第9章 面向对象的遥感影像分类
面向对象的遥感影象分类49页PPT
6、法律的基础有两个，而且只有两个……公平和实用。——伯克 7、有两种和平的暴力，那就是法律和礼节。——歌德
8、法律就是秩序，有好的法律才有好的秩序。——亚里士多德 9、上帝把法律和公平凑合在一起，可是人类却把它拆开。——查·科尔顿 10、一切法律都是无用的，因为好人用不着它们，而坏人又不会因为它们而变得规矩起来。——财富 ❖ 丰富你的人生
71、既然我已经踏上这条道路，那么，任何东西都不应妨碍我沿着这条路走下去。——康德 72、家庭成为快乐的种子在外也不致成为障碍物但在旅行之际却是夜间的伴侣。——西塞罗 73、坚持意志伟大的事业需要始终不渝的精神。——伏尔泰 74、路漫漫其修道远，吾将上下而求索。——屈原 75、内外相应，言行相称。——韩非
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）
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。
第9章遥感图像分类PPT课件
9.4 监督分类
➢ 最大似然比分类法(Maximum Likelihood) 通过求出每个像素对于各类别的归属概率，把该像
素分到归属概率最大的共24页
9.4 监督分类
监督分类的优缺点：
优点：
缺点：
✓ 根据应用目的和区域，有选 ✓ 主观性
择的决定分类类别，避免出 ✓ 由于图像中间类别的光谱差
现一些不必要的类别；
异，使训练样本没有很好的
✓ 可以通过检查训练样本来决
代表性；
定训练样本是否被精确分类， ✓ 训练样本的获取和评价花费 从而避免分类中的严重错误； 较多的人力时间；
✓ 分类速度快。
✓ 只能识别训练中定义的类别。
第8页/共24页
9.5 非监督分类
根据一个像素被分到一个类还是多个类，可将遥感 图像分类方法分为硬分类(hard classification)和软分类 (soft classification)。图像上的一个像素只能被分到一 个类的分类方法称为硬分类。
第2页/共24页
9.2 相似性度量
遥感图像计算机分类的依据是遥感图像像素的相 似度。常使用距离来衡量相似度。
第14页/共24页
9.5 非监督分类
3、监督分类与非监督分类方法比较
➢ 根本区别在于是否利用训练场地来获取先验的类别知识。 ➢ 监督分类的关键是选择训练场地。训练场地要有代表性，
样本数目要能够满足分类要求。此为监督分类的不足之 处。 ➢ 非监督分类不需要更多的先验知识，据地物的光谱统计 特性进行分类，分类方法简单。当两地物类型对应的光 谱特征差异很小时，分类效果不如监督分类效果好。
第15页/共24页
9.6 专家系统分类
遥感图像解译专家系统是模式识别与人工智能技 术相结合的产物。
面向对象的遥感影像单类分类
面向对象的遥感影像单类分类薄树奎;荆永菊【期刊名称】《现代电子技术》【年(卷),期】2016(039)007【摘要】One⁃class classification is to extract a specific class in remote sensing image. In combination with the object⁃oriented analysis method,the one⁃class classifier is used to extract the interest class from the remote sensing image. The distribu⁃tion characteristics of object⁃oriented remote sensing image data and segmentation parameter selection are discussed. And then,on the basis of image object generated from segmentation,the method of one⁃class support vector machine is used to extract the spe⁃cific classification information in remote sensing image. The result of object⁃oriented one⁃class classification method is compared with the experimental result,it shows that the object⁃oriented one⁃class classification method has higher classification accuracy.%在遥感影像中只提取其中的一个特定类别，称为单类分类。
