下载文档原格式
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。
遥感分类的方法1. 基于光谱特征的分类呀，这就好比根据每个人不同的外貌特点来区分他们一样。
比如说，不同的地物在光谱上的表现就像不同人的长相，我们就能通过这个来识别它们喽！比如区分草地和森林。
2. 监督分类法呢，就好像有老师指导着你去认识各种东西。
我们先告诉分类器一些典型地物的特征，然后它就能按照这些标准去区分其他的啦！比如说我们告诉它小麦是什么样的特征，它就能找到大片的小麦田呀！3. 非监督分类法呀，就有点像让小朋友自己去摸索发现不同的东西。
分类器自己去发现数据中的模式和差异，然后进行分类，多神奇呀！像发现一些之前我们可能都没注意到的地物类别呢！4. 面向对象的分类法呢，就像是把东西按照它们的属性和关系组成一个个小团体。
把具有相似特征的地物当成一个对象来处理，这样分类岂不是更准确？比如把一片房子当成一个对象来归类。
5. 时间序列分类法，哎呀呀，这就好像看一部人物随着时间变化而成长的电影一样。
通过观察地物在不同时间的状态变化来进行分类，很厉害吧！可以用来监测农作物的生长情况呢。
6. 多源数据融合分类法，哇塞，这就如同把不同的拼图碎片组合起来看到一幅完整的画面。
把各种来源的数据融合在一起，能让分类更全面，比如结合影像和地形数据。
7. 神经网络分类法，哼哼，这就跟人的大脑学习一样。
它可以像大脑一样通过训练来学会分类，超级酷的有没有！可以处理很复杂的分类问题呢。
8. 决策树分类法，嘿，这就像按照一系列的规则来做选择。
通过建立决策规则来分类，就像走迷宫按照特定路线一样清晰明了！可以区分不同的土地利用类型。
9. 支持向量机分类法，哇哦，这可是个很厉害的方法呢。
它就好像有一双特别精准的眼睛，能准确地把不同的类别区分开！在很多复杂情况下都能发挥出色哦，比如区分复杂的城市地物。
我觉得呀，这些遥感分类方法都各有特点和优势，我们要根据具体的需求和情况选择合适的方法，才能得到最准确、最有用的分类结果呀！。
第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年 ３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号 １０００ ５２６９（２０２３）０２ ００６７ ０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘 淑 １，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘 要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。
针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。
运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９ ９５％，Ｋａｐｐａ系数为０ ７４。
与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。
关键词：面向对象；ＧＦ ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７ 文献标志码：Ａ 随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。
真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１ ３］。
目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。
使用遥感图像进行植被覆盖度测量的方法植被覆盖度是评估地表生态系统的重要指标之一，可以帮助我们了解植被分布、生长状况以及生态环境的变化。
通过遥感技术，我们可以借助航天器、无人机等高空平台获取的图像数据，来进行植被覆盖度的测量与分析。
本文将介绍一些使用遥感图像进行植被覆盖度测量的方法及其应用。
一、光谱指数法光谱指数法是使用遥感图像中的光谱信息来推断植被覆盖度的一种方法。
