的特点，提 取出更多的地物细节信息。
02
遥感影像数据预处理
遥感影像数据来源及特点
来源
卫星、飞机、无人机等遥感平台获取 的影像数据。
特点
具有多源性、多时相性、多光谱性、 高分辨率等特点。
数据预处理流程
总结与展望
研究成果总结
01
面向对象遥感影像分类技术的优势
通过面向对象的方法，遥感影像分类技术能够更有效地提取地物特征，
降低分类误差，提高分类精度。
02
关键技术的突破
在特征提取、对象构建、分类器设计等方面取得了重要突破，推动了遥
感影像分类技术的发展。
03
多样化应用场景的实现
面向对象遥感影像分类技术已广泛应用于土地利用/覆盖分类、城市规
04
数据融合技术
将多源、多时相、多光谱的遥感影像 数据进行融合，提高影像数据的空间 分辨率和光谱分辨率。
03
面向对象分类方法原理及实现
面向对象分类方法的基本原理
对象的概念
01
在遥感影像中，对象是指具有相似光谱、纹理、形状等特征的
像素集合。
分层结构
02
面向对象分类方法通过构建分层结构，将影像划分为不同尺度
动态交互可视化
利用GIS等空间分析工具，实现分类结果的动态交互可视化，支持用 户自定义查询、分析和展示。
算法优化与改进方向
特征提取与选择
研究更有效的特征提取方法，如深度学习、纹理分析等， 提高分类器的性能；同时，针对特定应用需求，选择合适 的特征组合进行优化。
上下文信息利用
充分挖掘和利用遥感影像中的上下文信息，如空间关系、 地物形状等，提高分类的准确性；研究基于图模型、条件 随机场等方法的上下文建模技术。
面向对象的光学遥感影像特征提取与分类研究
面向对象的光学遥感影像特征提取与分类研究面向对象的光学遥感影像特征提取与分类研究摘要：光学遥感影像在地理信息科学与遥感领域具有广泛应用，但传统的像元级别分类方法无法准确提取地物信息。
面向对象的光学遥感影像特征提取与分类研究通过将像元组织成连续区域，利用地物的空间信息和形状特征，提高了分类的准确性和可靠性。
本文综述了面向对象的光学遥感影像特征提取与分类方法的研究进展，包括图像分割、特征提取和分类算法。
同时，通过对比分析不同方法的优劣，探讨了面向对象方法在光学遥感影像分类中的应用前景，并提出了未来研究的方向和挑战。
关键词：光学遥感影像；面向对象；特征提取；分类1. 引言光学遥感影像是通过航空器或卫星获取的地面物体的图像，具有高时空分辨率和广覆盖性的特点。
在农业、城市规划、环境监测等领域中，准确提取光学遥感影像中的地物信息，是解决多种实际问题的重要基础。
传统的像元级别分类方法存在定性低、信息损失大等问题，难以满足实际应用需求。
面向对象的光学遥感影像特征提取与分类方法通过将像元组织成连续区域，利用地物的空间信息和形状特征，提高了分类的准确性和可靠性。
2. 面向对象的图像分割建立面向对象的光学遥感影像分类系统的第一步是图像分割。
面向对象的图像分割方法主要有基于阈值的分割、区域生长法和基于边缘的分割。
基于阈值的分割方法通过设定灰度阈值将图像分成不同类别，对于简单的场景效果较好。
区域生长法可以在阈值的基础上根据像素相似性进行进一步合并，得到连续的区域。
基于边缘的分割方法则利用边缘信息将图像分成不同区域。
3. 面向对象的特征提取面向对象的特征提取方法可从颜色、纹理、形状、空间关系等方面进行。
在光学遥感影像中，地物的颜色是一个重要特征。