面向对象的遥感影像分类研究
面向对象的遥感影像分类研究一、内容综述随着遥感技术的不断发展，遥感影像分类在地理信息系统（GIS）、资源与环境调查、城市规划以及农业监测等领域发挥着越来越重要的作用。
传统的遥感影像分类方法主要依赖于人工解译和传统机器学习算法，如支持向量机、随机森林等。
这些方法在面对高分辨率、多光谱和大数据量的遥感影像时，存在效率低、精度不高等问题。
面向对象的遥感影像分类方法逐渐成为研究热点。
该方法将遥感影像划分为多个连续的区域（对象），利用计算机视觉、模式识别和统计学习等方法对每个对象进行分类。
相较于传统的遥感影像分类方法，面向对象的遥感影像分类具有更高的精确度、更快的运算速度和更好的鲁棒性。
本文将对面向对象的遥感影像分类方法的研究进展进行综述，包括研究对象和方法、特征提取与选择、模型构建与优化以及分类结果验证等方面。
通过对现有研究的分析，可以发现面向对象的遥感影像分类方法在处理高分辨率、多光谱和大数据量的遥感影像方面仍面临诸多挑战，未来的研究需要继续探索更为高效和准确的分类方法。
1. 遥感影像分类的重要性和意义随着遥感技术的发展，遥感影像已经广泛应用于农业、生态、环境、城市规划等多个领域。
遥感影像的分类问题一直是一个重要的研究课题。
本文首先简要介绍了遥感影像的分类及其重要性。
遥感影像分类是指利用计算机技术对遥感影像进行处理、分析和识别，以获取或推导信息、知识和结论的过程。
在很多情况下，遥感影像包含了丰富的空间、时间和光谱信息，这些信息对于人类和计算机来说都是难以直接获取和处理的。
需要借助机器学习、深度学习等人工智能技术来实现遥感影像的分类。
通过遥感影像分类，我们可以更加准确地认识和理解地球表面的自然现象和社会经济活动，为国家和地方的管理和决策提供科学依据。
遥感影像分类还有助于环境保护、资源管理等方面的工作，从而为人类的可持续发展做出贡献。
遥感影像分类具有重要的理论和实际应用价值，是当前研究的热点之一。
2. 面向对象方法在遥感影像分类中的应用背景与发展趋势随着遥感技术的不断发展，遥感影像在地理信息系统中扮演着越来越重要的角色。
面向对象的遥感影像分类技术
面向对象分类的 基本原理
面向对象分类的基本概念
面向对象分类： 将遥感影像分割 为多个对象，每 个对象具有相同 的属性和特征
基本原理：通过 分析遥感影像的 纹理、颜色、形 状等特征，将具 有相似特征的像 素划分为同一个 对象
优势：能够更好 地处理遥感影像 中的噪声和异物， 提高分类精度
应用领域：广泛 应用于土地覆盖 分类、灾害监测、 环境监测等领域
遥感影像分类技术的分类方法
监督分类：利用已知类别的样本进行训练，然后对未知类别的影像进行分类
无监督分类：无需已知类别的样本，直接对影像进行分类
半监督分类：结合监督分类和无监督分类的方法，提高分类准确性
深度学习分类：利用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）等，进行 遥感影像分类
技术发展对策与建议
加强技术研发，提高分类精度和速度 拓展应用场景，如农业、环保、城市规划等领域 加强与其他领域的交叉学科合作，如人工智能、大数据等 制定相关政策和标准，推动技术发展和应用
感谢您的观看
汇报人：XX
在林业领域的应用
森林资源调查：通过遥感影像分类技术，可以快速准确地获取森林资源的分布、面积和种类等信息。
森林健康监测：通过对遥感影像的分析，可以及时发现森林的病虫害、火灾等灾害，并采取相应的 措施。
森林资源管理：通过遥感影像分类技术，可以评估森林资源的利用情况，为森林资源的保护和管理 提供依据。
选择分类器的依据：数据集的大小、 特征的复杂性、计算资源的限制等
分类结果后处理与优化
后处理方法：平 滑、滤波、边缘 检测等
优化策略：调整参 数、选择合适的分 类器、融合多种分 类方法等
评价指标：精度、 召回率、F1值等
面向对象的遥感图像分类方法在测绘中的应用
面向对象的遥感图像分类方法在测绘中的应用遥感技术是一种能够获取地球表面信息的技术手段，在测绘领域中有着广泛的应用。
随着计算机科学技术的发展，面向对象的遥感图像分类方法也被引入到测绘中，为地图制图和地理信息系统的建设提供了更加精确和高效的方案。
一、遥感图像分类遥感图像分类是遥感技术的核心应用之一，它是将遥感图像中的像素点根据其反射率、辐射亮度等特征进行分类，从而得到具有不同类别的地物信息。