光谱指数是根据植被对不同波段的反射特性而计算得出的。
其中，植被指数（Vegetation Index，VI）是光谱指数法中最常用的一种指数计算方法。
常见的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、简化型植被指数（Simple Ratio Index，SR）等。
在使用光谱指数法进行植被覆盖度测量时，首先需要根据遥感图像计算出相应的植被指数值。
然后，通过与实地采样数据进行对比，建立植被指数与植被覆盖度之间的关系模型，从而推算出植被覆盖度。
这种方法具有简单、快速、非破坏性的优点，并能够进行大范围的植被分布调查，因此被广泛应用于植被覆盖度的监测与评估。
二、面向对象的分类方法面向对象的分类方法是利用遥感图像中的纹理、形状、空间分布等特征，将图像中的像素分成不同的类别，并将每个类别与相应的植被覆盖度关联起来的方法。
通过这种方法，我们可以得到植被覆盖度变化的空间分布图，并进一步进行植被生态系统调查和分析。
面向对象的分类方法需要先进行图像分类，将图像中的不同景物、地物分割成不同的对象。
然后，根据所建立的训练样本库，将这些对象分类为与植被覆盖度相关的类别。
最后，通过对每个类别中的对象进行统计，得到相应的植被覆盖度。
三、机器学习方法机器学习方法是一种将遥感图像与实地采样数据进行关联的高级技术。
通过训练模型，机器学习方法可以从遥感图像中学习到特定的植被覆盖度信息，并将其应用于未知区域的植被覆盖度估计。
测绘技术中的地理分类方法引言地理分类是测绘技术中的一项重要工作，它通过对地球表面的特征进行分析和归类，帮助我们更好地理解和利用地理信息。
本文将介绍测绘技术中常用的地理分类方法以及它们的应用。
一、遥感分类遥感分类是将遥感图像中的像素按照一定的规则和标准分成不同的类别的过程。
遥感图像是通过卫星、飞机等遥感平台获取的，其分辨率高、覆盖范围广，因此适用于大规模的地理分类工作。
常见的遥感分类方法包括像元分类、面向对象分类和监督分类等。
像元分类是将遥感图像中每个像元（最小单位）根据其反射率或辐射度等特征进行分类。
这种方法简单快速，但容易受到光照条件、地物复杂性等因素的影响。
面向对象分类则是将相邻像元根据其空间接近性、颜色或纹理等特征组成对象,然后对这些对象进行分类。
这种方法考虑了地物的空间信息，因此可以更好地区分不同的地物类别。
监督分类是利用已知样本像元的地物类别来训练分类器，然后根据这个分类器对整幅图像进行分类。
该方法需要大量的样本数据，但其分类结果准确度较高。
二、地形分类地形分类是根据地面起伏和高程分布等特征将地球表面划分成不同的地形类型。
地形分类在土地利用规划、环境保护等方面具有重要意义。
常见的地形分类方法包括等高线分类、基于数字高程模型（DEM）的分类和地貌分类等。
等高线分类是根据等高线的形状、间距和密度等特征对地形进行分类。
这种方法简单直观，适用于地形起伏较大的地区。
基于DEM的分类是利用数字高程模型中的高程数据对地面进行分类。
通过计算高程梯度、坡度和坡向等指标，可以划分出山地、平原、河流等不同的地形类型。
地貌分类是根据地貌单元的形状和组成等特征将地表划分成不同的地貌类型。
地貌分类在地理学和地质学研究中得到广泛应用，可以帮助我们了解地球表面的形成和演化过程。
三、土地利用分类土地利用分类是根据土地利用功能对地表进行划分。
土地利用分类在城市规划、农业生产、生态保护等方面具有重要意义。
常见的土地利用分类方法包括人工解译、遥感解译和分类系统等。
面向对象的遥感影像分类研究一、内容综述随着遥感技术的不断发展，遥感影像分类在地理信息系统（GIS）、资源与环境调查、城市规划以及农业监测等领域发挥着越来越重要的作用。
传统的遥感影像分类方法主要依赖于人工解译和传统机器学习算法，如支持向量机、随机森林等。
这些方法在面对高分辨率、多光谱和大数据量的遥感影像时，存在效率低、精度不高等问题。
面向对象的遥感影像分类方法逐渐成为研究热点。
该方法将遥感影像划分为多个连续的区域（对象），利用计算机视觉、模式识别和统计学习等方法对每个对象进行分类。
相较于传统的遥感影像分类方法，面向对象的遥感影像分类具有更高的精确度、更快的运算速度和更好的鲁棒性。
