下载文档原格式
面向对象图像特征提取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。
❶发现对象①启动ENVI EX，在ENVI EX中，选择File >> Open>>选择目录：D:\遥感数字图像处理实验\实验数据\面向对象图像特征提取，选择qb_colorado.img图像文件，打开图像文件。
Qb_colorado.img②在ENVI EX 中，双击Toolbox中的Feature Extraction ，选择输入文件qb_colorado.img如下图，单击Select Additional Files 前的三角形符号。
Base Image : 必选项，基本图像数据。
Ancillary data (辅助数据)：可将栅格文件作为辅助数据加入FX中，以提高提取精度，如高程数据等。
Mask file (掩膜文件)：定义Base Image 的掩膜区，只提取感兴趣区域的特征。
这里我们只选择一个图像数据作为Base Image ,不选择掩膜文件和辅助数据。
③单击OK ，进入下一步操作。
设定分割阈值❷图像分割①在scale level 项中，通过滑块或者手动输入一个分割阈值。
这里我们选择经验值40.②单击select onput bands 下的按钮，可以选择波段，这里我们选择默认波段。
③将Preview 前的复选框打钩，在zoom图像显示区出现一个矩形预览区。
如下图分割效果预览④设置好参数后单击Next按钮，只是FX生成一个Region means 图像自动加载到图层列表中（Layer manager ）并在窗口中显示。
它是分割后的结果，每一分割块被填充上该块图像的平均光谱值。
❸合并分块1、在Merage level 项中，通过滑块或者手动输入一个分割阈值。
值越大被合并的块越多,这里我们输入94.0设定分块合并阈值2、单击Next 按钮，进入下一步❹分块精炼①单击Thresholding (advanced)选项，在Thresholding选项中，可以设定灰度值的范围，这里我们直接选择No Thresholding (default)。
影像信息提取之--面向对象特征提取流程“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。
类型基本原理影像的最小单元适用数据源缺陷传统地物的单个的中低分辨丰富的空基于光谱的分类方法光谱信息特征影像像元率多光谱和高光谱影像间信息利用率几乎为零基于专家知识决策树根据光谱特征、空间关系和其他上下文关系归类像元单个的影像像元多源数据知识获取比较复杂面向对象的分类方法几何信息、结构信息以及光谱信息一个个影像对象中高分辨率多光谱和全色影像速度比较慢表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。
遥感影像处理中的分类与目标提取方法遥感影像处理是利用遥感技术获取的遥感影像数据进行分析、处理和应用的过程。
在遥感影像处理中，分类和目标提取是非常重要的步骤。
分类是将遥感影像中的像素或区域划分到不同的类别中，而目标提取则是从遥感影像中提取出感兴趣的目标对象。
一、分类方法1.1 基于像素的分类方法基于像素的分类方法是将遥感影像中的每一个像素点都进行分类，常见的分类方法包括最大似然分类、支持向量机和随机森林等。
这些方法通过对每个像素的特征进行分析，将其划分到最适合的类别中。
1.2 基于目标的分类方法与基于像素的分类方法不同，基于目标的分类方法将遥感影像中的目标对象作为分类的基本单元。
例如，在城市遥感影像中，目标可以是建筑物、道路或植被等。
这种方法首先对目标进行提取，然后通过对提取的目标进行特征分析和分类。
二、目标提取方法2.1 基于形状特征的目标提取方法基于形状特征的目标提取方法主要是通过对目标的形状进行分析和比较来提取目标。
例如，可以使用边缘检测算法来提取目标的轮廓，然后通过对轮廓的形状进行分析和比较。
这种方法适用于目标具有明显边界和规则形状的情况，如建筑物和道路等。
2.2 基于纹理特征的目标提取方法基于纹理特征的目标提取方法通过对目标的表面纹理进行分析和比较来提取目标。
例如，可以使用纹理特征提取算法来提取目标的纹理特征，然后通过对纹理特征的分析和比较来判断目标。
这种方法适用于目标具有特殊的纹理特征的情况，如森林和农田等。
2.3 基于深度学习的目标提取方法近年来，随着深度学习的发展，基于深度学习的目标提取方法在遥感影像处理中得到了广泛的应用。
深度学习通过构建深度神经网络模型，可以从遥感影像中学习到更高级别的特征表示，从而实现更准确的目标提取。
例如，可以使用卷积神经网络来提取目标的特征，然后通过对特征进行分类或分割来提取目标。
三、遥感影像处理中的挑战在分类和目标提取的过程中，遥感影像处理面临着一些挑战。
如何进行遥感影像的目标识别与分类遥感影像的目标识别与分类在现代科技发展中扮演着重要的角色。
利用遥感技术，我们能够获取到大规模的影像数据，这些数据可以用来进行目标识别与分类，以支持各种应用领域，如环境监测、城市规划、农业管理等。
本文将探讨如何进行遥感影像的目标识别与分类。
一、遥感影像的目标识别遥感影像的目标识别是指从遥感影像中提取出特定目标的过程。
目标可以是建筑物、道路、农田等。
在进行目标识别之前，我们需要处理原始影像数据，进行预处理。
预处理包括辐射校正、几何校正等步骤，以确保影像数据的准确性和一致性。
接下来的关键步骤是特征提取。
特征提取是将影像数据转化为可量化的特征向量的过程。
常用的特征包括颜色、纹理、形状等。
在选择特征时，需要考虑目标的特点和任务需求。
例如，如果要进行建筑物的识别，可以考虑使用建筑物的形状和纹理作为特征。
特征提取后，我们可以使用机器学习算法进行目标的分类。
常用的机器学习算法包括支持向量机、随机森林、神经网络等。
这些算法可以根据提取的特征向量进行学习，构建分类模型，并对新的影像数据进行分类。
二、遥感影像的目标分类目标分类是将遥感影像中的特定目标分为不同的类别的过程。
例如，将影像中的土地分类为农田、水域、城市等。
目标分类与目标识别紧密相关，但目标分类更加注重对整个影像场景的分类。
对于目标分类，我们可以采用监督学习和无监督学习两种方法。
监督学习是指利用有标记的训练样本进行学习和分类。
在进行监督学习时，我们需要手动标记一部分影像数据，给出它们所属的类别。
然后，使用这些标记好的数据进行模型训练，构建分类器。
最后，使用分类器对未标记的数据进行分类。
无监督学习是指在没有标记的训练样本的情况下进行学习和分类。
该方法通常使用聚类算法，将影像数据分为不同的簇。
聚类算法通过计算数据点之间的相似性来划分簇，以实现目标分类。
除了监督学习和无监督学习，我们还可以采用半监督学习和深度学习等方法进行目标分类。
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。
