第24卷 第5期2008年9月地理与地理信息科学
G eography and G eo -Information Science Vol.24 No.5September 2008
收稿日期:2008-04-03; 修订日期:2008-06-16
作者简介:王海君(1982-),男,硕士,助理研究员,研究方向为环境遥感。E -mail :whj9989@https://www.doczj.com/doc/7417043314.html,
应用基于纹理的面向对象分类模糊方法提取水田信息
王海君1,乐成峰2
(1.南京信息工程大学研究生部,江苏南京210044;2.南京师范大学江苏省地理信息科学重点实验室,江苏南京210046)
摘要:针对面向对象分类方法进行图像处理时出现大量冗余多边形及其分类结果出现斑点等不足,提出基于纹理特征的分割方法。先对原始图像进行纹理增强、主成分分析、低通滤波和图像分割等预处理,得到原始图像的纹理特征二值图;将二值图作为独立波段与其他波段进行假彩色合成,得到纹理增强图,再对其进行多尺度分割和模糊分类。以南京市浦口区2002年9月SPO T 图像为例,分别利用上述两种方法提取图像中的水田信息,基于纹理特征的分割方法克服了面向对象分类方法的不足,并且由于在进行模糊分类时分割出的对象大量减少,一定程度上减小了确定模糊区间的难度,较好地提取出水田信息,提高了图像的分类精度。关键词:面向对象;纹理特征;遥感图像;模糊分类
中图分类号:TP751 文献标识码:A 文章编号:1672-0504(2008)05-0040-04
0 引言
水田是重要的农用地类型,利用遥感图像准确提取水田信息对土地利用调查、遥感估产以及旱灾监测等具有重要意义。传统的基于像元的图像处理方法仅利用图像中光谱信息,已经不能满足高分辨率图像分类研究和应用的要求。为解决这个问题,提出了面向对象的图像处理方法[1-3],它是一种基于像元的阈值分割方法,即根据图像中各个像元的光谱差异,采用光谱异质和形状异质将图像分割成由多个同质像元组成的多边形对象,对多边形对象进行分类。在分类时,不仅应用多边形对象的光谱特征,还应用对象的形状特征和对象之间的空间关系[1,4,5],图像的分类精度很大程度上决定于图像分割的质量。由于在图像分割中没有充分利用高分辨率影像中的纹理信息,会出现分割不足或过度分割的现象,分割结果中可能出现大量的冗余多边形,影响后续图像分类。
随着遥感图像分辨率的不断提高,图像的纹理特征更加明显,使得对图像进行纹理分析成为可能。研究表明,利用纹理信息提取图像中的地物对象并对纹理图像进行分割具有较好的应用效果[6-9]。图像纹理特征提取和分割方法主要有基于统计的方法[9,10]、基于结构的方法[11]以及对这些方法的改进[8,12]。马尔可夫随机场(MRF )和小波变换[13]以及两种方法的结合[14]是图像纹理分割中应用较多的模型,Guo 等提出的局部二元模式与对比度联合分布算法的图像纹理分割算法[15]和Manian 等的逻辑
算子算法[16]都较好地利用纹理特征对图像进行分割。图像中的纹理信息和光谱信息具有互补性,将两种信息融合可提高图像分割质量和分类精度[1,7,8,10,17]。本文总结了面向对象的图像分割方法,提出基于纹理的面向对象的图像处理方法,并以南京市浦口区2002年9月SPO T 图像为例,分别运用两种方法提取水田信息。试验结果表明,基于纹理分割的方法在图像水田提取中的应用效果较好。
1 基于纹理的面向对象分类模糊方法
1.1 面向对象的多尺度分割
图像的分割过程是图像相邻同质像元的合并和异质像元的分离过程,面向对象的分类方法进行分类前必须利用图像分割方法提取目标对象。多尺度图像分割方法将单个像元作为一个对象,根据相邻像元之间的光谱异质h color 及设定的光谱异质阈值对图像的像元进行合并和分割,当相邻像元的光谱异质小于设定的阈值则合并,反之被分割到不同多边形对象中;在依据光谱异质分割得到多边形对象后,用形状异质h shape 对产生的对象形状进行修正,重新生成多边形,最终得到分割结果。光谱异质定义如下:
h color =Σc
w c [n merge ?σmerge c -(n obj1?σobj1c +n obj2?σobj2
c )]
(1)
式中:w 为各波段的权重,c 为波段数,n 为对象的像
元数,σobj1、σobj2为两个被合并对象的标准差,σmerge 为合并得到的对象的标准差。
形状异质定义为:
h shape =l/b
(2)
式中:l 为合并得到的对象的边长,b 为与合并得到的对象相同像元个数的最小边长。
在高分辨率影像中,不同特征对象需要设定不同的分割尺度。对于面积较小、纹理特征和空间特征复杂的类别,用小尺度分割进行提取;对于面积较大、纹理均匀和空间特征明显的类别,用大尺度分割进行提取[18]。通过改变光谱异质和形状异质的加权和得到的综合异质h diff 实现多尺度分割[4],不同尺度分割得到的对象采用层次网络结构组织[1]。h diff 表达式为:
h diff =wh color +(1-w )h shape
(3)
式中:w 为光谱异质权重。1.2 基于纹理分割的面向对象方法
