下载文档原格式
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
面向对象的高分辨率遥感影像信息提取)))以耕地提取为例李敏¹,º,崔世勇º,李成名º,印洁º,李云岭¹(¹山东科技大学测绘学院,青岛266510;º中国测绘科学研究院,北京100039)摘要:随着高分辨率遥感影像的广泛应用,面向对象的高分辨率影像信息提取技术得到了迅速发展。
本文着重讨论面向对象的高分辨率遥感信息提取的关键技术,探索了面向对象的影像分析软件eCognition 在耕地信息提取方面的最优参数选择,并且从IK ONO S 影像中提取的耕地信息与传统分类方法的提取结果进行对比。
试验结果表明该方法具有较高的精度。
关键词:面向对象;高分辨率;信息提取;eCognit ion中图分类号:T P751 文献标识码:A 文章编号:1000-3177(2008)100-0063-04收稿日期:2008-03-03修订日期:2008-05-04作者简介:李敏(1983~),女,硕士,主要从事地理信息与遥感应用研究。
E -m ail:limin82128@1 引 言随着高分辨率遥感卫星的发展,具有丰富的几何结构和纹理信息的高分辨率遥感影像扩充了人们的视野,同时又为遥感信息提取技术提供了新的发展机遇。
传统的遥感信息提取方法都建立在像素的统计特征基础上,很少利用地物的形状、几何结构等信息,分类精度较低、效率不高,而且依赖解译人员,很大程度上不具备重复性。
为了更好地利用高分辨率遥感影像的丰富信息,实现高分辨率遥感影像的信息提取,面向对象的影像分析方法应运而生,它所处理的信息不再是低层次的像素,而是经过多尺度分割之后的目标对象。
与像素层面的分析方法相比,影像分析和理解的层次有了很大的提高和进步。
尤其是第一个面向对象的影像分析软件eCognitio n 的出现,更加速了该方法的发展。
本文就基于eCog nition 进行研究。
2 面向对象的信息提取技术2.1面向对象信息提取技术发展历程早在20世纪70年代面向对象的信息提取方法就被应用于遥感影像的解译中,Ketting and Land -g rebe(1976)提出了同质性对象提取的优点,并提出了一种分割分类算法)))ECH O (Ex tr actio n andClassificatio n o f H omog enous Objects)[1]。
遥感图像的特征提取与空间分析方法遥感图像是一种通过卫星、飞机等远距离方式获取地球表面信息的技术。
随着遥感技术的不断进步和应用领域的拓展，遥感图像的特征提取和空间分析方法也成为研究的热点之一。
本文将探讨遥感图像特征提取与空间分析方法的相关内容，包括常用的特征提取方法、特征的分类和应用以及空间分析方法的原理和应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是最基础的一种方法，它通过分析每个像素点的亮度、颜色等属性来提取图像特征。
常见的方法有灰度共生矩阵、颜色直方图和纹理特征等。
其中，灰度共生矩阵通过计算像素之间的灰度分布概率来描述图像的纹理特征，颜色直方图通过统计图像中像素的颜色分布情况来提取图像的颜色特征。
2. 基于区域的特征提取方法基于区域的特征提取方法是将图像分割成若干个区域，然后提取每个区域的特征。
常用的方法有边缘检测、聚类分析和形态学处理等。
边缘检测可以提取图像中的边界信息，聚类分析可以将相似的像素点分到同一个区域中，形态学处理可以提取图像中的纹理和形状信息。
二、特征的分类和应用根据特征的性质和应用场景的不同，特征可以分为几何特征、频谱特征和纹理特征等。
几何特征包括面积、周长、形状等，频谱特征包括反射率、辐射度等，纹理特征包括纹理均匀度、纹理方向等。
这些特征在不同领域的应用也有所不同。
1. 土地利用与覆盖变化研究土地利用与覆盖变化研究是遥感图像应用的一个重要领域，它可以通过提取图像的频谱特征和纹理特征来监测和分析土地的利用情况和覆盖变化。
例如，利用遥感图像的反射率特征可以判断农田的健康状况，利用纹理特征可以分析城市建设的扩张情况。
2. 灾害监测与评估灾害监测与评估是遥感图像应用的另一个重要领域，它可以通过提取图像的几何特征和纹理特征来识别和分析灾害的类型和程度。
例如，在地震灾害监测中，可以利用遥感图像的几何特征和纹理特征来评估建筑物的倒塌程度和人员伤亡情况。
三、空间分析方法空间分析方法是对遥感图像进行空间变化和空间关系分析的一种方法。
高分辨率遥感影像面向对象耕地信息提取方法探讨摘要:随着高分辨率遥感技术发展,高分辨率遥感影像得到广泛应用,特别是高分辨率遥感影像面向对象信息提取技术应用广泛。
本文以某地区遥感影像为基础数据,探讨了高分辨率遥感影像面向对象耕地信息提取的技术方法,并对耕地信息提取实验结果进行精度评价,得到了良好的效果。