通过颜色直方图、平均值、标准差等统计量，可以提取地物的颜色信息。
纹理是地物的表面细节特征，通过灰度共生矩阵、局部二值模式等统计方法，可以提取地物的纹理特征。
形状是地物的几何特征，通过提取边界点、拟合多边形等方法，可以得到地物的形状信息。
面向对象的高分辨率遥感影像分类
⾯向对象的⾼分辨率遥感影像分类⼆○⼀⼀届毕业设计⾯向对象的⾼分辨率遥感影像分类Object-oriented Classification of high Resolution RemoteSensing images学院：地质⼯程与测绘学院专业：遥感科学与技术姓名：学号：指导教师：完成时间：2011年6⽉17⽇⼆〇⼀⼀年七⽉摘要⾼空间分辨率遥感影像使得在较⼩的空间尺度上观察地表细节变化，进⾏⼤⽐例尺遥感制图，以及监测⼈为活动对环境的影响成为可能。
随着⾼分辨率影像的应⽤越来越普及，迫切要求⼈们对⾼分辨率遥感信息提取进⾏研究，以满⾜⾼分辨率影像信息不断增长的应⽤和研究需要⾼分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺⼨、形状及相邻地物间的关系都得到很好的反映。
⾯向对象的分类⽅法与传统的基于像素的分类相⽐，不仅仅是依靠光谱信息，⽽且还充分利⽤影像的空间信息，分类时也克服了基于像元的逐点分类⽆法对相同语义特征的像素集合进⾏识别的缺点，是⼀种⽬前最适合于⾼分辨率遥感影像的分类⽅法。
本⽂采⽤⾯向对象的分类⽅法对⾼分辨率影像进⾏分类，该⽅法⾸先对影像进⾏多尺度分割获得同质区域对象，在此基础上利⽤模糊分类思想对分割后的对象进⾏分类。
该⽅法不仅充分利⽤了⾼分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。
多尺度分割采⽤的是区域⽣长合并算法，通过对尺度阈值、光谱因⼦及形状因⼦等参数的控制，可以获得不同尺度下有意义的对象。
分割后的对象不仅包含了原始的光谱信息，还可以提供⼤量辅助特征，如纹理、形状、拓扑等特征。
综合利⽤这些特征以及模糊分类的思想，使得⾼分辨率影像分类在减少分类不确定性的同时，还提⾼了分类的精度。
最后将⾯向对象分类结果与传统的基于像素分类结果进⾏对⽐分析，发现其分类精度要明显⾼于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。
ENVI面向对象的分类方法
ENVI面向对象的分类方法
A
面向对象分类技术概述
B 基于规则的面向对象信息提取 C 基于样本的面向对象的分类
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。
选择矢量文件及属性数据一块输出，
规则图像及统计结果输出。点击 Finish按钮完成输出。可以查看房
房屋信息提取的矢量结果和属性表
屋信息提取的结果和矢量属性表。
第二步：基于样本的图像分 第一步：选择数据
类
导入上一 步处理过 的数
据
经过图像分割和合并之
后，进入到监督分类的 界面，如左图所示：
（1）选择样本
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
光谱分辨率的调整
多源数据组合
空间滤波
比如右边几项：
第二步：发现对象
1.
启动 Rule Based FX工具
2.
