面向对象的遥感影像单类分类

1. 几何校正：几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，同时也是将图像投影到平面上，使其符合地图投影系统的过程。

2. 图像镶嵌：指在一定的数学基础控制下，把多景相邻遥感影像拼接成一个大范围、无缝的图像的过程。

3. 图像裁剪：图像裁剪的目的是将研究之外的区域去除。常用方法是按照行政区划边界或自然区划边界进行图像裁剪。在基础数据生产中，还经常要进行标准分幅裁剪。按照 ENVI 的图像裁剪过程，可分为规则裁剪和不规则裁剪。

4. 图像分类：遥感图像分类也称为遥感图像计算机信息提取技术，是通过模式识别理论，分析图像中反映同类地物的光谱、空间相似性和异类地物的差异，进而将遥感图像自动分成若干地物类别。

5. 正射校正：正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。

6. 面向对象图像分类技术：是集合邻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，以高精度的分类结果或者矢量输出。

7. DEM：数字高程模型是用一组有序数值阵列形式表示地面高程的一种实体地面模型。

8. 立体像对：从两个不同位置对同一地区所摄取的一对相片。

9. 遥感动态监测：从不同时间或在不同条件获取同一地区的遥感图像中，识别和量化地表变化的类型、空间分布情况和变化量，这一过程就是遥感动态监测过程。

10. 高光谱分辨率遥感：是用很窄而连续的波谱通道对地物持续遥感成像的技术。在可见光到短波红外波段，其波谱分辨率高达纳米数量级，通常具有波段多的特点，波谱通道多达数十甚至数百个，而且各波谱通道间往往是连续的，因此高光谱遥感又通常被称为"成像波谱遥感"。

11. 端元波谱：端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。

12. 可视域分析：可视域分析工具利用DEM数据，可以从一个或多个观察源来确定可见的地表范围，观测源可以是一个单点,线或多边形

面向对象分类法arcgis

面向对象分类法（Object-Oriented

Classification，OOC）是将遥感数据像素根据物体或地物类型进行分类的方法。OOC分类法在遥感数据处理和应用中广泛使用，尤其是在地物覆盖类型分类方面。ArcGIS是一款著名的GIS软件，它支持多种分类法。本文将介绍面向对象分类法在ArcGIS中的应用。

一、面向对象分类法基本概念

面向对象分类法是一种“基于物体”而不是基于像元的分类方法，它将像素组合成具有物理意义的物体（对象），例如建筑物、道路、水体等，然后再将这些物体分类为不同的地物类型。OOC分类法通常分为三个步骤：物体分割、物体属性提取和物体分类。

1.物体分割

物体分割是将像素聚集成具有物理意义的物体的过程。这个过程通常使用图像分割算法来实现。常用的分割算法有单阈值分割、多阈值分割、区域生长、水平集等。

2.物体属性提取

物体属性提取是从物体中提取有意义的特征的过程。这些特征可以用于下一步的分类过程。物体属性提取通常使用遥感影像的光谱、纹理、形状、结构等特征来描述物体。 3.物体分类

物体分类是将物体按照它们的物理意义分类的过程。这个过程通常使用基于强分类器的机器学习方法来实现，例如支持向量机、随机森林等。

二、面向对象分类法在ArcGIS中的应用

ArcGIS是一款功能强大的GIS软件，它支持多种遥感数据分类方法，包括像元分类、基于物体分类和混合分类等。其中基于物体的分类法就是面向对象分类法。

使用ArcGIS进行面向对象分类法分析的步骤如下：

1.数据准备

首先需要准备一幅高分辨率的遥感影像，这个影像最好是多光谱遥感影像，因为多光谱遥感影像包含了丰富的地物信息，可以提高面向对象分类的精度。其次需要准备一个数字高程模型（Digital Elevation Model，DEM），这个DEM可以用于去除地形效应，提高分类的精度。

2.物体分割

在ArcGIS中实现物体分割是通过“物体识别工具”来实现的。物体识别工具可以使用栅格和矢量数据进行物体分割，我们在这里使用栅格数据进行物体分割。将遥感影像导入到ArcGIS中，选择“物体识别工具”，根据图像特征和目标物体的大小设定识别参数，运行物体识别工具即可得到物体分割结果。 3.物体属性提取

第２７卷第３期　２０１２年６月　遥感信息　ＲＥＭ０ＴＥ　ＳＥＮＳＩＮＧ　ＩＮＦ０ＲＭＡＴ１０Ｎ　Ｖ０１．１３，Ｎｏ．３　Ｊｕｎ．，２Ｏ１２　

基于多示例学习的高分辨率遥感影像面向对象分类　

阿里木・赛买提，杜培军　

（国土环境与灾害监测国家测绘局重点实验室（中国矿业大学），徐州２２１１１６）　

摘要：多示例学习以示例组成的包作为训练样本，学习的目的是预测新包的类型。从分类角度上，处理问题　的策略类似于以均质对象为基本处理单元的面向对象影像分类。针对两者之间理论和方法相似性，将多样性密　度多示例学习算法与面向对象方法相结合用于高分辨率遥感图像分类。以图像分割方法获取均值对象作为示　例，利用多样性密度算法对样本包进行学习获取最大多样性密度示例，最后根据相似性最大准则对单示例包或是　经聚类算法得到的新包进行类别标记，以获取最终分类结果。通过与ＳＶＭ分类器的比较，发现多样性密度算法　的平均分类精度都在７Ｏ　以上，最高可达９６　左右，且对小样本问题学习能力更强，结果表明多示例学习在遥感　图像分类中有着广泛应用前景。　关键词：多示例学习；多样性密度；分类；支持向量机　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０ＯＯ一３１７７．２０１２．０３．０１０　中图分类号：ＴＰ７５１　文献标识码：Ａ　文章编号：１０００—３１７７（２０１２）１２１—００６０—０７　

ｏｂｊ　ｅｃｔ　Ｏｒｉｅｎｔｅｄ　Ｈｉｇｈ　

Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｂａｓｅｄ　Ｒｅｓｏｌｕｔｉｏｎ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　

ｏｎ　Ｍｕｌｔｉｐｌｅ　Ｉｎｓｔａｎｃｅ　Ｌｅａｒｎｉｎｇ　

Ａ１ｉｍｕ・Ｓａｉｍａｉｔｉ。ＤＵ　Ｐｅｉ－ｊｕｎ　（Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｆｏｒ　Ｌａｎｄ　Ｅｎｖｉｒｏｎｍｅｎｔ　ａｎｄ　Ｄｉｓａｓｔｅｒ　Ｍｏｎｉｔｏｒｉｎｇ　ｏｆ　Ｓｔａｔｅ　Ｂｕｒｅａｕ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｉｎｉｎｇ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｘｕｚｈｏｕ　２２１１１６）　

【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