传统的遥感图像分类方法主要基于像素级的分类，即将图像中的每个像素点单独进行分类，这种方法容易受到噪声影响，分类结果不够准确。
而面向对象的遥感图像分类方法则能够克服这些问题。
二、面向对象的遥感图像分类方法面向对象的遥感图像分类方法是基于图像中的对象进行分类的一种方法，它将图像中的像素点组合成不同的对象，然后根据对象的形状、纹理、光谱等特征进行分类。
相比于像素级的分类方法，面向对象的方法能够更好地保留地物的空间结构信息，提高分类的准确性和稳定性。
面向对象的遥感图像分类方法包括以下几个关键步骤。
首先是图像分割，将遥感图像分割成不同的对象。
常用的分割方法有基于区域的分割方法和基于边界的分割方法，其目的是将图像分解成较小的、空间连续的对象。
接下来是对象特征提取，通过计算对象的形状、纹理、光谱等特征来描述对象。
常用的特征提取方法有灰度共生矩阵、纹理特征、主成分分析等。
然后是分类器的训练和模型的建立，根据已经分类好的样本数据，训练分类器来对新的对象进行分类。
常用的分类器有支持向量机、随机森林等。
最后是分类结果的验证和评价，通过对分类结果进行验证和评价，来判断分类方法的准确性和可靠性。
三、面向对象的遥感图像分类在测绘中的应用面向对象的遥感图像分类方法在测绘中有着广泛的应用。
首先，它能够提高地图制图的精度和效率。
传统的地图制图方法往往依靠人工解译遥感图像来获取地物信息，这种方法效率低下且容易出现误差。
而面向对象的方法能够通过计算机自动解译遥感图像，大大提高了地图制图的效率，并且分类结果更加准确。
面向对象的遥感影像分类方法在土地覆盖中的运用
面向对象的遥感影像分类方法在土地覆盖中的运用发表时间：2018-06-13T10:29:44.907Z 来源：《基层建设》2018年第12期作者：田海军[导读] 摘要：随着社会经济的发展，科学技术的进步，我国的城市化水平也越来越高。
在这一过程中，土地资源的有效利用率也受到了社会各界人士的关注与重视。
内蒙古自治区航空遥感测绘院内蒙古呼和浩特 010010摘要：随着社会经济的发展，科学技术的进步，我国的城市化水平也越来越高。
在这一过程中，土地资源的有效利用率也受到了社会各界人士的关注与重视。
土地资源作为一种不可再生资源，就应该得到应有的重视。
以往的土地覆盖调查方式不仅会浪费大量的人力、物力与财力，同时也会浪费大量的时间与精力。
但遥感技术正好弥补了这一不足，凭借自身收集与获取信息时效性与经济性等特点，被广泛的应用到土地覆盖的过程中。
本文章对面向对象的遥感影像分类方法在土地覆盖中的运用进行了深入的分析与研究。
关键词：高分辨率遥感影像；面向对象；土地覆盖在我国现阶段，随着我国城市化进程的不断推进，我国大部分城市以及乡镇周边的土地覆盖情况都发生了比较大的变化，并且变化的频率比较频繁。
为了进一步有效提高城市土地资源的利用率，以及充分做好自然灾害的应对工作，首先就要提高土地覆盖的情况进行有效的监测。
随着我国科学技术的进步，遥感传感技术也被广泛的应用到土地覆盖调查的过程当中。
在这一过程中，如何有效的从遥感数据当中科学、准确的获取到地表土地覆盖信息已经变成了土地覆盖变化监测工作的一大难点。
为此就要合理的应用遥感影像技术，以此来有效提高我国的土地资源利用率，提高我国的城市化水平。
一、面向对象分类方法（一）多尺度分割多尺度分割的方法需要考虑的问题有很多，例如地表实体以及过程的复杂性和层次性，同时也需要克服数据来源的固定性，在分析地表特征的过程中就要利用到多尺度影像对象层次网络结构。
影像对象的层次体系在一定程度上受不同的分割参数的影响，影像对象收集了很多信息，例如像元的光谱信息、此像元和周围像元的关系信息等[1]。
面向对象的遥感影象分类共49页
END
面向对象的遥感影象分类
26、机遇对于有准备的头脑有特别的 亲和力 。 27、自信是人格的核心。
28、目标的坚定是性格中最必要的力 量泉源 之一， 也是成 功的利 器之一 。没有 它，天 才也会 在矛盾 无定的 迷径中 ，徒劳 无功。- -查士 德斐尔 爵士。 29、困难就是机遇。--温斯顿．丘吉 尔。 30、我奋斗，所以我快乐。--格。——华盛顿 17、一个人即使已登上顶峰，也仍要自强不息。——罗素·贝克 18、最大的挑战和突破在于用人，而用人最大的突破在于信任人。——马云 19、自己活着，就是为了使别人过得更美好。——雷锋 20、要掌握书，莫被书掌握；要为生而读，莫为读而生。——布尔沃
- 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)。
问题：
怎么用多尺度分割结果进行分类，上下文特征用于分类；
讨论：如何实现？
提取影像对象