影像分割、合并
分割阈值
①
②
合并阈值
纹理内核的大小
③
K邻近法 K邻近分类方法依据待分类数据与
训练区元素在 N 维空间的欧几里得 距离来对影像进行分类。
分类方法
主成分分析法 主成分分析是比较在主成分空间的
每个分割对象和样本，将得分最高 的归为这一类。
支持向量机
面向对象的影像分类技术,envi(三)
基于像元的分类方法，依据主要是利用像元的光谱特征，大多应用在中低分辨率遥感图像。
而高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统的基于像元的分类方法易受高分辨率影像局部异质性大的影响和干扰。
而面向对象分类方法可以高分辨率图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息，可以结合专家知识进行分类，可以显著提高分类精度，而且使分类后的图像含有丰富的语义信息，便于解译和理解。
对高分辨率影像来说，还是一种非常有效的信息提取方法，具有很好的应用前景。
附录对象属性说明：（1）Spatial属性属性描述AREA多边形的面积，单位与Map单位一致LENGTH多边形外边框周长，包括洞的边框周长，单位与Map单位一致COMPACT 紧密性，描述多边形紧密性的度量。
如圆是紧密性最好的形状，其值为1/Pi,正方形的的值为1/2(sqrt(pi)).COMPARCT=Sqrt (4 * AREA / pi) /周长CONVEXITY 凸出的状态，没有洞的凸多边形的值为1，其余的为小于1. CONVEXITY= length of convex hull / LENGTHSOLIDITY 坚固性，多边形面积与周围凸出多边形面积比。
SOLIDITY = AREA / area of convex hullROUNDNESS 描述多边形的圆特征，圆的值为1，正方形的值为4/Pi ROUNDNESS = 4 * (面积) / (pi *最大直径2)FORMFACTOR 形状要素，圆的值为1，正方形的值为Pi/4 FORMFACTOR = 4 * pi * (面积) / (周长)2ELONGATION 延伸性，最大直径与最小直径的比值，正方形的值为1，矩形的值大于1. ELONGATION =最大直径/最小直径RECT_FIT 矩形形状的度量，矩形的值为1，非矩形的值小于1. RECT_FIT =面积/ (最大直径*最小直径)MAINDIR 主方向，长轴（最大直径）与X轴之间的夹角。
第七节面向对象的遥感影象分类
图像分割有三大类方法： 区域法 把各像素划归到各个目标或区域中 边界法 确定存在于区域间的边界 边缘法 先确定边缘像素 把它们连接在一起以构成所需的边界
图像分割的具体算法：
区域生长算法 区域分裂与合并算法 基于边缘检测的分割算法 数学形态方法 灰度阈值法等
7.3 灰度阈值法
阈值处理是一种区域分割技术。 当使al (Gaussian) Distribution
1. One-Dimensional Normal Distribution ( f − µi ) p(f | Li ) = exp − 2 2πσ i 2σ i where, µi and σ i are mean and standard deviation of class i. 1 2. p-Dimensional Normal Distribution p( f | Li ) = 1
p is the total number of spectral bands f1 f 2 f = is the grey value vector of test pixel; M fp µi 1 µ i2 µi = is the grey value vector of training sample mean of class i; M µip 2 2 2 σ 11 σ 12 L σ 1p 2 2 2 σ 21 σ 22 L σ 2 p ∑i = M M M M 2 2 2 σ p1 σ p 2 L σ pp
应用灰度阈值法进行图像分割，为了保留云的纹理，灰度阈值为150 大于等于150的值拉伸到1-255之间，小于150的值设为0值
面向对象影像分类
面向对象影像分类面向对象的影像分类是在面向对象特征提取的基础上进行的。
在分类之前，必须根据需要提取的地物类别，选择合适的尺度和合适的特征，然后根据地物类别的性质，设计好分类策略和步骤。
对于给出的实验数据，我们的要求是分成草地、道路、房屋和湖泊四个类，根据面向对象特征提取中的经验可以发现，在Object Features -> Layer Values -> Mean -> Layer 3上可以很好地将草地/湖泊和道路/房屋分开，然后根据Object Features -> Geometry -> Extent -> Length/Width提取道路，因此分类策略是：先将草地/湖泊和道路/房屋分开，然后再分别针对草地/湖泊和道路/房屋的特征，将草地和湖泊、道路和房屋分开。
