基于面向对象的航空影像建筑物提取技术研究摘要:本文基于笔者多年从事航空影像数据处理的相关工作经验,以航空影像建筑物提取为研究对象,采用面向对象的思路,探讨了预处理、特征选择、外形初步提取等一套流程形成的思路方法,并进行了实验,全文是笔者长期工作实践基础上的理论升华,相信对从事相关工作的同行能有所裨益。
关键词:面向对象航空影像建筑物提取光谱特征
面向对象信息提取是以对象为基本单位来进行的,其关键步骤有两个:多尺度影像分割(对象生成)和影像信息提取。其中,分割(对象生成)是面向对象信息提取方法的基础,分割结果的好坏直接关系到后续信息提取结果的精度。本文提出的面向对象的建筑物外形提取基本思路是:预处理→多尺度分割→建筑物特征选择→初步提取→优化外形。
1 预处理
本文的预处理采用影像融合,随着多种遥感卫星的发射成功,我们有了许多可利用的多传感器、多时相、多分辨率和多光谱遥感影像。遥感影像的信息提取常常要求把多传感器、多时相、多光谱和多分辨率影像进行融合分析,以提取感兴趣的信息。
图像融合的定义可描述为:将传感器获取的图像数据预处理后,采
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。 本专题以ENVI中的面向对象的特征提取FX工具为例，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：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“基于规则（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、纹理等对象属性信息。基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。 表1为三大类分类方法的一个大概的对比。
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。
面向对象分析与设计 课程总结 0923010208 指导老师：庄育飞 这学期学院开设了面向对象分析与设计（UML）这门课，通过老师的讲解，自己一些相关书籍的阅读和实践作业的完成，逐步对课程有了由浅及深的认识。我觉得学习这门课还是受益匪浅的。 面向对象(Object Oriented,OO)是一门以实践为主课程，课程中可以分开两块OOA（面向对象系统分析)和OOD（面向对象系统设计）。 OOA（面向对象系统分析)主要内容: 研究问题域和用户需求,运用面向对象的观点和原则发现问题域中与系统责任有关的对象,以及对象的特征和相互关系.OOA不涉及针对具体实现采取的设计决策和有关细节,独立于具体实现的系统模型。是一个完整确切反映问题域和用户需求的系统模型。OOA的优势：复
用、可扩展、可维护性、弹性。 OOD（面向对象系统设计）：以OOA模型为基础，按照实现的要求进行设计决策，包括全局性的决策和局部细节的设计，与具体的实现条件相关。OOD的步骤：细化重组类→细化和实现类之间的关系，明确其可见性→增加属性,指定属性的类型和可见性→分配职责,定义执行每个职责的方法→对消息驱动的系统,明确消息传递的方式→利用设计模式进行局部设计→画出详细的类图和时序图。 面向对象的分析与设计方法将致力于解决传统软件研发过程中由于软件模块化结构化程度不高带来的软件重用性差、软件可维护性差、开发出的软件不能满足用户需要等方面问题。面向对象的概念包括：对象、对象的状态和行为、类、类的结构、消息和方法。对象概念将包含对象唯一性、抽象性、继承性、多态性的重要特征。面向对象的要素包含：抽象、封装性、共享性三方面。 在设计模式的研究过程中，我们组选择的是迭代器（Iterator）的设计模式研究。完成设计研究后，我对迭代器的设计模式有了更为深刻的理解。迭代器（Iterator）提供一个方法顺序访问一个聚合对象的各个元素，而又不暴露该对象的内部表示。并了解到迭代器设计模式一般在以下三类场合使用较多。 ●访问一个聚合对象的内容而无需暴露它的内部表示。 ●支持对聚合对象的多种遍历。因为遍历状态是保存在每一个迭代器对象 中的。