面向对象的图像处理方法将多尺度分割与模糊识别模式相结合,克服了传统的基于像元的硬分类方法的缺点,提高了图像的分类精度[1-4,6,7]。但此方法是基于像元,是单个像元逐步合并的过程,而没有考虑相邻像元的关系以及像元的分布规律。图像中像元的空间分布和频率分布规律构成了图像的纹理特征,纹理特征是图像的基本特征,是进行图像分析的一个重要信息源。与其他图像特征相比,纹理特征包含了图像的表面信息及其与周围环境的关系,兼顾了图像的宏观和微观特点。大部分遥感图像都是纹理特征和光谱特征的综合,因此,有必要融合两种不同的特征处理高分辨率图像。基于纹理的面向对象的处理方法就是将图像中的纹理特征和光谱信息相结合,先对图像进行纹理的增强处理,得到纹理特征二值图;将只有纹理特征没有光谱信息的二值图像作为一个独立的波段与其他波段合成,得到假彩色图像;对合成的假彩色图像进行多尺度分割,在分割时可以充分利用图像中的纹理特征。具体方法如图1所示
。
图1 基于纹理的面向对象模糊分类方法
Fig.1 Algorithm of object -oriented fuzzy classif ication
b ased on texture ch aracteristic
2 试验及结果分析
试验区选取南京市浦口区,按地形差异和地貌特点,该区自然形成沿江圩区、沿滁圩区、山地和近山丘陵、远山丘陵四大片,全区总面积902km 2,其中圩区总面积26913km 2。该区属亚热带季风气候区,以老山山脉自然分隔,以南为长江水系,以北为滁河水系。选取该区南部2002年9月SPO T 图像为研究对象(图2),虽然南部水田较多且分布规则,具有很好的纹理特征,但在光谱上水田内部以及与河流水体的差异均较小。2.1 纹理特征提取
在进行分割时,根据光谱差异很难将单个水田对象分割出来。本试验利用水田与河流不同的形状特征,先对图像进行预处理,用3×3窗口对原图像进行边缘检测处理,再对边缘检测结果图进行主成分变换,最后进行3×3窗口的低通滤波和图像分割,得到纹理特征二值图(图3),可以看出水田与河流以及其他水体具有不同的纹理特征,且单个水田基本上被清晰地表现出来。将纹理特征图作为独立波段与其他波段合成,得到彩色图像。在进行彩色合成时,利用不同的合成方案,发现纹理特征图代替SPO T 波段中蓝色波段进行彩色合成效果较好(图4)
。
图2 试验区SPO T 图像Fig.2 SPOT im age of the test area
图3 纹理特征图像
Fig.3 T exture ch aracteristic im age
图4 纹理增强合成图像
Fig.4 T exture enh ance im age
2.2 图像分割与模糊分类
对原始图像和纹理增强合成图像进行同尺度分
割,发现纹理增强合成图像分割结果明显好于原始图
像。对于原始图像,只有分割尺度为10时,才能较好
页
14第第5期 王海君等:应用基于纹理的面向对象分类模糊方法提取水田信息
地将单个水田分割出来(图5a ),多边形对象数为3295,此时其他相对均一的类别被分割成大量的小多
边形,造成多边形的冗余,很难进行精确的分类;分割尺度为30时,原始图像分割得到464对多边形对象
(图5b ),但水田分割不足,不能将单个水田分割出
来;分割尺度为30时,纹理增强合成图像分割得到501对多边形对象(图5c ),分割结果较好地反映了图像中的纹理信息,同时能够将单个水田分割出来
。
图5 不同分割尺度的图像分割结果
Fig.5 Segmentation results of the im ages with different scales
对不同尺度分割的结果进行模糊分类,将图像分成河流、水田、植被和其他类用地4类。在进行模糊分类时,先将图像分成水体、植被、其他类,然后利用纹理特征将水体分成水田和河流两大类,结果如
图6所示。原始图像分割尺度为10时(图6a ),产生大量冗余多边形,在进行模糊分类时,很难确定较为准确的模糊区间,造成未分类对象和错分现象;另一方面,由于是基于光谱差异的分类,而水田和河流的光谱差异不明显,因此很难将其区分开。分割尺度
为30时(图6b ),多边形对象大量减少,但出现多个水田被分割成一个对象,不能准确反映单个水田的信息。而纹理增强图像分割后的分类结果(图6c )较为精确地反映了原始图像的纹理特征和地物信息,单个水田及水田之间的少量植被也能较为准确地提取出来。从分类结果图的比较得出,基于纹理分割的面向对象的图像处理方法充分利用图像的纹理信息和光谱信息,提高了图像的分类精度,改善了传统的基于像素分割方法的不足
。
图6 不同分割尺度的分割图像分类结果
Fig.6 C lassif ication results of segmentation im ages with different scales
3 结语
基于纹理分割的面向对象的处理方法将图像的纹理特征和光谱信息相结合,先对图像进行纹理增强处理,提取水田纹理特征;然后将纹理特征作为单独的波段与其他波段合成,对合成的图像进行多尺度分割和模糊分类,使得在分类时充分利用水田的纹理特征。试验结果表明,该方法能够较为精确地提取图像中的水田信息,一定程度提高了图像的分
类精度。但该方法仍存在如下不足:1)分割参数的
确定需要大量的试验,并要求用户具有丰富的经验和专业知识,不可避免地受主观因素影响。在今后的研究中,需研究提取目标与分割参数的关系以确定最佳分割参数,使得分割结果和分类结果最佳。2)纹理特征替代了原始图像中的波段,丢失了被替代波段的信息,使得在分类时不能充分利用原光谱信息。如何进行图像预处理,使得替代过程中丢失的信息量最小,有待进一步试验和研究。3)由于收集的资料有限,对于分类结果的精度评价缺乏实测数据验证。
页
24第地理与地理信息科学 第24卷