具体分类步骤如下：1、多尺度分割：按照面向对象特征提取中的步骤，设置三个尺度100、70和50，并进行分割，分别得到L1、L2和L3层尺度影像，在尺度层网络中，L1尺度最大，在最上面，往下分别是L2和L3。
最后的分类结果需要集中显示在一个层，因此还需要再加一个尺度层，只不过这个尺度层不纳入上面的尺度层网络中。
在Process Tree中点右键，选择Append New，算法选择Segmentation -> multiresolution segmentation，Image Object Domain设为pixel level，尺度设为40，新层的名称为L4，同时运行该分割，得到L4层的分割结果。
2、在Class Hierarchy中添加4个类，右键点击空白处，选择Insert Class，在弹出的对话框中分别命名为level1、level2、level3和level4，颜色都选择为灰白色：3、给三个类层次添加level属性：双击level1类，双击Contained -> add(min)，弹出Insert Expression对话框，依次选择Object features -> Hierarchy -> level，双击level，打开Membershipfunction，单击按钮，在处输入3和5，表示该函数的值为4，点击OK按钮，即完成给level1类添加level属性的操作。
ENVI面向对象的分类方法
遥感13-1
ENVI面向对象的分类方法
A
面向对象分类技术概述
B 基于规则的面向对象信息提取 C 基于样本的面向对象的分类
面向对象分类技术概述
目前很多遥感软件都具有这 个功能，如ENVI的FX扩展模 块 、 易 康 （ 现 在 叫 Definiens）、ERDAS的 Objective模块、PCI的 FeatureObjeX （新收购）等。
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 ），如左 图所示。
影像对象的分 类 影像对象的分类目前常用的 方法是“监督分类”和“基 于知识分类”。这里的监督 分类和我们常说的监督分类 不同，它分类时和样本的对 比参数更多，除了光谱信息， 还包括空间、纹理等信息。 基于知识分类是根据影像对 象的熟悉来设定规则进行分 类。
比较常用的就是多尺度分 割算法。
面向对象分类技术概述
系。
剔除水泥地干扰，下图为
所有规则设置好后显示
划分植被覆盖和非覆盖区
设置NDVI的属性阈值
归属类别算法和阈值设此输入您 的文本。请在此输入您的文本。
剔除后总体效果
请在此输入您的文本。请在此输入您 的文本。请在此输入您的文本。
第四步：输出结果
特征提取结果输出，可以选择以下 结果输出：矢量结果及属性、分类 图像及分割后的图像、还有高级输 出包括属性图像和置信度图像、辅 助数据包括规则图像及统计输出， 如下图所示。
envi遥感图像处理之分类
ENVI遥感图像处理之计算机分类一、非监督分类1、K—均值分类算法步骤：1）打开待分类的遥感影像数据2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框3）选择待分类的数据文件4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置5）建立光谱类和地物类之间的联系：在新窗口中显示分类结果图：然后，打开显示窗口菜单栏Tools菜单—>Color Mapping—>Class Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称，显示的颜色等，建立了光谱类和地物类之间的联系。
设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立6）类的合并问题：如果分出的类中，有一些需要进行合并，可按以下步骤进行：选择ENVI主菜单Classfaction—>Post Classfiction—>Combine Classes，进入待合并分类结果数据的选择对话框点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。
至此，K—均值分类的方法结束。
2、ISODATA算法基本操作与K—均值分类相似。
1）进行分类数据文件的选择（依次打开：ENVI主菜单栏—>Classification—>Unsupervised —>IsoData即进入ISODA TA算法分类数据文件选择对话框，选择待分类的数据文件）2）进行分类的相关参数的设置（点击OK键以后，进入参数设置对话框，可以进行分类的最大最小类数、迭代次数等参数的设置）3）如此，光谱类的划分到此结束。