面向对象的分析过程 摘要 分析了面向对象技术应用于仿真领域的种种优点，亦即我们选择采用面向对 象的方法进行改造的原因。一些面向对象方法存在的不足。 关键词:仿真，面向对象，岸边集装箱起重机，训练器 面向对象的开发方法是以对象作为最基本的元素，它是分析问题、解决问题的核心。 面向对象=对象(Object) +分类(classification) +继承(inheritance) +通过消息的通信(communication with messages) 从下图中我们可以看出，面向对象的开发方法明显不同。 面向对象的仿真为仿真人员提供了开发模块化可重用的仿真模型的工具，它把系统看成由相互作用的对象所组成，而对象则往往表示现实系统中的真实实体。从而提高了仿真模型的可理解性、可扩充性和模块性，并且便于实现仿真与计算机图形和人工智能的结合。采用面向对象的方法，原因如下: 1.可理解性 面向对象仿真对设计者、实现者，以及最终用户来说都改进了仿真的可理解性。因为仿真系统中的对象往往直接表示现实系统中的真实实体，这些实体在面向对象的仿真系统中可以用外观上类似于人们熟悉的实际系统的对象的图形或图像来表示，用户可以通过图形界面与仿真模型进行交互，利用图形或图像来直接建立仿真模型，这对于熟悉实际系统的用户来说是很容易理解的。 2.可重用性和可扩充性 在面向对象的仿真中，可以建立起一个模型库用以保存以前建立的模型，模型库中的模型可以作为建立新模型的可重用构件，通过面向对象技术内在的继承机制可以容易地和系统地修改现有的对象(类)以创建新的对象。并且可以加入现有的类库中。类库提供了仿真建模所需要的一般设施。通过修改现有的类，可以建立各种应用中所需要的特殊对象。 3.模块性 面向对象的仿真是模块化，特殊的过程来寻找相应的信息，不会影响其它的对象。 4.图形用户界面
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，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要 明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。 面向对象的处理方法中最重要的一部分是图像分割。 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)，早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。 目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
面向对象特征提取 1、启动eCognition，选择Rule Set Mode。 2、新建工程：File -> New Project或者点击按钮，选择影像or_196560080.tif，确定。
3、界面布局：选择Classification -> Class Hierarchy，打开类层次视图；选择Image Objects -> Image Objects Information，打开目标信息视图；选择Process -> Process Tree，打开进程树视图；选择Tools -> Feature View，打开特征视图。通过拖拽，形成下面的工作界面：
4、设置尺度参数：设置三个分割尺度，分别是100，70，50，三个尺度对应的层次分别命名为L1，L2，L3。 5、第一尺度（100）分割：在Process Tree中右键，选择Append New，在Algorithm中选择Segmentation -> multiresolution segmentation，Image Object Domain中选择Pixel Level，而Algorithm parameters中的Level Name命名为L1，Scale Parameter设为100，Shape设为0.2， Compactness设为0.5，如下图所示： 点击OK后，Process Tree中会多出一条记录，如下：
在该记录上点击右键，选择Execute，即按照设定的参数进行分割，分割的效果如下： 6、第二尺度（70）分割：在eCognition的尺度分层规则中，大尺度对应的层摆在最上面，小尺度的层摆在下面。在Process Tree中右键，选择Append New，在Algorithm中选择Segmentation -> multiresolution segmentation。由于第二尺度对应为第二层次，因此其应该在第一层（L1）下面，所以Image Object Domain中选择image object level，Level设置为L1，而Algorithm parameters中的Level Name命名为L2，Level Usage 设置为Create below，Scale Parameter设为70，Shape设为0.2，Compactness设为0.5，如下图所示： 按第5步的步骤运行该尺度的分割，可以得到该尺度下的分割结果。 7、第三尺度（50）分割：与第6步一样，只不过Image Object Domain中的Level设置为L2，Algorithm parameters中的Level Name设置为L3，Scale parameter设置为50，如下图：