参考文献:
[1] BLASCH KE T.Object -based contextual image classification built
on image segmentation[A ].Advances in Techniques for Analy 2sis of Remotely Sensed Data[C].2003.113-119.
[2] WAN G Z Y ,WEI W X ,ZHAO S H ,et al.Object -oriented
classification and application in land use classification using SPO T -5PAN imagery [A ].Geoscience and Remote Sensing Symposium ,2004.3158-3160.
[3] L I J C ,QIAN S M ,CH EN X.Object -oriented met hod of land
cover change detection approach using high spatial resolution remote sensing data[A ].Geoscience and Remote Sensing Sym 2posium ,2003.3005-3007.
[4] SHACKEL FORD A K ,DAVIS C H.A Combined fuzzy pixel -based and object -based approach for classification of high -resolution multi -spectral data over urban areas[J ].Geoscience and Remote Sensing ,2003,41(10):2354-2363.
[5] XU W B ,WU B F ,HUAN G J X ,et al.A segmentation and
classification approach of land cover mapping using QuickBird image[A ].Geoscience and Remote Sensing Symposium ,2004.3368-3370.
[6] WAN G Z Y ,SON G C Y ,WU Z Z ,et al.Improved watershed
segmentation algorit hm for high resolution remote sensing ima 2ges using texture[A ].Geoscience and Remote Sensing Symposi 2um ,2005.3721-3723.
[7] SO FOU A ,EVAN GELOPOULOS G ,MARA GOS P.Soil image
segmentation and texture analysis :A computer vision approach [J ].Geoscience and Remote Sensing Letters ,2005,2(4):394-398.
[8] PIERCE L ,PAN L ,DOBSON M C.Texture estimation in SAR
images of forest s[A ].Geoscience and Remote Sensing Symposi 2um ,2003.4010-4012.
[9] DU L J ,GRUN ES M R.Unsupervised segmentation of multi -polarization SAR images based on amplitude and texture char 2acteristics [A ].Geoscience and Remote Sensing Symposium ,2000.1122-1124.
[10] V ELLOSO M F ,SOU ZA F J.Multiespect ral fuzzy texture un 2
supervised segmentation [A ].Geoscience and Remote Sensing Symposium ,2005.3728-3731.
[11] J UN G M ,YUN E J ,KIM C S.Multiresolution approach for
texture segmentation using MRF models [A ].Geoscience and Remote Sensing Symposium ,2005.3971-3974.
[12] TSEN G D C ,TSAI H M.Unsupervised texture segmentation
for multispectral remote -sensing images[J ].Pattern Recogni 2tion ,1998,2:1630-1632.
[13] WAN G B ,ZHAN G L M.Supervised texture segmentation u 2
sing wavelet transform[J ].Neural Networks and Signal Pro 2cessing ,2003,12:1078-1082.