本文将对面向对象的遥感影像分类方法的研究进展进行综述，包括研究对象和方法、特征提取与选择、模型构建与优化以及分类结果验证等方面。
通过对现有研究的分析，可以发现面向对象的遥感影像分类方法在处理高分辨率、多光谱和大数据量的遥感影像方面仍面临诸多挑战，未来的研究需要继续探索更为高效和准确的分类方法。
1. 遥感影像分类的重要性和意义随着遥感技术的发展，遥感影像已经广泛应用于农业、生态、环境、城市规划等多个领域。
遥感影像的分类问题一直是一个重要的研究课题。
本文首先简要介绍了遥感影像的分类及其重要性。
遥感影像分类是指利用计算机技术对遥感影像进行处理、分析和识别，以获取或推导信息、知识和结论的过程。
在很多情况下，遥感影像包含了丰富的空间、时间和光谱信息，这些信息对于人类和计算机来说都是难以直接获取和处理的。
需要借助机器学习、深度学习等人工智能技术来实现遥感影像的分类。
通过遥感影像分类，我们可以更加准确地认识和理解地球表面的自然现象和社会经济活动，为国家和地方的管理和决策提供科学依据。
遥感影像分类还有助于环境保护、资源管理等方面的工作，从而为人类的可持续发展做出贡献。
遥感影像分类具有重要的理论和实际应用价值，是当前研究的热点之一。
2. 面向对象方法在遥感影像分类中的应用背景与发展趋势随着遥感技术的不断发展，遥感影像在地理信息系统中扮演着越来越重要的角色。
面向对象的遥感图像分类方法在测绘中的应用遥感技术是一种能够获取地球表面信息的技术手段，在测绘领域中有着广泛的应用。
随着计算机科学技术的发展，面向对象的遥感图像分类方法也被引入到测绘中，为地图制图和地理信息系统的建设提供了更加精确和高效的方案。
一、遥感图像分类遥感图像分类是遥感技术的核心应用之一，它是将遥感图像中的像素点根据其反射率、辐射亮度等特征进行分类，从而得到具有不同类别的地物信息。
传统的遥感图像分类方法主要基于像素级的分类，即将图像中的每个像素点单独进行分类，这种方法容易受到噪声影响，分类结果不够准确。
而面向对象的遥感图像分类方法则能够克服这些问题。
二、面向对象的遥感图像分类方法面向对象的遥感图像分类方法是基于图像中的对象进行分类的一种方法，它将图像中的像素点组合成不同的对象，然后根据对象的形状、纹理、光谱等特征进行分类。
相比于像素级的分类方法，面向对象的方法能够更好地保留地物的空间结构信息，提高分类的准确性和稳定性。
面向对象的遥感图像分类方法包括以下几个关键步骤。
首先是图像分割，将遥感图像分割成不同的对象。
常用的分割方法有基于区域的分割方法和基于边界的分割方法，其目的是将图像分解成较小的、空间连续的对象。
接下来是对象特征提取，通过计算对象的形状、纹理、光谱等特征来描述对象。
常用的特征提取方法有灰度共生矩阵、纹理特征、主成分分析等。
然后是分类器的训练和模型的建立，根据已经分类好的样本数据，训练分类器来对新的对象进行分类。
常用的分类器有支持向量机、随机森林等。
最后是分类结果的验证和评价，通过对分类结果进行验证和评价，来判断分类方法的准确性和可靠性。
三、面向对象的遥感图像分类在测绘中的应用面向对象的遥感图像分类方法在测绘中有着广泛的应用。
首先，它能够提高地图制图的精度和效率。
传统的地图制图方法往往依靠人工解译遥感图像来获取地物信息，这种方法效率低下且容易出现误差。
而面向对象的方法能够通过计算机自动解译遥感图像，大大提高了地图制图的效率，并且分类结果更加准确。
第４３卷第３期２０２０年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４３ꎬＮｏ.３Ｍａｒ.