关键词:面向对象特征提取耕地随着遥感卫星技术的发展,高分辨率遥感影像得到了普遍应用,遥感信息提取技术得到了快速发展,特别是面向对象高分辨率遥感影像信息提取技术的实现,为人们的生产生活提供了极大方便。
面向对象提取技术促进了影像分析技术的发展[1],与传统的基于像素的分类结果相比,基于目标对象的方法得到的结果更容易被解译,而且处理结果中图斑的完整性更好[2]。
特别是利用面向对象的分类方法进行了耕地信息提取,能达到理想的精度,效果较好。
本文就基于ENVI EX高分辨率遥感影像面向对象耕地信息提取技术方法进行探讨。
1 研究区域和影像数据1.1 数据源为了准确的提取耕地信息,选择某城市全色波段与多光谱融合后的影像作为实验数据,研究区域中包括典型的耕地,以及少量的建筑物和水体。
2 耕地信息提取及分类2.1 发现对象2.1.1 准备工作根据数据源和特征提取类型等情况,进行分类提取之前,可以有选择地对对原始影像进行几何校正、辐射校正等预处理工作,如调整空间分辨率、调整光谱分辨率等。
2.1.2 影像分割及分割参数的确定影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值,决定生成最小多边形的级别大小,分割的质量及信息提取的精度。
ENVI EX提供了一种阈值法进一步精炼分块的方法,即基于亮度值的栅格操作,根据分割后结果中的一个波段的亮度值聚合分块。
分割效果的好坏一定程度决定了分类效果的精确度,结合preview 预览分割效果,选择一个理想的分割阀值,尽可能好地分割出边缘特征。
根据参数选择原则,设置分割参数,通过试验得出,分割尺度为50,耕地类型能够被准确的分割出来,该参数比较合适。
遥感图像信息提取方法综述遥感图像分析遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。
多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。
在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。
在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。
像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。
其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。
物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。
第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。
1、遥感信息提取方法分类常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
1.1目视解译目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。
早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。
1）遥感影像目视解译原则遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。
一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。
面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法，是一种基于遥感影像对象提取技术实现的阴影变化检测方法。
该方法主要分为以下几个步骤：
1. 数据预处理：读取高分辨率遥感影像，进行预处理操作，包括灰度校正、空间校正、大气校正等。
2. 影像分割：使用Mean-Shift算法或Watershed算法进行影像分割，将遥感影像分割成多个对象。
3. 特征提取：根据光学特性和形态特征等选取阴影提取特征，如颜色、形状、纹理、边缘等，计算每个对象的特征向量。
4. 阴影提取：将特征向量输入到分类器中进行分类处理，判断每个对象是否是阴影，将阴影对象分割出来。
5. 阴影变化检测：对两幅遥感影像进行阴影提取，比较两幅影像中的阴影对象是否存在变化，建立变化检测模型。
该方法具有提取精度高、计算速度快等优点，可以广泛应用于城市规划、土地利用、生态环境等领域。
面向对象的遥感影像信息提取摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。
面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。