https://www.doczj.com/doc/2513861509.html,面向对象分析方法1/2 面向对象分析方法（Object-Oriented Analysis，OOA），是在一个系统的开发过程中进行了系统业务调查以后，按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上，针对OO方法所需要的素材进行的归类分析和整理，而不是对管理业务现状和方法的分析。 OOA（面向对象的分析）模型由5个层次（主题层、对象类层、结构层、属性层和服务层）和5个活动（标识对象类、标识结构、定义主题、定义属性和定义服务）组成。在这种方法中定义了两种对象类之间的结构，一种称为分类结构，一种称为组装结构。分类结构就是所谓的一般与特殊的关系。组装结构则反映了对象之间的整体与部分的关系。 OOA在定义属性的同时，要识别实例连接。实例连接是一个实例与另一个实例的映射关系。 OOA在定义服务的同时要识别消息连接。当一个对象需要向另一对象发送消息时，它们之间就存在消息连接。 OOA 中的5个层次和5个活动继续贯穿在OOD（画向对象的设计）过程中。OOD模型由4个部分组成。它们分别是设计问题域部分、设计人机交互部分、设计任务管理部分和设计数据管理部分。 一、OOA的主要原则。 (1)抽象：从许多事物中舍弃个别的、非本质的特征，抽取共同的、本质性的特征，就叫作抽象。抽象是形成概念的必须手段。 抽象原则有两方面的意义：第一，尽管问题域中的事物是很复杂的，但是分析员并不需要了解和描述它们的一切，只需要分析研究其中与系统目标有关的事物及其本质性特征。第二，通过舍弃个体事物在细节上的差异，抽取其共同特征而得到一批事物的抽象概念。 抽象是面向对象方法中使用最为广泛的原则。抽象原则包括过程抽象和数据抽象两个方面。 过程抽象是指，任何一个完成确定功能的操作序列，其使用者都可以把它看作一个单一的实体，尽管实际上它可能是由一系列更低级的操作完成的。 数据抽象是根据施加于数据之上的操作来定义数据类型，并限定数据的值只能由这些操作来修改和观察。数据抽象是OOA的核心原则。它强调把数据（属性）和操作（服务）结合为一个不可分的系统单位（即对象），对象的外部只需要知道它做什么，而不必知道它如何做。 (2)封装就是把对象的属性和服务结合为一个不可分的系统单位，并尽可能隐蔽对象的内部细节。 (3)继承：特殊类的对象拥有的其一般类的全部属性与服务，称作特殊类对一般类的继承。 在OOA中运用继承原则，就是在每个由一般类和特殊类形成的一般—特殊结构中，把一般类的对象实例和所有特殊类的对象实例都共同具有的属性和服务，一次性地在一般类中进行显式的定义。在特殊类中不再重复地定义一般类中已定义的东西，但是在语义上，特殊类却自动地、隐含地拥有它的一般类（以及所有更上层的一般类）中定义的全部属性和服务。继承原则的好处是：使系统模型比较简练也比较清晰。 (4)分类：就是把具有相同属性和服务的对象划分为一类，用类作为这些对象的抽象描述。分类原则实际上是抽象原则运用于对象描述时的一种表现形式。 (5)聚合：又称组装，其原则是：把一个复杂的事物看成若干比较简单的事物的组装体，从而简化对复杂事物的描述。 (6)关联：是人类思考问题时经常运用的思想方法：通过一个事物联想到另外的事物。能使人发生联想的原因是事物之间确实存在着某些联系。
面向对象影像分析简要介绍 ——以eCognition软件为例 前言 遥感影像的光谱，空间，时间分辨率不断提高，为开展各类遥感应用提供各种数据。但在遥感数据获取能力增强的同时，也使得丰富的影像数据得不到充分利用和挖掘，从而出现“数据丰富，信息贫乏”的困境。如何快速自动准确地从遥感影像中提取出能满足某种应用的专题信息，是我们亟待要解决的问题。 随着面向对象思想的风行以及面向对象影像分析技术的不断成熟，使得我们从高分影像中提取专题信息变得更加便捷。尤其是一些商业的面向对象影像分析软件的出现，如eCognition，Feature Analysis。eCognition软件的口号就是“Exploring the soul of imagery(发掘影像最大潜能)”。本论文旨在从eCognition软件了解面向对象影像分析的相关思想和技术。希望通过探究eCognition软件背后的思想以及技术原理，如面向对象，多尺度分割，模糊分类等，为高分辨率遥感影像的特征描述以及建模带来一些启发。 1.面向对象 面向对象的思想是针对具体应用，将问题处理对象（逻辑概念上或物理概念上）划分为合适粒度（即对象）来进行处理，并封装其相应的属性以及行为，同时为了更好的复用以及扩展，维护更新，使其具有继承，多态，聚合等特性。 1.1对象 对象是指状态和行为的集合体，在物理实现上表现为数据和操作的集合，逻辑上表现为有职能的实体。它是用来描述现实世界中的物理概念或逻辑概念上的物体。比如人就是一个对象，它有性别，年龄，姓名等属性，人有吃饭睡觉等行为。武汉大学也是一个对象，它有名称，学院机构，学校历史等属性，也有教学科研等行为。不同的是人是物理概念上的对象，武汉大学是逻辑概念上的对象。 1.2抽象性，封装性，继承性 抽象是抽取出我们所感兴趣的部分，用这些少量特征来描述一个事物。封装性是对事物的数据和操作进行封装，即对其状态和行为进行封装。继承特性是对事物属性和行为的继承。