ENVI面向对象的分类方法
ENVI面向对象的分类方法在计算机编程中，面向对象是一种编程范型，它将数据和操作封装到对象中，并通过对象之间的相互作用来解决问题。
面向对象编程主要通过封装、继承和多态来实现。
面向对象的分类方法有多种，下面将介绍几种常见的分类方法。
1.根据对象的特性进行分类根据对象的特性，可以将对象分为具体对象和抽象对象。
具体对象是指能直接感知和操作的对象，它们通常与现实世界中的实体相对应，如人、动物、车辆等。
抽象对象是指不能直接感知和操作的对象，它们通常是具体对象的抽象表达，如图书馆、公司、账户等。
抽象对象一般由多个具体对象组合而成，并具有独立的属性和方法。
2.根据对象的层次进行分类根据对象之间的相互关系，可以将对象分为基类对象和派生类对象。
基类对象是具有共同属性和方法的对象集合，它们是派生类对象的抽象表达。
基类对象通常是一种通用的、不变的概念，如动物、图形等。
派生类对象是基类对象的具体实现，它们通过继承基类对象的属性和方法，并扩展或修改这些属性和方法来适应特定的需求。
派生类对象通常是一种具体的、可变的概念，如狗、猫、三角形、矩形等。
3.根据对象的行为进行分类根据对象的行为，可以将对象分为有状态对象和无状态对象。
有状态对象是指对象具有内部状态的对象，它们的行为可能会受到其内部状态的影响。
有状态对象通常具有属性和方法，属性用于表示内部状态，方法用于修改和操作内部状态。
有状态对象可以持久化保存其内部状态，并在不同的时间点产生不同的行为，如账户、游戏角色等。
无状态对象是指对象没有内部状态的对象，它们的行为只受到输入参数的影响，并且输出结果只取决于输入参数。
无状态对象通常不具有属性，只有方法，并且方法的输入和输出完全确定。
无状态对象可以轻易地被复制和分布，如数学函数、工具类等。
4.根据对象之间的关联进行分类根据对象之间的关联，可以将对象分为关联对象和组合对象。
关联对象是指对象之间存在其中一种静态关联的对象，它们通常通过引用或指针相互关联，并可以进行一些共同的操作。
面向对象的遥感影像模糊分类方法研究(1)
1 模糊集及模糊分类的基本理论 模糊性是客观世界的普遍现象。比如， 人们为描 “偏瘦” ， “苗条” 和 “偏胖 ” 来 述一个人的身材， 会用到 进行区分， 然而一个人到底是胖还是瘦， 是与观察者 主观意识有关的， 或者说是没有明确的规定的， 这就 正如遥感图象中的每个像元并不 是一个模糊的概念。 都是纯像元， 所以他们所代表的地物就不能按明确的 规定进行划分， 这就涉及到模糊分类。 模糊分类是接近于神经网络和概率方法的一种 非常强大的软分类器， 是典型的专家分类系统。模糊 分类包含了多维类型的隶属度， 它描述了所考虑的对 象对于 n 个不同类别的类赋值度[4][5][6]。 fclass,obj={μclass_1(obj),μclass_2(obj),……μclass_n(obj)}
18
· 北京测绘 ·
２００９ 年第 ３ 期
面向对象的遥感影像模糊分类方法研究
郑文娟
（宝鸡市市政工程管理处， 陕西 宝鸡 721001 ） [摘 要] 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富， 地物间光谱差异较为 传统的分类方法， 就会造成分类精度降低， 空间 明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像， 数据的大量冗余， 并且其分类结果常常是椒盐图像， 不利于进行空间分析。本文采用面向对象的影像分类方法， 考 虑了对象的不同特征值， 例如光谱值， 形状和纹理， 结合上下文关系和语义的信息， 这种分类技术不仅能够使用影 像属性， 而且能够利用不同影像对象之间的空间关系。在对诸多对象进行分类后， 再进行精度分析。在此研究提出 了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别。这一过程主要有两个步骤： 第一个步骤是 分割。图像分割将整个图像分割成若干个对象， 在这个过程中， 分割尺度的选择会影响到后续的分类结果和精度。 第二个步骤是分类。在这个步骤中， 特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响。 [关键词] 面向对象； 多尺度分割； 模糊分类 [中图分类号] P237 [文献标识码] A [文章编号] 1007-3000 （2009 ） 03-5
envi面向对象分类步骤
envi面向对象分类步骤
分类步骤：
1. 确定对象的特征和行为：分析问题领域，确定需要建模的对象，并确定它们的特征和行为。