快速有效的影像分割算法，实层次等），类相关特征，上下文关系 等；以前做过的提取纹理特征怎么利用起来？
分类方法
Fuzzy模糊分类等；能否将神经网络等好的方法用于对对像的
传统分类方法在高分辨率遥 感影像中面临的问题：
影像上表现出更多的类型和 差异，增加了分类的难度； 影像增加的地物细节信息， 干扰分类的结果；
传统方法较多地利用光谱信 息，而几乎没有利用几何结构、 纹理等在高分辨率影像中很重要 的空间信息；
传统方法得到的分类结果过 于破碎，改进分类结果的处理运 算量增大；
eCognition采用面向对象的遥感影像分析技术来进行影像的分类 和信息提取。eCognition中影像信息不再由简单的像元所描绘，而是 由有一定意义的影像对象及其相互关系所表现。基本的特点， eCognition不再是对简单像元的分类，而是对由分割得来的影像对象 进行分类。
对象特征
对象特征（object features）
基于样本: “点击、分类”（最近邻法，NN classifer）
基于规则: 融入专家知识 (Fuzzy分类法，fuzzy membership)
...... 或者两者结合
第二步：分类
基于样本的分类：“点击、分类”
第二步：分类
基于规则的分类
1. 利用光谱特性提取水体
2. 分离河流和湖泊
形状因子
边界信息
遥感影像
常用高空间分辨率遥感影像——IQuickBird
商业化的最高空间 分辨率卫星影像 0.61 m全色 2.44 m多光谱
遥感影像
常用高空间分辨率遥感影像——航片
基于飞行高度和传感器 的不同分辨率范围分布 在0.1 m 到5 m 之间 影像可使用黑白的、可 见光部分和近红外波段
对象特征
类相关特征
类相关特征（class-related features）
类相关特征
eCognition分类的过程
第一步：影像分割 像素
边缘检测与影像分割
对象
结果：
从二维化的影像信息阵列中恢复出影像所反映的景观场 景中目标地物的空间形状及组合方式。
第一步：影像分割
pixels small objects
传统的遥感影像分类，包括监督分类或者非监督分类，都是在影 像的光谱特征空间中，依靠不同光谱数据组合在统计上的差别来进行 的。随着遥感影像的空间分辨率越来越高，影像上地物景观的结构、 形状、纹理和细节等信息都非常突出，而光谱分辨率并不高，因此， 在分类时不能仅依靠其光谱特征，更多的是要利用其几何信息和结构 信息。
基本概念
尺度（scale） 特征（feature） 上下文信息（context information）
影像分割（image segmentation）
模糊分类系统（fuzzy classification systems）
概念——尺度
尺度：实体、模式与过程被观察与表示的空间大小与时间间隔。表 示观测者感兴趣的信息所处的逻辑层次。 面向对象影像分析中的尺度：指影像分割的尺度，是一个关于多边 形对象异质性最小的阈值，决定生成影像对象的级别大小。分割尺度不 同所生成的影像对象大小也不同，不同分割尺度层的影像体现为明显的 空间结构特征差异。
分类？
谢谢！
多尺度分割示意图
概念——影像分割
影像分割：采用分割技术生成属性信息不同的影像对象的过程。分两步： • 对整幅影像进行尺度空间的构建，即根据所预设的尺度分割参数将影像中 的像元划分为不同亮度值的区域； • 根据其他的分割参数提取出不同的对象多边形。
不同尺度下影像分割的结果
概念——特征
影像对象的特征是影像分析与信息提取的主要依据， 从概念的角度来看，影像对象的特征可分为三类： 固有特征 — 对象的物理属性，由真实的地物与成像状态(传感 器与太阳辐射)决定。这类特征描述对象的图层值 、颜色、纹理和形状。 拓扑特征 — 描述对象之间或整个观察窗口内的几何关系，如左 侧、右侧、到一个指定对象中心的距离、在影像中 所处区域位置。 上下文特征 — 描述对象语义关系的信息，如公园是100%被城区 所包围。
根据每个影像对象的特征进行分类。不同于传统的基于像元光谱值 的方法，而采用决策支持的模糊分类算法，建立不同尺度的分类层次， 在每一层次上分别定义对象的：
• 光谱特征，包括均值、方差、灰度比值等； • 形状特征，包括面积、长度、宽度、边界长度、长宽比、形状因子、 密度、主方向、对称性、位置等； • 纹理特征，包括对象方差、面积、密度、对称性、主方向的均值和方 差等； • 上下文关系特征和相邻关系特征。 通过定义多种特征并指定不同权重，给出每个对象隶属于某一类的 概率，建立分类标准，并按照最大概率先在大尺度上分出“父类”，再 根据实际需要对感兴趣的地物在小尺度上定义特征，分出“子类”，最 终产生确定分类结果。