基于决策树的面向对象变化信息自动提取研究 张雨霁①②，李海涛②，顾海燕② （①辽宁工程技术大学测绘与地理科学学院，阜新，123000; ②中国测绘科学研究院，北京，100039） 摘要：为了从不同时相的遥感影像数据中自动地提取变化信息且保证其效率，本文结合面向对象分析技术，提出了一种基于决策树变化信息自动提取的新方法。该方法利用影像的特征指数及形状特征、光谱特征、纹理特征等作为特征集，将其作为知识库应用到决策树控制模型中，进而利用该模型实现自动分类。对所得到的分类后影像对象，组织分析其综合属性并作为决策规则再次分类，通过“双重分类”的方式实现面向对象的遥感影像变化信息自动提取。该方法为遥感影像变化信息自动提取提供了新的思路。 关键词：变化检测;面向对象;决策树;特征指数 Research on Object-Based Analysis of Automatic Change Information Extraction Based on Decision Tree ZHANG Yuji①②，LI Haitao②, GU Haiyan② （①Liaoning Technical University, Fuxin, 123000; ②Chinese Academy of Surveying and Mapping, Beijing, 100830） Abstract: In order to extract change information automatically from the different time remote sensing images and ensure the efficiency, a new automatic extraction method which is combined with the Object-Based Image Analysis technology based on the Decision Tree is presented in this paper. This method uses the features index and shape, spectral, texture of the image as a feature set to establish the decision tree model for automatic classification. Organize and analyse the synthesized attribute of image objects classified above, then use it as the decision rule to make classification the second time. We can bring about the automatic exaction of image change information by ‘double classification’ which is based on the Object-Based Image Analysis. This method offers a new thought for automatic extraction of remote sensing images change information. Keywords: change detection; object-based; decision tree; feature index 收稿日期：修订日期： 基金项目：National T echnology Support Program [国家科技支撑项目]。 (Program: 2008BAC34B07__04). 作者简介：张雨霁（1985～），女，在读硕士，主要研究方向为遥感图像处理。 E-mail:YUJI-911@https://www.doczj.com/doc/2513861509.html,