面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。
关键词：多尺度分割、分类、遥感影像、面向对象Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。
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。
表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表2、ENVI FX简介全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
面向遥感影像分类、目标识别及提取的深度学习方法研究一、内容概述随着遥感技术的不断发展，遥感影像在各个领域的应用越来越广泛。
针对遥感影像的分类、目标识别及提取，本文提出了一种基于深度学习的方法研究。
本文首先分析了当前遥感影像处理技术的发展现状和存在的问题，指出了利用深度学习方法解决遥感影像分类、目标识别及提取问题的重要性和紧迫性。
本文介绍了所提出的深度学习模型，包括网络结构、损失函数、优化算法等。
通过大量实验验证了所提方法的性能和有效性。
总结了本文的主要工作和贡献，并对未来的研究方向进行了展望。
本文的研究对于推动遥感影像处理技术的发展具有重要意义，可为相关领域的研究和应用提供参考和借鉴。
1. 遥感影像的重要性及其应用领域随着科技的飞速发展，遥感技术在地理信息获取、环境监测和资源勘查等领域发挥着越来越重要的作用。
遥感影像作为遥感信息的主要载体，其重要性和应用价值日益凸显。
高分辨率遥感影像能够全面呈现地物的外观和属性，为全球气候变化、土地利用、城市规划等领域的科学研究提供丰富的数据支持；而借助深度学习技术，遥感影像的分类、目标识别以及信息提取等问题也得以有效解决，推动了遥感信息化、智能化水平的显著提升。
为了满足各类遥感应用的需求，对高分辨率遥感影像的处理和分析能力也在不断提高。
借助深度学习算法，遥感影像能够被更有效地处理、分析和利用。
遥感影像已经成为地理信息科学、计算机视觉、模式识别等多个学科领域的研究热点，为众多领域的科研和应用提供了强大的技术支撑。
遥感影像的重要性及其在各大领域的应用价值是不容忽视的。
而深度学习方法的发展为遥感影像的获取、处理、分析和应用带来了更多的可能性和挑战，预示着遥感技术在未来将有更广泛的应用前景。
2. 深度学习在遥感影像处理中的研究现状与挑战随着深度学习技术的飞速发展，其在遥感影像处理领域的应用也日益广泛。
通过构建深度神经网络模型，实现对遥感影像的自动分类、目标识别以及信息提取已经取得了显著的进展。
遥感影像特征提取的原理遥感影像特征提取是指从遥感影像中提取出用于描述地物信息的特征，以便进行地物分类、目标检测、地图制图等应用。
特征提取是遥感图像处理的关键步骤之一，其原理涉及数学、物理以及图像处理等领域。
遥感影像特征提取的原理可以归纳为以下几个步骤：1. 数据预处理：遥感影像通常受到大气、地表反射、周围环境等因素的干扰，因此在进行特征提取之前，需要对影像数据进行预处理。
预处理的步骤包括辐射校正、大气校正、几何校正等，以提高影像数据的质量和准确性。
2. 特征选择：在特征提取之前，需要进行特征选择，即从遥感影像中选择与所需任务相关的特征。
常用的特征包括光谱特征、纹理特征、形状特征、结构特征等。
选择合适的特征可以提高分类精度和检测效果。
3. 特征提取：在选择了适当的特征后，可以通过数学和图像处理方法对遥感影像进行特征提取。
常用的特征提取方法包括灰度共生矩阵（GLCM）、主成分分析（PCA）、小波变换、粗糙集理论等。
这些方法可以从不同维度提取地物的光谱、几何、纹理等特征。
4. 特征降维：由于遥感影像数据维度较高，特征维数过多会导致计算复杂性增加，同时可能存在冗余和噪声信息。
为了简化计算和提高分类效果，需要对特征进行降维处理。
常用的降维方法包括主成分分析（PCA）、线性判别分析（LDA）等。
5. 分类和识别：在特征提取与降维后，可以使用机器学习、模式识别等方法对影像进行分类和识别。
常用的分类方法包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。
这些方法可以通过训练样本对特征进行分类，实现对地物的自动识别和分类。
总之，遥感影像特征提取的原理是通过对遥感影像进行数据预处理，选择适当的特征，并使用数学和图像处理方法进行特征提取和降维，最终通过分类和识别方法实现对地物信息的提取和分析。
这一过程需要综合运用遥感、数学、物理和图像处理等多个学科的知识，以提高遥感影像处理的效果和应用的准确性。
