面向对象的遥感影像分类技术ppt课件
合集下载
- 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)。
4
4. 遥感影像分类技术方法的总体比较
5
5. 遥感图像的分割技术——面向对象分类的关键技术之一
基本思想 是将一幅遥感图像依据区域异质性规则分割成一个个有意义的子区域
的集合，分割结果的质量直接决定了分类精度的高低。
主要方法
基于边界分割的方法 基于区域分割的方法
6
5.1 基于边缘的分割
基本原理
阶梯形是状首表先明先了要处确于定图边像缘里的两象个素拥，有并不通等的过连接这些边缘像 灰度大素小在的一相起邻来区形域成，所脉要冲的形边状界则。表边示缘了之对所应的以存在就是由于两 灰度值个发相生邻突的变区的域图之像间区具域有的了集不合同，的针大对小图灰（a度值，边缘的检测 ）和（主b要）就来是说利，用一一阶阶导的数导表数示了和在二图阶像的中导从数暗来进行检测。 变明整个变化过程的位置处有 1 个阶跃，即用其 来检测边界是否是存在的，边缘位置的检测则是 通过利用求解二阶导数的过 0 点来具体得到的； 相对(c)来讲，其脉冲的上升沿与下降沿正好就分 别对应了 2 个二阶导数过 0 点的位置；针对(d) 来说，屋顶形状的边缘来检测屋顶的位置则是由 剖面的一阶导数过 0 点来统一确定的。
主要方法： 阈值分割 区域增长 分裂-合并
10
5.2 基于区域的分割
阈值分割：通过预设阈值大小将图像进行分割
，基础则是图像灰度的直方图。
主要分为全局、自适应和最佳的阈值分割
区域增长：是以种子像素为基本单位不断合并
周围像素进行图像分割的过程，算法基本思想
是首先选择种子点，然后确定区域增长过程中
像元合并的规则，最后制定区域增长的停止条
基于规则的模糊分类技术。
2
2. 面向对象的遥感分类优势
（1）针对分割形成的影像对象单元进行其特征的提取，可以充分地利用高分 影像数据的光谱、纹理和形状特征等空间几何属性信息。 （2）基于区域同质性原则和多尺度分割的基础上，减少了影像像元光谱差异 影响，针对不同地物能取得较好的分类效果。 （3）以影像分割的对象单元为单位进行影像的分类，将大大地提高遥感影像 的分类的速度。 （4）有效减少了遥感影像数据的“同质异谱”及“异质同谱”和基于像素分 类的“椒盐”现象。 （5）面向对象的分类技术还能促进多源 GIS 数据之间的利用和融合。
7
5.1 基于边缘的分割 边缘检测
梯度算子：是一种矢量，对应的就是图像的一阶单数算子，检测边缘灰度值变化 敏锐的效果较好
拉普拉斯算子：一个二阶导数，是没有方向性的标量算子，相比于梯度算子的计 算量要小，由于不提供边缘方向信息，一般用在边缘像素已知的情况之后，主要 是来确定该像素在图像的明暗哪个区域
。借助于这种技术，就可以理解遥感影像对象如何在不同
尺度区域之间相互作用，从而反映地表物体的固有形态。
a. 等级网络的底层是像素层，及分割的原始影像；
b. 小尺度的对象层“一级”放在网络结构的底部，这一层
包括的多边形最多；
c. 大尺度的对象层“二三级”放在网络的最顶部，这些对
象 层中的多边形面积较大，且对象的多边形的数量较少
度 而 取 不 同 的 权重。某个波段的权重越高,在分割过程中这个层的信息使用的越多,
对分割结果的影响越大。
形状因子形状因子由光滑度、紧密度两个参数构成，可以避免影像对象过于破碎，
使分割出的影像具有实际物体的形状特征。提取道路时应更加注重形状因子。
13
5.3 基于区域增长的多尺度分割技术 分割的主要参数——尺度参数
件。
分裂-合并：是将整幅图像分裂为小的子区域再
合并相似区域的过程。算法流程是首先四等份
均分图像中灰度不同的子区域，然后合并满足
特征相似性准则Leabharlann Baidu像素，重复上述操作直到没
有新的分裂-合并情况为止.