结构化方法与面向对象方法的比较分析 吴松娇 （凯里学院信息工程学院，09本（1）班，2009406012） 摘要:剖析了结构化方法和面向对象方法这两种软件开发方法具体的分析设计过程,讨论 了各自在不同软件开发中的应用及局限性,提出了在选用面向对象方法开发大型软件系统的同时可结合结构化方法.通过对具体实例的剖析,揭示DFD 与UML 之间的对应关系,从而提 出结构化软件分析方法与面向对象软件分析方法存在的对应关系,在软件需求分析方法上实现了二者的相互转换,这种对应与转换关系对现有结构化软件的维护及再工程具有指导意义。 关键词:软件开发; 结构化方法; 面向对象方法; 问题域 20 世纪60 年代以来,软件的发展一直受到开发综合症“软件危机”的影响. 为了提高软件质量,软件开发方法不断推陈出新,其中结构化方法[1 ,2 ]经过30 多年的研究及应用,最为成熟且影响最大,直到现在仍有许多系统是用它开发的. 而面向对象方法[1 ,3 ]是在结构化方法、信息建模方法等基础上发展起来的,近10 年来发展较快,现已呈现出取代结构化方法的趋势. 本文具体分析两者在软件开发中的差别以及面向对象方法的优越性. 1 结构化方法 结构化方法基于功能分解设计系统结构,通过不断把复杂的处理逐层分解来简化问题,它 从内部功能上模拟客观世界. 用结构化开发的软件运行效率较高, 且能够增加软件系统的 可 靠性. 1. 1 结构化分析 它是面向数据流进行需求分析的方法,在该阶段力求寻找功能及功能之间的说明. 它主要 采用的工具是数据流图DFD(Data Flow Diagram) ,利用DFD 描述边界和数据处理过程的关系. 1. 2 结构化设计 结构化设计是将数据流图表示的信息转换成程序结构的设计描述,在该阶段力求寻找功 能的实现方法,采用系统结构图表示系统所具有的功能和功能之间的关系. 设计过程分两步完成,第一步以需求分析的结果作为出发点,构造出一个具体的系统设计方案,决定系统的模块结构(包括决定模块的划分、模块间的数据传递及调用关系) . 第二步详细设计即过程设计,在总体设计的基础上,确定每个模块的内部结构和算法,最终产生每个模块的程序流程图. 因此,结构化方法比较适合于像操作系统、实时处理系统等这样的以功能为主的系统. 1. 3 结构化方法的局限 (1) 结构化方法在需求分析中对问题域的认识和描述不是以问题域中固有的事物作为基本 单位,而是打破了各项事物之间的界限,在全局范围内以数据流为中心进行分析,所以分析 结果不能直接反映问题域. 同时,当系统较复杂时,很难检验分析的正确性. 因此,结构化分析 方法容易隐蔽一些对问题域的理解偏差,与后续开发阶段的衔接也比较困难; (2) 结构化方法 中设计文档很难与分析文档对应,因为二者的表示体系不一致. 结构化方法的结果2数据流 图
面向对象影像分类（基于样本） 1、进行尺度为100的影像分割。 2、在Class Hierarchy中点右键，选择Insert class，依次建立四个类：房屋、道路、湖泊、草地。 3、编辑特征空间：选择菜单“Classification -> Nearest Neighbor -> Edit Standard NN Feature Space”，双击左边的特征列表中的特征，选择以下一些特征，如下图：
4、应用分类规则：选择菜单“Classification -> Nearest Neighbor -> Apply Standard NN to Classes”把它插入到类描述中，选择左边框中的类，单击，即可将该类加入到右边的框中，如下图： 点击OK后，在Class Hierarchy中双击一个类，如草地，可以看出分类特征已经添加到
该类中，如下图： 5、选择样本：选择菜单View -> toolbar -> sample，打开样本导航器，如下图： 选择按钮，打开样本编辑器，如下图：
6、选择类的样本：从样本编辑器中的Active Class中选择需要选择样本的类，如草地，在分割图上点击样例对象,当你单击一个类时，它的特征值在每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它们的相关特征值，如下图：
该类的样本，选择后样本编辑器会成为如下的状态： 依次为所有的类选择足够的样本。 7、执行分类：在Process Tree中选择Append New，Algorithm中选择Basic Classification -> Classification，在Algorithm Parameters的Active Classes中选择“草地、道路、房屋、湖泊”， 设置如下图：
【ENVI入门系列】24. 面向对象图像分类 目录 1.概述 2.基于规则的面向对象信息提取 第一步：准备工作 第二步：发现对象 第三步：根据规则进行特征提取 3.基于样本的面向对象的分类 第一步：选择数据 第二步：分割对象 第三步：基于样本的图像分类 4.基于规则的单波段影像提取河流信息 1.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。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），如下图所示。
图1.1 FX操作流程示意图（*项为可选操作步骤） 这个工具分为三种独立的流程化工具：基于规则、基于样本、图像分割。 本课程分别学习基于规则的面向对象分类和基于样本的面向对象分类，以及基于规则的方法从单波段灰度影像中提取河流信息。 注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。