[14] PEN G L ,ZHAO Z M ,MA J L.Texture image segmentation
based on wavelet -domain hidden Markov models[A ].Geosci 2ence and Remote Sensing Symposium ,2004.3829-3832.
[15] GUO D H ,A TL U RI V ,NABILADAM.Texture -based re 2
mote -sensing image segmentation[A ].Multimedia and Expo ,2005.1472-1475.
[16] MAN IAN V ,VASQU EZ R ,KA TIYAR P.Texture classifica 2
tion using logical operators [J ].Image Processing ,2000,9(10):1693-1703.
[17] CH EN C F.Segmentation of high resolution satellite imagery
using texture and spectral information[A ].Geoscience and Re 2mote Sensing Symposium ,2003.3158-3160.
[18] HUAN G H P ,WU B F ,FAN J L.Analysis to the relationship of
classification accuracy ,segmentation scale ,image resolution [A ].G eoscience and Remote Sensing Symposium ,2003.3671-3673.
Extraction of P addy Field Using Objects -Oriented Fuzzy Classif ication Approach B ased
on T exture Characteristic
WAN G Hai -jun 1,L E Cheng -feng 2
(1.De partment of Post -Graduates ,N anj ing Universit y of I nf ormation Science &Technolog y ,N anj i ng 210044;
2.J iangsu Provincial Key L aboratory of Geog rap hic I nf ormation S cience ,
N anj ing N ormal Universit y ,N anj ing 210046,China )
Abstract :Redundancy polygons and spots appeared in the classification result when using object -oriented approach to classify remote sensing images.To overcome the shortcoming ,a texture -based segmentation approach was proposed.Firstly ,pretreat 2ment to original image was taken to obtain texture character image ,which includes texture enhancement ,principal component a 2nalysis ,low pass and slice segmentation and so on.Secondly ,taking the character image as single band to combine with other bands and obtain texture -enhanced image ,and then carry out multi -scale segmentation and fuzzy classification.Two approa 2ches were tried to extract the paddy field of Pukou district in Nanjing with SPO T image in September 2002.The result indicates that :compared to the original approach ,the proposed approach improves the classification quality.It avoids the phenomenon of massive redundant polygons and many spots appearing in the classification image.As a result of fewer polygons ,the difficulty of determining an accurate f uzzy interval is reduced and the classifying precision increased to a great certain.K ey w ords :object -oriented ;texture characteristic ;remote image ;f uzzy classification
页
34第第5期
王海君等:应用基于纹理的面向对象分类模糊方法提取水田信息