ꎬ２０２０收稿日期:２０１８－０９－２５作者简介:袁慧洁(１９９４－)ꎬ女ꎬ山东菏泽人ꎬ测绘工程专业硕士研究生ꎬ主要研究方向为地理国情遥感监测ꎮ基于无人机遥感和面向对象法的简单地物分类研究袁慧洁(山东科技大学测绘科学与工程学院ꎬ山东青岛２６６５９０)摘要:近年来ꎬ全国各地进行了大范围的土地利用调查ꎬ随着无人机遥感技术越来越成熟ꎬ无人机影像分析技术已深入应用到土地利用调查中ꎬ其中最多的用途是地物分类ꎮ本文选择昭通市昭阳区某乡镇区域为研究区ꎬ对采集到的无人机影像进行预处理ꎬ生成对应的正射影像ꎻ基于多种可见光植被指数ꎬ计算每３种指数合并得到影像的ＯＩＦ指数ꎬ确定最佳波段组合ꎻ采用基于规则和基于样本两种面向对象分类方法ꎬ提取房屋㊁道路㊁植被等简单地物及背景ꎮ分析结果:两种方法的提取精度均达到９０％以上ꎬ基于规则的面向对象分类方法精度较高ꎬ但耗时较长ꎻ基于样本的面向对象方法耗时较短ꎬ精度相对较低ꎮ两种方法相结合的全自动分类提取是下一步研究的目标ꎮ关键词:无人机遥感技术ꎻ正射影像ꎻ植被指数ꎻ面向对象中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０２０)０３－０１１３－０５ＲｅｓｅａｒｃｈｏｎＳｉｍｐｌｅＯｂｊｅｃｔＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＯｂｊｅｃｔ－ｏｒｉｅｎｔｅｄＭｅｔｈｏｄＹＵＡＮＨｕｉｊｉｅ(ＣｏｌｌｅｇｅｏｆＧｅｏｍａｔｉｃｓꎬＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＱｉｎｇｄａｏ２６６５９０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｏｆｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ(ＵＡＶ)ｂｅｃｏｍｉｎｇｍｏｒｅａｎｄｍｏｒｅｍａｔｕｒｅꎬｕ￣ｓｉｎｇｏｆＵＡＶｉｍａｇｅａｎａｌｙｓｉｓｔｅｃｈｎｏｌｏｇｙｆｏｒｆｅａｔｕｒｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｈａｓｂｅｃｏｍｅａｐｏｐｕｌａｒａｎｄｅｆｆｅｃｔｉｖｅｍｅａｎｓ.Ｔｈｉｓｐａｐｅｒｓｅｌｅｃｔｓａｔｏｗｎ￣ｓｈｉｐａｒｅａｉｎＺｈａｏｙａｎｇＤｉｓｔｒｉｃｔｏｆＺｈａｏｔｏｎｇＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈａｒｅａꎬａｎｄｐｒｅｐｒｏｃｅｓｓｅｓｔｈｅａｃｑｕｉｒｅｄｉｍａｇｅｏｆｔｈｅＵＡＶｔｏｇｅｎｅｒａｔｅｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｏｒｔｈｏｐｈｏｔｏꎻｃａｌｃｕｌａｔｅａｖａｒｉｅｔｙｏｆｖｉｓｉｂｌｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓꎬａｎｄｏｐｔｉｍｕｍｉｎｄｅｘｆａｃｔｏｒ(ＯＩＦ)ｉｎｄｅｘｏｆｔｈｒｅｅｉｎｄｉｃｅｓｃｏｍｂｉｎｅｄｉｍａｇｅꎬｔｈｅｉｎｄｅｘｄｅｔｅｒｍｉｎｅｓｔｈｅｏｐｔｉｍａｌｂａｎｄｃｏｍｂｉｎａｔｉｏｎꎻＲｕｌｅ－ｂａｓｅｄａｎｄｓａｍｐｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｒｅｕｓｅｄｔｏｃｌａｓｓｉｆｙａｎｄｅｘｔｒａｃｔｓｉｍｐｌｅｏｂｊｅｃｔｓｓｕｃｈａｓｈｏｕｓｅｓꎬｒｏａｄｓꎬｖｅｇｅｔａｔｉｏｎꎬａｎｄｂａｃｋｇｒｏｕｎｄｓ.Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙｏｆｂｏｔｈｍｅｔｈｏｄｓｉｓａｂｏｖｅ９０％.Ｔｈｅｒｕｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｈａｓｈｉｇｈｅｒｐｒｅ￣ｃｉｓｉｏｎꎬｂｕｔｉｔｔａｋｅｓａｌｏｎｇｔｉｍｅ.Ｔｈｅｓａｍｐｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｔａｋｅｓｌｅｓｓｔｉｍｅａｎｄｈａｓｌｏｗｅｒｐｒｅｃｉｓｉｏｎ.Ｔｈｅａｕｔｏｍａｔｉｃｃｌａｓ￣ｓｉｆｉｃａｔｉｏｎａｎｄｅｘｔｒａｃｔｉｏｎｏｆｔｈｅｔｗｏｍｅｔｈｏｄｓｉｓｔｈｅｉｓｔｈｅｎｅｘｔｒｅｓｅａｒｃｈｇｏａｌ.