2. 根据特征和行为设计类：根据对象的特征和行为，设计出合适的类。
类包括属性和方法，属性表示对象的特征，方法表示对象的行为。
3. 确定类之间的关系：根据问题领域和对象之间的关系，确定类之间的关系，如继承、关联、聚合等。
4. 实现类的继承和关联关系：根据确定的类之间的关系，实现类之间的继承和关联关系。
5. 编写类的代码：根据类的设计，编写类的代码。
代码需要实现类的属性和方法，并确保它们能够正确地反映对象的特征和行为。
6. 实例化对象：根据类的定义，创建对象的实例。
实例化对象时，可以初始化对象的属性和调用对象的方法。
7. 测试和调试：对创建的对象进行测试和调试，确保对象的行为符合预期，修复可能存在的错误。
8. 重复上述步骤创建其他对象：根据问题的需求，重复上述步骤创建其他需要的对象。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于像元的分类方法，依据主要是利用像元的光谱特征，大多应用在中低分辨率遥感图像。
而高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统的基于像元的分类方法易受高分辨率影像局部异质性大的影响和干扰。
而面向对象分类方法可以高分辨率图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息，可以结合专家知识进行分类，可以显著提高分类精度，而且使分类后的图像含有丰富的语义信息，便于解译和理解。
对高分辨率影像来说，还是一种非常有效的信息提取方法，具有很好的应用前景。
附录对象属性说明：
（1）Spatial属性
属性描述
AREA多边形的面积，单位与Map单位一致
LENGTH多边形外边框周长，包括洞的边框周长，单位与Map单位一致
COMPACT 紧密性，描述多边形紧密性的度量。
如圆是紧密性最好的形状，其值为1/Pi,正方形的的值为1/2(sqrt(pi)).
COMPARCT=Sqrt (4 * AREA / pi) /周长
CONVEXITY 凸出的状态，没有洞的凸多边形的值为1，其余的为小于1. CONVEXITY= length of convex hull / LENGTH
SOLIDITY 坚固性，多边形面积与周围凸出多边形面积比。
SOLIDITY = AREA / area of convex hull
ROUNDNESS 描述多边形的圆特征，圆的值为1，正方形的值为4/Pi ROUNDNESS = 4 * (面积) / (pi *最大直径2)
FORMFACTOR 形状要素，圆的值为1，正方形的值为Pi/4 FORMFACTOR = 4 * pi * (面积) / (周长)2
ELONGATION 延伸性，最大直径与最小直径的比值，正方形的值为1，矩形的值大于1. ELONGATION =最大直径/最小直径
RECT_FIT 矩形形状的度量，矩形的值为1，非矩形的值小于1. RECT_FIT =面积/ (最大直径*最小直径)
MAINDIR 主方向，长轴（最大直径）与X轴之间的夹角。
范围是0~180度，90度为南/北方向，0和180度为东/西方向
MAJAXISLEN 围绕多边形的有向包围盒（oriented bounding box）对应长轴（最大直径）的长度，单位与Map单位一致。
MINAXISLEN 围绕多边形的有向包围盒（oriented bounding box）对应短轴（最小直径）长度，单位与Map单位一致。
NUMHOLES多边形内洞的个数
HOLESOLRAT 多边形面积和外轮廓面积的比值，没有洞的多边形的值为1. HOLESOLRAT = AREA / outer contour area
表5.2 Spatial属性描述
（2）Spectral属性
属性描述
MINBAND_x波段x的最小灰度值
MAXBAND_x波段x的最大灰度值
AVGBAND_x波段x的平均灰度值
STDBAND_x波段x的标准差
表5.3 Spectral属性
（3）Texture属性
属性描述
TX_RANGE卷积核范围内的平均灰度值范围
TX_MEAN卷积核范围内的平均灰度值
TX_VARIANCE卷积核范围内的平均灰度变化值
TX_ENTROPY卷积核范围内的平均灰度信息熵
表5.4 Texture属性
（4）Color Space and Band Ratio属性（Customized）
属性描述
BANDRATIO波段比值，如果选择的两个波段是红色和近红外，则计算的是NDVI. HUE色调，值域范围0~360度，如0是红色，120度是绿色，240度是蓝色SATURATION饱和度，值域范围0~1.0.
INTENSITY亮度，值域范围0~1.0.。