利用遥感影像进行测绘数据提取的方法近年来，随着遥感技术的不断发展，越来越多的测绘工作开始依赖遥感影像进行数据提取。
遥感影像具有高分辨率、广覆盖等优势，能够为测绘工作提供丰富的数据来源。
本文将介绍利用遥感影像进行测绘数据提取的一些常见方法，包括图像分类、目标检测和高程提取。
一、图像分类图像分类是利用计算机对遥感影像进行自动分类的方法。
通过对图像进行光谱分析和空间特征提取，可以将图像中的各类地物分割出来，并进行分类操作。
图像分类的步骤包括预处理、特征提取、分类器训练和分类结果验证等。
在图像分类中，特征提取是一个关键的环节。
常见的特征包括光谱特征、纹理特征和形状特征等。
光谱特征是指地物在不同波段上的反射率或亮度值，通过对光谱曲线进行分析，可以获得地物的光谱特征。
纹理特征是指地物的细节和纹理特点，通过对图像进行纹理分析，可以提取出地物的纹理特征。
形状特征是指地物的形状特点，通过对地物的边界进行分析，可以提取出地物的形状特征。
二、目标检测目标检测是利用遥感影像进行目标识别和定位的方法。
目标检测可以用于自然资源调查、城市规划和环境监测等领域。
目标检测的关键是找到目标在图像中的位置，并进行标注和分类。
常见的目标检测方法包括目标区域提取、特征描述和目标分类等。
在目标检测中，目标区域提取是一个重要的步骤。
目标区域提取可以通过阈值分割、边缘检测和区域生长等方法实现。
阈值分割是指利用像素的灰度值进行分割，将灰度值大于阈值的像素设置为目标像素，灰度值小于阈值的像素设置为背景像素。
边缘检测是指通过计算像素间的差值来检测目标的边缘。
区域生长是指从某个种子点开始，根据像素的灰度值相似性来扩展目标区域。
三、高程提取高程提取是利用遥感影像来获取地表的高程信息。
高程提取可以用于地形测量、地形分析和地貌研究等方面。
高程提取的方法主要包括影像匹配和立体视觉等。
影像匹配是利用影像对中的像点对进行配对，从而获取地点的三维坐标。
常见的影像匹配方法包括基于特征点的匹配和基于区域的匹配。
测绘中的遥感影像解译与信息提取技术遥感技术是测绘领域中一项重要的技术手段，它通过获取地球表面的电磁辐射信息，可以获取到大量的空间数据。
这些数据包含了丰富的信息，但是如何通过遥感影像解译和信息提取技术来准确获取有用的信息，是一个非常关键的问题。
一、遥感影像解译技术遥感影像解译技术是分析和推断遥感图像上物体或现象的成因、性质、空间分布等的一种方法。
对于遥感影像的解译，通常分为两个主要步骤：图像预处理和信息解译。
图像预处理包括辐射校正、几何校正等，通过这些处理步骤，可以提高遥感图像的质量和准确性。
而信息解译则是通过分析遥感图像的可见光、红外等波段信息，来确定图像上物体的类型和分布。
在遥感影像解译技术中，一种常用的方法是基于像元分类的方法。
这种方法通过将图像上的像元划分为不同的类别，来实现对图像的解译。
根据图像上像元的特征，利用统计学方法、机器学习等算法，可以将图像上的不同像元分为不同的类别，如建筑物、道路、植被等。
通过对像元进行分类，就可以对整幅图像进行解译和信息提取。
除了基于像元分类的方法，还有一些其他的遥感影像解译方法，如基于目标的解译方法和基于知识的解译方法。
基于目标的解译方法主要是通过对已知物体的特征和形状进行分析，然后在图像上寻找类似的物体进行解译。
而基于知识的解译方法则是利用专家系统和知识库来进行解译，通过对已有知识的应用，来解释遥感图像中的物体和现象。
二、信息提取技术信息提取技术是指在遥感图像解译的基础上，从遥感图像中提取出所需的信息。
遥感图像中包含了大量的地理和环境信息，通过信息提取技术，可以从中获取到各种地物的空间分布、数量、形状等信息。
在信息提取技术中，一种常用的方法是利用图像分割技术。
图像分割是将遥感图像分割成若干个连续的、无交集的区域的过程。
通过图像分割，可以将图像中的不同地物分割成不同的区域，然后针对每个区域进行相应的分析和提取信息。
图像分割可以根据像素的相似性来进行，也可以利用机器学习和人工智能等方法来进行。
遥感数据处理中的特征提取方法与应用技巧遥感技术是指通过高空或高速传感器获取地球表面信息的一种手段。
它通过光电传感器、雷达传感器等设备获取的数据，经过一系列的处理和分析，可以提取出地球表面的特征信息。
特征提取是遥感数据处理的重要环节，本文将介绍几种常用的特征提取方法和应用技巧。
一、图像预处理在进行特征提取之前，首先需要对遥感图像进行预处理。
预处理的目的是去除图像中的噪声和干扰，使图像更加清晰，提高特征提取的精度和准确性。
常见的预处理方法有去噪、边缘增强和图像增强等。
去噪是指去除图像中的噪声信号，常用的方法有平滑滤波、中值滤波和小波滤波等。
平滑滤波是通过邻域平均值或加权平均值来替代噪声像素值，中值滤波则是通过邻域像素的中值来替代噪声像素值，小波滤波则是通过小波变换的方法来滤除噪声。