11
5.3 基于区域增长的多尺度分割技术
多尺度分割技术：是一种既能自动生成遥感影像的影像对
象，又能将这些影像对象按等级结构连接起来的一门技术
3
3. 研究方法 将遥感影像分割成与实际的地物类别相对应的一个个影像对象的实体单元，然后
针对影像的对象分割单元提取对象的多空间特征值进行处理分析，建立多特征对象的 分类体系，面向对象的分类技术充分使用了高分遥感影像的空间几何、纹理特征和光 谱等特征属性信息，最后利用影像的分类算法完成了最终的分类步骤
汇报人：黄晶晶
1
1 . 面向对象的遥感分类概述
是一种基于目标的分类方法，这种方法可以充分利用高分辨率影像的空间 信息，综合考虑光谱统计特征，形状，大小，纹理，相邻关系等一系列因素， 得到较高精度的信息提取结果。 最主要特点：分类的最小单元是由影像分割得到的同质影像对象（图斑），而 不再是单个像素。 技术关键：多尺度影像分割技术
。
网络结构中的不同层可以提取不同尺度的地物信息，
如“一级”主要提取灌木，”三级“主要提取大尺度的道
路等。
12
5.3 基于区域增长的多尺度分割技术
分割的主要参数：
尺度参数：是分割过程中最重要的一个参数，它直接影响影像对象的大小和数量，以
及最终的分类精度。分割尺度不同，生成的影像对象的多边形的大小和数量也不同。
14
5.3 基于区域增长的多尺度分割技术 分割的主要参数——均质因子之形状因子
影像对象多边形的大小与形 状(shape)因子成正比，随 着shape不断增大，形状规 则的道路、建筑物和农田被 完整分割，但当 shape > 0.4 时，由于光谱因子过小 ，会把乡间道路和裸地分割 成一个影像对象，忽略了影 像的光谱信息，所以此实验 区分割的形状(shape)参数 选择 0.1~0.4 的取值范围比 较合适，具体的数值取决于 其实际提取的地物类别15 。
一般而言，分割尺度越大，生成的多边形数目越少，面积越大。最适宜的分割尺度值
是分割得到的多边形能将某种地物类型的边界勾勒清晰，并且能用一个或者几个对象
表现这种地物，分割对象既不太破碎也不太笼统。
均质性因子：
颜色因子为影像的光谱特征，对很多地物而言，如水体和植被，颜色因子是生成
对象的重要因子，通常被设为较高的值。可以根据各个波段 对 分 割 结 果 的 贡 献 程
8
5.1 基于边缘的分割
边缘连接 由于边缘检测的方法，图像噪声会产生间断现象，因此需要通过边缘连 接的方法形成完整有意义的封闭边界
主要方法： 邻域连接法 全局链接法 霍夫变换
9
5.2 基于区域的分割
基本原理： 将各个图像象元划归到各个子区域中，依据相似性准则直接取出满足特征相似条 件的图像区域。
4. 遥感影像分类技术方法的总体比较
5
5. 遥感图像的分割技术——面向对象分类的关键技术之一
基本思想 是将一幅遥感图像依据区域异质性规则分割成一个个有意义的子区域
的集合，分割结果的质量直接决定了分类精度的高低。
主要方法
基于边界分割的方法 基于区域分割的方法
6
5.1 基于边缘的分割
基本原理
阶梯形是状首表先明先了要处确于定图边像缘里的两象个素拥，有并不通等的过连接这些边缘像 灰度大素小在的一相起邻来区形域成，所脉要冲的形边状界则。表边示缘了之对所应的以存在就是由于两 灰度值个发相生邻突的变区的域图之像间区具域有的了集不合同，的针大对小图灰（a度值，边缘的检测 ）和（主b要）就来是说利，用一一阶阶导的数导表数示了和在二图阶像的中导从数暗来进行检测。 变明整个变化过程的位置处有 1 个阶跃，即用其 来检测边界是否是存在的，边缘位置的检测则是 通过利用求解二阶导数的过 0 点来具体得到的； 相对(c)来讲，其脉冲的上升沿与下降沿正好就分 别对应了 2 个二阶导数过 0 点的位置；针对(d) 来说，屋顶形状的边缘来检测屋顶的位置则是由 剖面的一阶导数过 0 点来统一确定的。
主要方法： 阈值分割 区域增长 分裂-合并
10
5.2 基于区域的分割
阈值分割：通过预设阈值大小将图像进行分割
，基础则是图像灰度的直方图。
主要分为全局、自适应和最佳的阈值分割
区域增长：是以种子像素为基本单位不断合并
周围像素进行图像分割的过程，算法基本思想
是首先选择种子点，然后确定区域增长过程中
像元合并的规则，最后制定区域增长的停止条
基于规则的模糊分类技术。
2
2. 面向对象的遥感分类优势
