面向对象分类方法及其在农作物面积提取中的应用

谢 谢！
恳请各位老师、同学批评指正！ 恳请各位老师、同学批评指正！
实验数据：SPOT 5 HRG遥感数据 , Pan分辨率：2. 5米，多光谱分辨率： 10 米 分类规则：NDVI阈值,近红外光谱值 分类方法：隶属函数 表2 多尺度分割参数
（陈燕丽等,基于面向对象分类的南方水稻种植面积提取方法,2011年）
基于面向对象分类的南方水稻种植面积提取方法 基于面向对象分类的南方水稻种植面积提取方法 面向对象分类的南方水稻种植
（吴炳方等,1997年;廖圣东等,2001年;何国金等,2004年;郑长春等,2008年）
自动、 自动、智 能化不足
“椒盐”效应 椒盐”
基于影像对象的分类 基于影像对象的分类 方法
不能有效 提高精度
传统分类 方法
新的分类方法
面向对象 分类方法
数据驱动
费时、 费时、费力 成本高
知识驱动
（隋学艳,2010年;陈姝等,2009年;王一达等,2006年;刘建华等,2009年）
（王启田等,2008年;张建国,2008年;陈春雷等,2011年;王启田等,2008年;黄帅等,2011年）
hcolor = ∑ wc (nMerge × σ cMerge − (nobj1 × σ cobj1 + nobj 2 × σ cobj 2 ))
c
形状异质性值 hshape则由紧凑度hcmpct和光滑度hsmooth组成：
采用面向对象分类方法提取农作物面积精度时尽量采用多尺度分割和 多种分类规则，这样可以有效提高分类精度。
综合面向对象分类方法原理和各类实例来看，在遥感影像的选择上都 采用了高分辨的遥感影像，可以推测面向对象分类方法在高分辨率遥 感影像分类上适应性较广。
光谱分析是遥感数据分析的基础，所以一定要了解烤烟的光谱特性以 及与其他作物的光谱特性的差异，为光谱权重的确定打下基础。 在分割尺度上，怎么样的分割尺度有利与提取烤烟信息，有利于与其 他作物区分，这就要掌握最优分割尺度的最优化标准和评价方法。 根据了解，在分类时NDVI阈值大多数仅仅区分植物和非植物。目前也 有报道将不同作物的NDVI值进行不同时段的差异分析，并用于区分不 同的作物，这对我今后的研究有一定的启示作用。
bMerge
bobj1
bobj 2
（王启田等,2008年;张建国,2008年;陈春雷等,2011年;王启田等,2008年;黄帅等,2011年）
最优分割尺度
在采用面向对象分类方法进行 影像分割的时候要根据影像的 光谱特特征和形状特征选择最 优分割尺度。 最优分割尺度值应该在异质性 值总和的平方根值附近。
学 生：李天坤 指导教师：王永东 副教授
1.前言 } 2.面向对象分类方法的流程及原理 } 3.农作物的面积提取 3. } 4. 4.小结
}
遥感，以其宏观、 综合、快捷的特点 成为农作物面积估 算的高新探测手段。
采用基于像元等传统 的图像分类方法提取 农作物种植面积已取 得了许多成果和较大 进展。
（张建国等,面向对象的冬小麦种植面积遥感估算研究,2008年）
面向对象的冬小麦种植面积遥感估算研究 面向对象的冬小麦种植面积遥感估算研究
表1 小麦提取面积精度分析
（张建国等,面向对象的冬小麦种植面积遥感估算研究,2008年）
基于面向对象分类的南方水稻种植面积提取方法 基于面向对象分类的南方水稻种植面积提取方法 面向对象分类的南方水稻种植
hshape = wcmpct × hcmpct + (1 − wcmpct ) × hsmooth
（王启田等,2008年;张建国,2008年;陈春雷等,2011年;王启田等,2008年;黄帅等,2011年）
紧凑度 hcmpct 和光滑度 hsmooth 取决于总的像元数n，多边形周长l与同面积 多边形的最小边长b。对象合并前用Obj1和Obj2表示、合并后用Merge表 示。
lMerge lobj1 lobj 2 − (nobj1 × + nobj 2 × ) hcmpct = nMerge × 光谱异质性值与形状异质性值取决于影像的光谱特征与空间特征, bobj1 bobj 2 nMerge
光谱特征（光谱灰度值）突变不明显，光谱异质性值就小；空间 特征（形状、面积等）变异不明显，形状异质性值就小。当分割 尺度K一定的时候，两个对象的异质性值之和小于K2就会执行合 lMerge lobj1 lobj 2 并。 = nMerge × ) hsmooth − (nobj1 × + nobj 2 ×
分析待处理影像 分割方法 分割参数设置
影像分割
执行分割 影像对象 不合格 分割评价 合格 分析影像对象信息 分类规则 建立各地物分类规则 特征（属性）
特征分析与选择
影像分类
不合格
分类方法 执行分类、生成分类结果 分类精度评价 合格 提取目标对象 不合格 面积计算，精度检验
图1 面向对象分类方法面积提取流程
表3 晚稻分类结果面积一致性精度表
（陈燕丽等,基于面向对象分类的南方水稻种植面积提取方法,2011年）
面向对象分类方法的优点是基于影像对象的分类, 充分利用了影像的 光谱信息、纹理信息和拓扑关系, 综合考虑光谱特征, 紧密度和光滑 度等空间特征, 生成同质的影像对象, 从而可以大大提高分类的精度, 减轻传统分类方法的“椒盐”效应。
影像分割的基本方法
面向对象的影像分割是将整个影像区域根据相应原则,分割成若干个互不 交叠的非空的内部是联通的子区域的过程。
区域增长
确定若干种子 点或种子区域 对邻域像元进行 判别并连接 分割出同质性 最相近的区域
分裂、合并混合法
默认子区域 为整幅图像 如果该区域同质 性程度较差分裂 为若干子区域 合并同质性最 相近子区域
（刘建华,毛政元,2009年;管珍,2010年）
基于异质性最小原则的区域合并算法
异质性最小的区域合并算法，是要实现整幅影像在给定分割尺度的情况 下所有影像对象平均异质性值最小。 在影像分割的实现过程中需要用户参与设置以下参数：分割尺度、光谱因 子权重和形状因子权重。所考察某像素跟周围像素进行合并的判断准则是： 如果所有异质性参数的总和没有超过分割尺度的平方，则两者合并，属于 同一个影像对象；否则，合并停止，两者不属于同一个影像对象。 任何一个影像对象的异质性值f是由4个变量计算：
wenku.baidu.com
图2 最优分割尺度示意图
（陈春雷等,2011年;张俊等,2011年）
面向对象的冬小麦种植面积遥感估算研究 面向对象的冬小麦种植面积遥感估算研究
实验数据：Landsat ETM+遥感影像，分辨率：15米 软件平台：ERDAS IMAGINE 8.7，eCognition软件 分割尺度为 15 ，光谱权重0.7，形状权重 0.3，光滑度0.8，紧凑度0.2。 分类规则：NDVI阈值 分类方法：隶属函数