边缘增强是用于增强图像中的边缘信息，以提高特征提取的效果。
常用的边缘增强方法有Sobel算子、Canny算子和Laplacian算子等。
这些算子可以从图像中提取出边缘信息，使得特征提取更加准确。
图像增强是通过增加图像的对比度和亮度来使图像更加清晰。
常用的方法有直方图均衡化和伽马校正等。
直方图均衡化是通过对图像的直方图进行变换，使得图像的灰度级在整个灰度范围内均匀分布，从而增加图像的对比度。
伽马校正是通过对图像的像素值进行幂次变换，从而调整图像的亮度。
二、特征提取方法特征提取是指从图像中提取出具有代表性的特征信息，以反映地物或目标的性质和特征。
常用的特征提取方法有灰度共生矩阵法、纹理特征提取法和形状特征提取法等。
灰度共生矩阵法是一种常用的纹理特征提取方法，它通过计算图像中像素之间的灰度值差异来反映图像的纹理信息。
该方法通过构建灰度共生矩阵，计算出不同方向上的纹理特征，如对比度、相关性和能量等。
这些特征可以用于地物分类、目标检测和图像匹配等应用。
纹理特征提取法是一种常用的特征提取方法，它通过提取图像中的纹理信息来表征地物或目标的特征。
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。
表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表2、ENVI FX简介全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。
该模块可以在操作过程中随时预览影像分割效果。
该项技术对于高光谱数据有很好的处理效果，对全色数据一样适用。
对于高分辨率全色数据，这种基于目标的提取方法能更好的提取各种具有特征类型的地物。
一个目标物体是一个关于大小、光谱以及纹理（亮度、颜色等）的感兴趣区域。
可应用于：∙ ∙●从影像中尤其是大幅影像中查找和提取特征。
∙ ∙●添加新的矢量层到地理数据库∙ ∙●输出用于分析的分类影像∙ ∙●替代手工数字化过程具有易于操作（向导操作流程），随时预览效果和修改参数，保存参数易于下次使用和与同事共享，可以将不同数据源加入ENVI FX中（DEMs、LiDAR datasets、shapefiles、地面实测数据）以提高精度、交互式计算和评估输出的特征要素、提供注记工具可以标识结果中感兴趣的特征要素和对象等特点。
3、ENVI FX操作说明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），如图1所示。
图1 FX操作流程示意图（红色字体为可选项）3.1 准备工作根据数据源和特征提取类型等情况，可以有选择的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主界面->Basic Tool->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ENVI主界面->Basic Tool->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ENVI 主界面->Basic Tool->layer stacking工具实现。
∙∙●空间滤波如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理。
3.2 发现对象(一)打开数据在ENVI Zoom中打开Processing > Feature Extraction。
如图2所示，Base Image 必须要选择，辅助数据（Ancillary Data）和掩膜文件（Mask File）是可选。
这里选择ENVI自带数据envidata\feature_extraction \ qb_colorado,它是0.6米的快鸟数据。
图2 选择数据(二)影像分割FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。
通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。
选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。
图3 影像分割阈值设定调整滑块阀值对影像进行分割，这里设定阈值为30，点击Next按钮，这时候FX生成一个Region Means 影像自动加载图层列表中，并在窗口中显示，它是分割后的结果，每一块被填充上该块影像的平均光谱值。
接着进行下一步操作。
注：按钮是用来选择分割波段的，默认为Base Image所有波段。
(三)合并分块影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。