（1）针对分割形成的影像对象单元进行其特征的提取，可以充分地利用高分 影像数据的光谱、纹理和形状特征等空间几何属性信息。 （2）基于区域同质性原则和多尺度分割的基础上，减少了影像像元光谱差异 影响，针对不同地物能取得较好的分类效果。 （3）以影像分割的对象单元为单位进行影像的分类，将大大地提高遥感影像 的分类的速度。 （4）有效减少了遥感影像数据的“同质异谱”及“异质同谱”和基于像素分 类的“椒盐”现象。 （5）面向对象的分类技术还能促进多源 GIS 数据之间的利用和融合。
7
5.1 基于边缘的分割 边缘检测
梯度算子：是一种矢量，对应的就是图像的一阶单数算子，检测边缘灰度值变化 敏锐的效果较好
拉普拉斯算子：一个二阶导数，是没有方向性的标量算子，相比于梯度算子的计 算量要小，由于不提供边缘方向信息，一般用在边缘像素已知的情况之后，主要 是来确定该像素在图像的明暗哪个区域
。借助于这种技术，就可以理解遥感影像对象如何在不同
尺度区域之间相互作用，从而反映地表物体的固有形态。
a. 等级网络的底层是像素层，及分割的原始影像；
b. 小尺度的对象层“一级”放在网络结构的底部，这一层
包括的多边形最多；
c. 大尺度的对象层“二三级”放在网络的最顶部，这些对
象 层中的多边形面积较大，且对象的多边形的数量较少
度 而 取 不 同 的 权重。某个波段的权重越高,在分割过程中这个层的信息使用的越多,
对分割结果的影响越大。
形状因子形状因子由光滑度、紧密度两个参数构成，可以避免影像对象过于破碎，
使分割出的影像具有实际物体的形状特征。提取道路时应更加注重形状因子。
13
5.3 基于区域增长的多尺度分割技术 分割的主要参数——尺度参数
件。
分裂-合并：是将整幅图像分裂为小的子区域再
合并相似区域的过程。算法流程是首先四等份
均分图像中灰度不同的子区域，然后合并满足
特征相似性准则Leabharlann Baidu像素，重复上述操作直到没
有新的分裂-合并情况为止.
11
5.3 基于区域增长的多尺度分割技术
多尺度分割技术：是一种既能自动生成遥感影像的影像对
象，又能将这些影像对象按等级结构连接起来的一门技术
3
3. 研究方法 将遥感影像分割成与实际的地物类别相对应的一个个影像对象的实体单元，然后
针对影像的对象分割单元提取对象的多空间特征值进行处理分析，建立多特征对象的 分类体系，面向对象的分类技术充分使用了高分遥感影像的空间几何、纹理特征和光 谱等特征属性信息，最后利用影像的分类算法完成了最终的分类步骤
汇报人：黄晶晶
1
1 . 面向对象的遥感分类概述
是一种基于目标的分类方法，这种方法可以充分利用高分辨率影像的空间 信息，综合考虑光谱统计特征，形状，大小，纹理，相邻关系等一系列因素， 得到较高精度的信息提取结果。 最主要特点：分类的最小单元是由影像分割得到的同质影像对象（图斑），而 不再是单个像素。 技术关键：多尺度影像分割技术
。
网络结构中的不同层可以提取不同尺度的地物信息，
如“一级”主要提取灌木，”三级“主要提取大尺度的道
路等。
12
5.3 基于区域增长的多尺度分割技术
分割的主要参数：
尺度参数：是分割过程中最重要的一个参数，它直接影响影像对象的大小和数量，以
及最终的分类精度。分割尺度不同，生成的影像对象的多边形的大小和数量也不同。
14
5.3 基于区域增长的多尺度分割技术 分割的主要参数——均质因子之形状因子
影像对象多边形的大小与形 状(shape)因子成正比，随 着shape不断增大，形状规 则的道路、建筑物和农田被 完整分割，但当 shape > 0.4 时，由于光谱因子过小 ，会把乡间道路和裸地分割 成一个影像对象，忽略了影 像的光谱信息，所以此实验 区分割的形状(shape)参数 选择 0.1~0.4 的取值范围比 较合适，具体的数值取决于 其实际提取的地物类别15 。
一般而言，分割尺度越大，生成的多边形数目越少，面积越大。最适宜的分割尺度值
是分割得到的多边形能将某种地物类型的边界勾勒清晰，并且能用一个或者几个对象
表现这种地物，分割对象既不太破碎也不太笼统。
均质性因子：
颜色因子为影像的光谱特征，对很多地物而言，如水体和植被，颜色因子是生成
对象的重要因子，通常被设为较高的值。可以根据各个波段 对 分 割 结 果 的 贡 献 程
8
5.1 基于边缘的分割
边缘连接 由于边缘检测的方法，图像噪声会产生间断现象，因此需要通过边缘连 接的方法形成完整有意义的封闭边界
主要方法： 邻域连接法 全局链接法 霍夫变换
9
5.2 基于区域的分割
基本原理： 将各个图像象元划归到各个子区域中，依据相似性准则直接取出满足特征相似条 件的图像区域。