第十章面向对象图像特征提取 10.1 面向对象图像分类技术 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、纹理和光谱信息对图像分割和分类，以高精度的分类结果或者矢量输出。它主要分成两个过程：图像对象构建和对象的分类。 FX的操作可分为两个部分：发现对象(Find Object)和特征提取（Extract Features）
10.2 发现对象 10.2.1 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进行一些预处理工作。 （1）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ENVI主菜单->Basic Tools->Resize Data工具实现。 （2）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ENVI主菜单->Basic Tool->layer stacking工具实现。 （3）多源数据组合 （4）空间滤波 10.2.2发现对象 第一步启动FX模块 （1）在ENVI EX中，选择File-Open,打开图像文件qb_colorado.img，如图10.1。 （2）在ENVI EX中，双击Toolbox中的Feature Extraction。选择输入文件（图10.2），单击Select Additional Files前的三角形符号，有三种数据可输入： Basic Image:必选项 辅助数据（Ancillary Data）:可选项 掩膜文件（Mask File）:可选项 （3）单击OK按钮，进入下一步操作。
透切理解面向对象三大基本特性是理解面向对象五大基本原则的基础 三大特性是：封装,继承,多态 所谓封装，也就是把客观事物封装成抽象的类，并且类可以把自己的数据和方法只让可信的类或者对象操作，对不可信的进行信息隐藏。封装是面向对象的特征之一，是对象和类概念的主要特性。简单的说，一个类就是一个封装了数据以及操作这些数据的代码的逻辑实体。在一个对象内部，某些代码或某些数据可以是私有的，不能被外界访问。通过这种方式，对象对内部数据提供了不同级别的保护，以防止程序中无关的部分意外的改变或错误的使用了对象的私有部分。 所谓继承是指可以让某个类型的对象获得另一个类型的对象的属性的方法。它支持按级分类的概念。继承是指这样一种能力：它可以使用现有类的所有功能，并在无需重新编写原来的类的情况下对这些功能进行扩展。通过继承创建的新类称为“子类”或“派生类”，被继承的类称为“基类”、“父类”或“超类”。继承的过程，就是从一般到特殊的过程。要实现继承，可以通过“继承”（Inheritance）和“组合”（Composition）来实现。继承概念的实现方式有二类：实现继承与接口继承。实现继承是指直接使用基类的属性和方法而无需额外编码的能力；接口继承是指仅使用属性和方法的名称、但是子类必须提供实现的能力； 所谓多态就是指一个类实例的相同方法在不同情形有不同表现形式。多态机制使具有不同内部结构的对象可以共享相同的外部接口。这意味着，虽然针对不同对象的具体操作不同，但通过一个公共的类，它们（那些操作）可以通过相同的方式予以调用。 五大基本原则 单一职责原则SRP(Single Responsibility Principle) 是指一个类的功能要单一，不能包罗万象。如同一个人一样，分配的工作不能太多，否则一
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。
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：
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：
《面向对象程序设计》课程复习 〇、成绩构成 1、平时成绩：15分（考勤+作业） 2、实验成绩：25分（实验+课程设计） 3、考试成绩：60分 一、考试题型 选择题30分 填空题20分 判断题15分 简答5分 程序分析20分 程序编写10分 二、选择题 1.C++代码源文件的扩展名应为( B) A. c B. cpp C.obj D.exe 2.函数声明为：char fun(int a); float fun(char *p); int fun(int &b); 则以下函数调用语句正确的是( C) A. fun(5) B. int b; fun(&b); C. char *p; fun(p); D. int a; fun(a) 3.标准输入流对象cin无法读取( C) A. 数值 B. 字符串 C. 空白字符 D. 字符 4.不是C++关键字的是(C) A. mutable B. class C. Friend D. virtual 5.通过( A)方法可以在现有类基础上定义新类。 A. 继承 B. 引用 C. 包含 D.封装 6.成员函数亦可声明为静态的，但是它不能直接访问类的（D）数据成员 A. 私有 B. 静态 C. 常量 D. 非静态 7.若类B的定义中私有数据成员i为常数据成员，则( D ) A. 数据成员i不能被一般的成员函数所访问 B. 数据成员i的初始化可以在构造函数的函数体中实现//不能再函数体中，只能通 过参数初始化表