2.基于规则的面向对象信息提取 该工具位置在：Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow。 数据位置："24-面向对象图像分类\1-基于规则"。 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 如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。 ?光谱分辨率的调整 如果您处理的是高光谱数据，可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。 ?多源数据组合 当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking工具实现。
遥感的面向对象分类法 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，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。 随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。这对遥感影像分类方法提出了挑战。已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。主要研究内容与结论包括: 1)模糊遥感影像分割算法研究 针对当前影像分割算法应用于模糊影像时产生过渡区对象的问题，设计了过渡区对象识别方法。对简单地物模糊影像和复杂地物模糊影像进行实验发现:提出的算法能够有效识别过渡区对象。 2)代表地物最佳分割尺度研究 针对多参考对象情况下的地物最佳分割尺度选择问题，设计了基于对象内部同质性加权
1，面向过程： 面向过程就是分析出解决问题所需要的步骤，然后用函数把这些步骤一步一步实现，使用的时候一个一个依次调用就可以了。 2，面向对象(Object Oriented,OO)： 面向对象的分析（OOA，Object Oriented Analysis） ，面向对象的设计（OOD，Object Oriented Design） 、以及我们经常说的面向对象的编程实现（OOP，Object Oriented Programming）。 定义：面向对象是把构成问题事务分解成各个对象，建立对象的目的不是为了完成一个步骤，而是为了描叙某个事物在整个解决问题的步骤中的行为。 对象：属性、方法（行为） 类的格式：类名必须与文件名一致 [修饰符] class 类名{ [属性列表] [方法(行为)列表] } 1.属性定义 [修饰符] 类型变量名[ = 默认值] public private protected 2.方法定义 [修饰符] 返回值类型方法名(参数列表){ 方法体 } 1.封装的目的 为了提高程序的复用程度，提高开发效率，降低开发维护成本，我们在设计对象时，要考虑方法的封装。 在面向对象编程中，封装就是为了隐藏实现细节，优化代码分工。 2.封装的实现(举例) //实现求n的阶乘 public long factorial(int n) { long tmp = 1; for(int i=1;i<=n;i++){ tmp*=i; } return tmp;
} 方法传值： 1）基本数据类型int long 。。。。 2.传引用 //传递对象类型数据时，我们认为是传引用 1）java是传值类型还是传引用类型 java始终是传值类型，如果传的是基本数据类型，把基本数据当值来传递 如果传的是一个对象，把对象的引用（地址）当作值传递，对象本身内部是可以被方法改变的 3可变参数 //传递对象类型数据时，我们认为是传引用 public String concat(String...words) { StringBuffer tmp = new StringBuffer(); //words 实际上是个数组，我们用数组形式来访问即可 for(String word:words) { tmp.append(word); tmp.append(“”); } tmp.delete(tmp.length()-1,tmp.length()); return tmp; } public static void main(String...args){ StringBuffer tmp = ***.concat(“Hello”,”Kitty”,”,”,”I”,”am”,”Kerry”,”!”); System.out.println(tmp);//此处打印”Hello Kitty,I am Kerry !” } 面向对象四大特征：抽象封装继承多态 对象的生命周期 定义（编码）-jvm加载类-new实例-执行相应的业务动作-销毁（垃圾回收gc--回调对象身上的finalize()方法） java自定义的类默认都继承自Object.java 小练习 1，自己想3～5个对象，比如人，车。要求：至少有5～10个属性，2～3个方法