我们可以通过合并来解决这些问题。
FX利用了Full Lambda-Schedule 算法。
这一步是可选项，如果不需要可以直接跳过。
图4 合并分块设定一定阈值，预览效果。
这里我们设置的阈值为95，点Next进入下一步。
(四)分块精炼FX提供了一种阈值法（Thresholding）进一步精炼分块的方法。
对于具有高对比度背景的特征非常有效（例如，明亮的飞机对黑暗的停机坪）。
可以将精炼结果生成掩膜图层（Mask），按钮可以修改基于哪个波段。
图5精炼分块这里我们就直接选择No Thresholding（default），点击Next进入下一步操作。
(五)计算对象属性计算4个类别的属性：光谱、空间、纹理、自定义（颜色空间和波段比）。
其中“颜色空间”选择三个RGB波段转换为HSI颜色空间，“波段比”选择两个波段用于计算波段比（常用红色和近红外波段）。
各个属性的详细描述参考ENVI/IDL提供的Feature_Extraction_Module.pdf文档。
图6 对象属性的计算这里我们按照默认全选择，Color Space 选择RGB，Band Ratio选择红色和近红外波段，点击Next按钮进行下一步操作。
目前，已经完成了发现对象的操作过程，接下来是特征的提取。
3.3 特征提取如图7所示，有三种特征提取方法供选择，分别是监督分类、规则分类和直接矢量输出。
图7 特征提取方法选择(一)输出矢量选择Export Vectors，进入图8界面，选择保存路径，属性信息也可选择输出。
图8 直接矢量输出输出完成会出来一个报表。
不关闭FX浮动面板，在ENVI Zoom中将得到的矢量特征加载显示。
点击Previous按钮，回到图7界面。
(二)监督分类在图7界面中选择Classify by selection examples，下一步到如图8所示界面。
图9监督分类界面1)选择样本在ENVI Zoom中，切换到Select方式，双击Feature_1，打开一个类别的属性，如图10所示，修改显示颜色、名称等信息。
图10 修改类别属性信息在分割图上选择一些样本，为了方便样本的选择，可以在ENVI Zoom的图层管理中将原图移到最上层，选择一定数量的样本，如果错选样本，可以在这个样本上点击左键删除。
一个类别的样本选择完成之后，新增类别，用同样的方法修改类别属性和选择样本。
在选择样本的过程中，可以随时预览结果。
可以把样本保存为xml文件以备下次使用。
2)设置样本属性在图9中，切换到Attributes选项。
默认是所有的属性都被选择，可以根据提取的实际地物特性选择一定的属性。
图11 样本属性选择这里我们按照默认全部选择。
3)选择分类方法在图9中，切换到Algorithm选项。
FX提供了两种分类方法：K邻近法（K Nearest Neighbor）和支持向量机（Support Vector Machine ，SVM），如图12所示。
图12 分类方法这里我们选择K邻近法，K参数设置为5，点击下一步，输出结果。
4)输出结果特征提取结果可以以两种格式输出，矢量和图像，如图12所示。
矢量可以是所有分类以单个文件输出或者每一个类别分别输出；图像可以把分类结果和规则结果分布输出。
图13输出分类结果这里我们选择单个文件以及属性数据一块输出，分类图像和规则图像一块输出。
点击Next按钮完成输出，同时可以看到整个操作的参数和结果统计报表。
图14分类结果和统计报表(三)规则分类在图7界面中选择Classify by creating rules，点击Next，到图15规则分类界面。
每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。
规则与规则直接是与的关系，属性表达式之间是并的关系。
同一类地物可以由不同规则来描述，比如水体，水体可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述规则就不一样，需要多条规则来描述。
每条规则又有若干个属性来描述，如下是对水的一个描述：∙ ∙●面积大于500像素∙ ∙●延长线小于0.5∙ ∙●NDVI小于0.3对道路的描述：∙ ∙●延长线大于0.9∙ ∙●紧密度小于0.3∙ ∙●标准差小于20图15规则分类这里以提取居住房屋为例来说明规则分类的操作过程。
首先分析影像中容易跟居住房屋错分的地物有：道路、森林、草地以及房屋旁边的水泥地。
双击Feature_1图标，修改好类别的相应属性。
1)第一条属性描述，划分植被覆盖和非覆盖区双击rule ，打开对象属性选择面板，如图16所示。
选择Customized->bandratio。
FX会根据选择的波段情况技术波段比值，比如这里在属性计算步骤中选择的Ratio Band是红色和近红外波段，所以此时计算的是NDVI。