C. 数据成员i可以被常成员函数访问和赋值 D. 以上均不对 8.在编译时，将所调用的函数代码嵌入到主调函数中，这种嵌入到主调函数中的函数不能称为(D) A. 内置函数 B. 内联函数 C. 内嵌函数 D. 嵌套函数 9.存储以下数据，占用存储字节最多的是( D) A. NULL B. '0' C. "0" D. 0.0 10.面向对象的程序是( D)两者的组合 A. 算法和数据结构 B. 对象和函数 C. 函数和算法 D. 对象和消息 11.如果调用带有默认参数的函数时缺少一个参数，则（C）参数就作为这一参数 A. 第1个 B. 中间1个 C. 最后一个 D. 系统随机选择 12.假定A为一个类，则执行A a, b[2], *p=&a, c(*p);语句后，程序将要结束时，共调用该类析构函数的次数应为( C) A. 2 B. 3 C. 4 D. 5 13.已有定义：char * p="ABC"；则下面语句正确的是( D) A. *p="ABC"; B. p[0]="A"; C. p[2]='C'; D. char c=p[1]; 14.已知f1和f2是同一类的两个成员函数，但f1不能直接调用f2，这说明( B) A. f1和f2都是静态函数 B. f1是静态函数，f2不是静态函数 C. f1不是静态函数，f2是静态函数 D. f1和f2都不是静态函数 15.下列关于函数模板与类模板的描述中，不正确的是( D) A. 函数模板的实例化是由编译程序在处理函数调用时自动完成 B. 类模板的实例化必须由程序员在程序中显式的指定 C. 函数模板与类模板均可以显式调用 D. 定义函数模板时可以使用多个类型参数，而类模板不可以 16.对于语句cout>>a;,下列描述中不正确的是( C) A. “cout”是一个输出流对象 B. 该语句错误使用了运算符 C. “>>”称作插入运算符(提取) D. 该语句需要头文件iostream 17.下面运算符中，不能被重载的运算符是( C) A. <= B. － C. ?: D. ［］ 18.以下不属于面向对象的程序设计语言的是( D ) A. C# B. C++ C. Java D. C 19.下列关于C++中运算符重载的描述中，错误的是( C)
【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。
监督分类和面向对象分类流程 高分一号城市绿地现状调查与分析实现教程将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。第一章数据预处理因为处理数据是高分一号影像，处理软件为，因为以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置，然后就可以打开高分影像了图二图三为了加快数据处理的速度，是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图：
图四辐射校正分为辐射定标和大气校正打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件；辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：高分一号多光谱影像参数设置高分一号全色影像参数设置大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
面向对象的三个基本特征（讲解） 面向对象的三个基本特征是：封装、继承、多态。 封装 封装最好理解了。封装是面向对象的特征之一，是对象和类概念的主要特性。 封装，也就是把客观事物封装成抽象的类，并且类可以把自己的数据和方法只让可信的类或者对象操作，对不可信的进行信息隐藏。 继承 面向对象编程(OOP) 语言的一个主要功能就是“继承”。继承是指这样一种能力：它可以使用现有类的所有功能，并在无需重新编写原来的类的情况下对这些功能进行扩展。 通过继承创建的新类称为“子类”或“派生类”。 被继承的类称为“基类”、“父类”或“超类”。 继承的过程，就是从一般到特殊的过程。 要实现继承，可以通过“继承”（Inheritance）和“组合”（Composition）来实现。 在某些OOP 语言中，一个子类可以继承多个基类。但是一般情况下，一个子类只能有一个基类，要实现多重继承，可以通过多级继承来实现。 继承概念的实现方式有三类：实现继承、接口继承和可视继承。 实现继承是指使用基类的属性和方法而无需额外编码的能力； 接口继承是指仅使用属性和方法的名称、但是子类必须提供实现的能力； 可视继承是指子窗体（类）使用基窗体（类）的外观和实现代码的能力。 在考虑使用继承时，有一点需要注意，那就是两个类之间的关系应该是“属于”关系。例如，Employee 是一个人，Manager 也是一个人，因此这两个类都可以继承Person 类。但是Leg 类却不能继承Person 类，因为腿并不是一个人。
抽象类仅定义将由子类创建的一般属性和方法，创建抽象类时，请使用关键字Interf ace 而不是Class。 OO开发范式大致为：划分对象→抽象类→将类组织成为层次化结构(继承和合成) →用类与实例进行设计和实现几个阶段。 多态 多态性（polymorphisn）是允许你将父对象设置成为和一个或更多的他的子对象相等的技术，赋值之后，父对象就可以根据当前赋值给它的子对象的特性以不同的方式运作。简单的说，就是一句话：允许将子类类型的指针赋值给父类类型的指针。 实现多态，有二种方式，覆盖，重载。 覆盖，是指子类重新定义父类的虚函数的做法。 重载，是指允许存在多个同名函数，而这些函数的参数表不同（或许参数个数不同，或许参数类型不同，或许两者都不同）。 其实，重载的概念并不属于“面向对象编程”，重载的实现是：编译器根据函数不同的参数表，对同名函数的名称做修饰，然后这些同名函数就成了不同的函数（至少对于编译器来说是这样的）。如，有两个同名函数：function func(p:integer):integer;和function func(p:string):integer;。那么编译器做过修饰后的函数名称可能是这样的：int_func、s tr_func。