面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象，以影像对象为信息提取的基本单元，运用模糊数学分类方法实现类别信息的自动提取。与传统的基于像元的影像处理方法相比较，面向对象的影像信息提取的基本处理单元是影像对象，而不是单个的像元。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提，分害d结果的好坏将直接影响模糊分类结果的精度，因此影像分割至关重要。本章主要分析和研究这种面向对象的多源影像多尺度分割技术，即影像对象的多尺度构建技术。面向对象的遥感影像分析的基本原理是根据像元的形状、颜色、纹理等特征，把具有 相同特征的象素组成一个影像对象，然后根据每一个对象的特征对这些影像对象进行分类。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，因此很多文献中称为影像分割，在图像处理领域中常称为图像分割或图象分割。影像分割是经过两个步骤完成的:首先对整个影像进行尺度空 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，然后再根据其他的分割参数提取出不同的对象多边形。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提。影像分割及基于分割的要素提取、特征提取和参数测量等将原始影像转化为更抽象更 紧凑的形式，使得更高层次的影像分析和理解成为可能。影像分割的方法也就非常之多，下面介绍三类与遥感应用密切相关的影像分割方法:边缘检测方法、特征空间聚类法、区 域提取方法。2.2.2边缘检测方法 基于边缘检测的影像分割方法是先利用不同区域间像元灰度不连续的特点检测目标的边缘点，然后组成目标的边界实现分割。边缘检测可分为并行边缘检测和串行边缘检测，常用的方法有微分算子法和串行边缘检测算法。影像中相邻的不同区域间总存在边缘，边缘处像元的灰度不连续可通过求导数来检测到。如一阶微分算子有Roberts } 1'rewitt和Sobel 算子，二阶微分算子有Laplace和Kirsh算子等。在实际应用中各种微分算子常用小区域模板来表示，微分运算是利用模板与影像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的影像。Log算子和canny算子是具有平滑功能的二阶和一阶微分算子，边 缘检测效果好。串行边界查找法是先检测边缘再串行连接成闭合边界的方法，这种方法在很大程度上受到起始点影像[23]0 这种分割方法适合处理区域内部移植性高而且边界变化明显的情况，尤其适合对特定目标的提取。但是边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不容易产生连续的封闭区域轮廓[39] 2.2.3特征空间聚类法 基于特征空间聚类的影像分割方法是将影像空间中的像元用对应的特征空间目标点 表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原影像空间，得到分割结果。如果以像元的灰度值为特征，灰度直方图代表特征空间，用闽值将特征空间划分开，把得到的特征类映射回影像空间实现分割，这种算法也称之为闽值分割法[23]e 除像元灰度值外，其它的影像特征也可以用于聚类，常用的有K一均值聚类法、模糊K一均 值聚类法[24], ISODATA聚类法[zs]等。 特征空间聚类法比基于边缘检测的方法更抗噪声，但由于不能完全利用影像像元空间分布的信息，该方法也会导致产生影像空间不连通的分割区域，而且该方法在像元聚类迭代时运算复杂度较大[[23]e2.2.4区域提取方法 基于区域的影像分割方法有两种基本形式，一种是从单个像元出发，逐步合并以形成所需的分割结果，另外一种是从整景影像出发，逐渐分裂切割为满足条件的分割区域。当然实际应用中多数的算法是这两种思路的综合运用。区域生长和分裂合并法是两种典型的 区域特征分割方法。
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：
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 Remote Sensing 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。 关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类