面向对象的分类特点
面向对象影像分类的重要特点是分类的特征是基于影 像对象来计算的而不是基于单个像元计算的，利用了许多 由影像对象得到的相关信息。 像元通常只包含有三种信息:光谱值、位置与大小。 而影像对象所包含的信息则很丰富，除上述光谱信息外， 还包括：形状特征、纹理特征、基于层次网络的影像对象 之间的关系，等等。 根据这些信息，类别之间的语义差异就更明显了，分 类的精度当然也提高很多。
分类没有利用有意义的上下文信息 Limitations of pixel based analysis: No meaningful context information
新影像VS传统分类
遥感影像的空间分辨 率越来越高，呈现如下特 点： 单幅影像的数据量显 著增加； 成像光谱波段变窄； 地物的几何结构、纹 理信息等空间信息更多更 明显； 从二维信息到三维信 息； 高时间分辨率。
监督分类， 最小距离法、最大似然法、BP神经网络等；
非监督分类，ISODATA、Kohonen神经网络等。 这些传统的分类方法都是基于像元进行分类的。
遥感影像
常用高空间分辨率遥感影像——SPOT
SPOT
• 2.5m全色 • 10 m多光谱
遥感影像
常用高空间分辨率遥感影像——IKONOS
1 m全色 4 m多光谱
对象 (object)
模糊化 （fuzzification）
模糊规则库 （fuzzy rule base）
分类图 (classimage)
分类 （classify） 分类流程图
反模糊化 （defuzzification）
面向对象的分类原理
根据像元的形状、颜色、纹理等特征，在一定尺度上对影像进行影 像分割生成影像对象，即把具有相同特征的像元组成一个影像对象；
面向对象的分类过程
影像分割
影像分割生成影像对象，选择适当的分割尺度。
影像分类
通过类层图建知识库；（AOI区选取并指定类别） 选择分类器，选择分类特征； 声明样本类，将定义的类与样本联系起来； 对影像对象进行分类。
精度评估
eCognition的分类介绍
eCognition是一款面向对象的影像分析软件。它的主要特点在于 利用影像空间和波谱两方面信息进行信息提取。
概念——上下文信息
全局上下文信息
—描述影像的状态，成像时间、传感器、位置等；
局部上下文信息
—描述影像区域的共同联系和含义。
概念——模糊分类系统
基本思想：常规分类中，一个基本实体（像元）只能属于某一类而不
能同时属于另一类；模糊分类则认为，一个基本实体（影像对象）在某 种程度上属于某类的同时还分别在不同程度上属于其它的类。用从0到1 的连续范围来取代二值的确定逻辑状态“是”与“非”，它给出对象对 于所有给定类的隶属度，最大的隶属度将决定对象的类型归属，如果所 有的隶属度均为0，那么这一对象将不进行分类。
面向对象的遥感影像分类
主要内容
遥感影像及其分类
面向对象的影像分类
eCognition的分类介绍
如何实现
遥感影像及其分类
遥感影像
遥感，遥感影像，如航拍、卫星、雷达影像。
遥感影像的分类
“现在影像已经看的很清楚了，为什么还要分类？” 感性认识——精确数量、统计分析，如城市绿化带变化。分 类可以自动提取专题信息，用于城市规划、土地利用管理等。
第三步：输出结果
输出分类结果：栅格图、矢量图、属性表
eCognition分类流程
数据输入 决策知识库
分割生成不同 尺度的影像对象
基于决策 支持的分类
结果输出
分类实例
优点：
分类结果精确； 速度快； 不用繁琐地去编辑样本（AOI区），直接点击即可； 很方便地修改样本（AOI区），以完善分类结果； 可以方便清楚地看到特征（光谱、形状等）差异，并选择有差异 的特征用于分类；
基于像元分类的局限性
分类只利用了像元值和某些纹理信息
Limitations of pixel based analysis Classification • of color/digital value • of texture in a certain environment
基于像元分类的局限性
面向对象的影像分析
面向对象的遥感影像分析是针对高分辨率影像应用而 兴起的一种新的遥感影像分析技术。 和传统的影像处理方法不同，面向对象影像分析的基 本处理单元是影像对象，而不是单个的像元。甚至连分类 的过程也是基于影像对象的。 面向对象影像分析的目的：希望基于真实世界中目标 地物来提取影像信息，而且要求目标物具有较高的形状与 类别一致性，这一要求通过基于像元的技术是很难达到的。 面向对象影像分析有两个独立的模块：对象生成与信 息提取。对象生成是采用分割技术生成属性信息不同的影 像对象的过程，即影像分割。