对于这两个函数的调用，在编译器间就已经确定了，是静态的（记住：是静态）。也就是说，它们的地址在编译期就绑定了（早绑定），因此，重载和多态无关！真正和多态相关的是“覆盖”。当子类重新定义了父类的虚函数后，父类指针根据赋给它的不同的子类指针，动态（记住：是动态！）的调用属于子类的该函数，这样的函数调用在编译期间是无法确定的（调用的子类的虚函数的地址无法给出）。因此，这样的函数地址是在运行期绑定的（晚邦定）。结论就是：重载只是一种语言特性，与多态无关，与面向对象也无关！引用一句Bruce Eckel的话：“不要犯傻，如果它不是晚邦定，它就不是多态。” 那么，多态的作用是什么呢？我们知道，封装可以隐藏实现细节，使得代码模块化；继承可以扩展已存在的代码模块（类）；它们的目的都是为了——代码重用。而多态则是为了实现另一个目的——接口重用！多态的作用，就是为了类在继承和派生的时候，保证使用“家谱”中任一类的实例的某一属性时的正确调用。 概念讲解 泛化（Generalization） 图表1 泛化
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/7417043314.html,
面向对象分析 软件开发的分析过程就是提取系统需求的过程， 分析工作主要包括理解、表达和验 证。面向对象分析的关键是识别问题域内的对象及其关系。 本章内容主要包括： 面向对 象分析的基本过程、发现对象的方法、定义属性与服务、定义结构、实例连接等。 8.1 基础知识 8.1.1 分析的基本过程 一般来说，需求分析过程是系统分析员与领域专家反复交流和多次修正的过程。 也就是说，理解和验证的过程通常交替进行， 反复迭代，而且往往需要利用原型系 统作业辅助工具。面向对象分析，就是抽取和整理用户需求并建立问题域精确模型 的过 程。 8.1.2 发现对象的方法 问题域和系统责任是面向对象分析的基本出发点。 分析员的主要工作就是：通过 不断地研究问题域，建立一个能满足用户需求的系统模型。 1 .系统责任 系统开发初期，用户对系统提出的各种要求和期望就是用户需求。 的功能、性能、可靠性、保密要求、交互方式等技术性要求和资金强度、 资源使用限制等非技术要求。分析员提高分析这些系统需求，逐渐搞清系统责任。 2?问题域研究方法 要发现对象、定义对象类、主要途径就是研究问题域。 方法是：现场跟单、获取领域知识、吸收经验、听取用户见解。 3?确定系统边界 在系统的分析与设计中， 由于是将实际的系统计算机化， 统与它的周围都要发生联系。 那么我们如何确定系统边界， 键的问题。确定系统边界就是划出被开发的系统和与该系统打交道的人或物之间的 明确界限，并确定它们之间的接口。 8.1.3 定义属性与服务 面向对象的程序设计以对象为基本单位来组织系统中的数据与操作， 题域中的直接映射。 面向对象方法用对象表示问题域中的事务， 而事务的静态特征和动态特征分别 用对象中的一组属性和服务来表示。 1 .定义属性 为了发现对象的属性，就要借鉴与以往相似的问题域中是 否有已开发的面 向对象分析模型，就可能复用其中同类对象的属性定义。 问题域和系统责任，以系统责任为目标进行正确的抽象， 应有的属性。 2.定义服务 它包括系统 交付时间、 研究问题域采用的主要 而实际存在的客观系 是分析与设计中一个关 形成对问 然后，是研究当前的 从而找出每一类对象
高分一号城市绿地现状调查与分析实现教程 本文将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程（图一） 图一 首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。 第一章数据预处理 因为处理数据是高分一号影像，本文处理软件为ENVI5.1，因为ENVI5.2以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置（图二），然后就可以打开高分影像了（图三）
图二 图三 为了加快数据处理的速度，本文是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图（图四）： 图四 1.1 辐射校正 分为辐射定标和大气校正
（1）打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件； （2）辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据 弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：
高分一号多光谱影像参数设置 高分一号全色影像参数设置 （3）大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
面向对象程序设计教程（C++语言描述）题解与课程设计指导 第1章 面向对象程序设计概论 一、名词解释 抽象封装消息 【问题解答】 面向对象方法中的抽象是指对具体问题（对象）进行概括，抽出一类对象的公共性质并加以描述的过程。 面向对象方法中的封装就是把抽象出来的对象的属性和行为结合成一个独立的单位，并尽可能隐蔽对象的内部细节。 消息是面向对象程序设计用来描述对象之间通信的机制。一个消息就是一个对象要求另一个对象实施某种操作的一个请求。 二、填空题 （1）目前有面向过程的结构化程序设计方法和面向对象的程序设计方法两种重要的程序设计方法。 （2）结构化程序设计方法中的模块由顺序、选择和循环3种基本结构组成。（3）在结构化程序设计方法中，程序可表示为程序=数据结构+算法；而面向对象的程序设计方法，程序可表示为程序=对象+消息。 （4）结构化程序设计方法中的基本模块是过程；而面向对象程序设计方法中的基本模块是类。 （5）面向对象程序设计方法具有抽象性、封装性、继承性和多态性等特点。 三、选择题（至少选一个，可以多选） （1）面向对象程序设计着重于（ B ）的设计。 A. 对象 B. 类 C. 算法 D. 数据 （2）面向对象程序设计中，把对象的属性和行为组织在同一个模块内的机制叫做（ C ）。 A. 抽象 B. 继承 C. 封装 D. 多态 （3）在面向对象程序设计中，类通过（ D ）与外界发生关系。 A. 对象 B. 类 C. 消息 D. 接口 （4）面向对象程序设计中，对象与对象之间的通信机制是（ C ）。 A. 对象 B. 类 C. 消息 D. 接口 （5）关于C++与C语言的关系的描述中，（ D ）是错误的。 A. C语言是C++的一个子集 B. C语言与C++是兼容的 C. C++对C语言进行了一些改进 D. C++和C语言都是面向对象的 【结果分析】 C语言是面向过程的。C++语言是一种经过改进的更为优化的C语言，是一种混合型语言，既面向过程也面向对象。 （6）面向对象的程序设计将数据结构与（ A ）放在一起，作为一个相互依存、不可分割的整体来处理。
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
面向对象的三个基本特征详解 面向对象的三个基本特征是：封装、继承、多态。 封装 封装最好理解了。封装是面向对象的特征之一，是对象和类概念的主要特性。 封装，也就是把客观事物封装成抽象的类，并且类可以把自己的数据和方法只让可信的类或者对象操作，对不可信的进行信息隐藏。 继承 面向对象编程（OOP）语言的一个主要功能就是''继承"。继承是指这样一种能力：它可以使用现有类的所有功能，并在无需重新编写原来的类的惜况下对这些功能进行扩展。 通过继承创建的新类称为''子类"或''派生类"。 被继承的类称为''基类"、''父类"或''超类"。 继承的过程，就是从一般到特殊的过程。 要实现继承，可以通过''继承^Inheritance）和''组合"（Composition）来实现. 在某些OOP语言中，一个子类可以继承多个基类。但是一般惜况下，一个子类只能有一个基类，要实现多重继承，可以通过多级继承来实现。 继承概念的实现方式有三类：实现继承、接口继承和可视继承。 1、实现继承是指使用基类的属性和方法而无需额外编码的能力； 2、接口继承是指仅使用属性和方法的名称、但是子类必须提供实现的能力； 3、可视继承是指子窗体（类）使用基窗体（类）的外观和实现代码的能力。 在考虑使用继承时，有一点需要注意，那就是两个类之间的关系应该是''属于"关系。例如，Employee是一个人，Manager也是一个人，因此这两个类都可以继承Person 类。但是Leg类却不能继承Person类，因为腿并不是一个人。 抽象类仅定义将由子类创建的一般属性和方法，创建抽象类时，请使用关键字Interface 而不是Class. 00开发范式大致为：划分对象?抽象类?将类组织成为层次化结构（继承和合成）
●下面关于面向对象方法中消息的叙述，不正确的是____(2)__。 (2)A. 键盘、鼠标、通信端口、网络等设备一有变化，就会产生消息 B．操作系统不断向应用程序发送消息，但应用程序不能向操作系统发送消息C. 应用程序之间可以相互发送消息 D．发送与接收消息的通信机制与传统的子程序调用机制不同 正确答案：B 【解析】在系统中既使用对象又使用类和继承等机制，而且对象之间仅能通过传递消息实现彼此的通信，这样的方法才称为"面向对象的方法"。 ●面向对象技术中，对象是类的实例。对象有三种成份：____(3)____、属性和方法(或操作)。 (3) A. 标识B. 规则C. 封装D. 消息 正确答案：A 解析：对象有三种成份：标识(对象名)、属性和方法(或操作)。 ●在面向对象技术中，类属是一种__(1)__机制。一个类属类是关于一组类的一个特性抽象，它强调的是这些类的成员特征中与__(2)__的那些部分，而用变元来表示与__（3）__的那些部分。 （1）A.包含多态B.参数多态C.过载多态D.强制多态 （2）A.具体对象无关B.具体类型无关C.具体对象相关D.具体类型相关 （3）A.具体对象无关B.具体类型无关C.具体对象相关D.具体类型相关 解析：在面向对象技术中，对象在收到信息后要予以响应。不同的对象收到同一消息可产生完全不同的结果，这一现象称为多态。多态有多种不同的形式，其中参数多态和包含多态称为通用多态，过载多态和强制多态成为特定多态。参数多态应用比较广泛，被称为最纯的多态。这是因为同一对象、函数或过程能以一致的形式用于不同的类型。包含多态最常见的例子就是子类型化，即一个类型是另一类型的子类型。过载多态是同一变量被用来表示不同的功能，通过上下文以决定一个类所代表的功能。即通过语法对不同语义的对象使用相同的名，编译能够消除这一模糊。强制多态是通过语义操作把一个变元的类型加以变换，以符合一个函数的要求，如果不做这一强制性变换将出现类型错误。类型的变换可在编译时完成，通常是隐式地进行，当然也可以在动态运行时来做。类属类(generic class)仅描述了适用于一组类型的通用样板，由于其中所处理对象的数据类型尚未确定，因而程序员不可用类属类直接创建对象实例，即一个类属类并不是一种真正的类类型。类属类必须经过实例化后才能成为可创建对象实例的类类型。类属类的实例化是指用某一数据类型替代类属类的类型参数。类属类定义中给出的类型参数称为形式类属参数，类属类实例化时给出的类型参数称为实际类属参数。如果类属类实例化的实际类属参数可以是任何类型，那么这种类属类称为无约束类属类。然而在某些情况下，类属类可能要求实际类属参数必须具有某些特殊的性质，以使得在类属类中可应用某些特殊操作，这种类属类称为受约束类属类。