Ｋｅｙｗｏｒｄｓ:ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙꎻｏｒｔｈｏｐｈｏｔｏꎻｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎻｏｂｊｅｃｔｏｒｉｅｎｔｅｄ０㊀引㊀言早在２０世纪初ꎬ部分发达国家就已经意识到土地利用调查的必要性和重要性并采取了相关措施ꎮ随着人类活动与环境的关系越来越密切ꎬ及时有效地获取最新㊁最详细的土地利用现状数据ꎬ可为城市建设㊁国土整治㊁土地开发等社会发展战略决策提供重要依据ꎮ无人机(ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅꎬＵＡＶ)是指通过无线遥控与规划航线飞行㊁自带动力的无人驾驶飞机[２]ꎮ２０世纪上半叶正值世界大战ꎬ为了提高作战效率ꎬ减少人员伤亡ꎬ无人机的概念被提出并被很快设计出来ꎮ１９１７年第一台自动陀螺稳定器的问世推动了无人机的诞生ꎬ后来被广泛应用于军事领域ꎮ近年来ꎬ易于携带㊁便于操作的无人机又被民众广泛应用于其他领域ꎬ加之摄影与遥感技术的发展ꎬ更是加大了无人机在测绘领域的重要性比例ꎬ目前已广泛应用于灾害应急㊁气象观测㊁土地调查㊁数字化建设等领域[３]ꎮ土地利用调查工序繁多㊁环环相扣ꎬ基础数据的获取效率和质量显得尤为重要ꎮ但是基础卫星数据成本较高㊁采购时间长ꎬ由于气候㊁传感器等多种因素ꎬ数据分辨率与成像效果不一定能够满足所有要求ꎬ为了填补航空遥感的缺陷与不足ꎬ无人机遥感被纳入到土地利用调查技术中ꎮ其中ꎬ针对无人机获取的影像进行分类提取技术大体可以分为两个发展阶段 传统的基于光谱分类㊁面向对象分类ꎮ本文以可见光无人机影像为数据源ꎬ针对研究区中房屋㊁道路和植被等基础地物特征ꎬ采取面向对象的多尺度分割技术并分别基于规则与基于样本的特征提取方法进行信息提取ꎬ最后从时间和精度两个角度进行对比分析ꎮ１㊀研究方法遥感图像是针对通过遥感技术手段在非接触的情况下获取并可视化为影像的数据ꎬ其中ꎬ包含物体的多项特征㊁属性等一种或多种信息ꎬ根据项目具体需求ꎬ利用计算机技术采用人工交互的方式或者模拟人类的识别功能ꎬ按照某种规则或者算法将遥感图像分类成若干部分ꎬ以达到提取所需信息的目的ꎮ在传统的分类方法中ꎬ按照分类前是否需要样本可以划分为两大类 监督分类和非监督分类ꎮ随着机器学习的发展应用ꎬ人们对分类提出了新的需求ꎬ需要监督与非监督分类融合实现ꎬ即越来越流行的半监督分类方式ꎮ在面向对象的分类方法中ꎬ常用的是监督分类和基于规则分类ꎬ这里所说的监督分类和上面提到的监督分类不同ꎬ它也可以称为基于样本的分类ꎬ在分类时所用到的样本参数还包含了除特征以外的其他属性信息ꎮ基于规则分类则是根据具体需求调节各对象特征属性的阈值ꎬ然后将目标提取出来ꎮ将面向对象分类与传统的基于光谱的分类方法进行比较ꎮ结果见表１ꎮ表１㊀基于规则分类与传统的基于光谱的分类方法比较Ｔａｂ.１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｒｕｌｅ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｔｒａｄｉｔｉｏｎａｌｓｐｅｃｔｒｕｍ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ类型基本原理影像的最小单元适用数据源缺陷基于光谱的分类方法根据地物光谱特征㊁空间关系和其他上下文关系归类像元单个的影像像元中低分辨率多光谱和高光谱影像丰富的空间信息利用率较低面向对象分类方法几何信息㊁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㊀㊀对遥感图像进行分类ꎬ均需要用户对研究区中所要进行分类的地物类型及特征有所了解ꎮ面向对象法进行分类[４]时ꎬ首先ꎬ选择一定的分割方法分割出影像中具有同质的对象ꎻ然后ꎬ根据用户的具体需求进行合并提取ꎬ得到最终的理想结果ꎮ这里采用的分割方法是多尺度分割算法ꎬ首先ꎬ根据遥感图像的光谱特征㊁形状特征等信息给定一个阈值ꎬ然后ꎬ计算每个波段异质性特征值的综合加权值ꎬ重复迭代至加权值大于给定阈值时ꎬ完成分割ꎮ２㊀研究区概况与数据来源２.１㊀研究区概况本文采用２００９年６月拍摄的云南省昭通市昭阳区某镇无人机遥感影像为数据源ꎮ实验前ꎬ先根据现场情况设定详细的飞行计划ꎬ在无人机到达设定起飞点后ꎬ在专用的航线规划软件中输入所需的飞行信息ꎮ此次实验的飞行高度平均为３６３３ｍꎬ属于低空拍摄ꎬ拍摄时天气状况良好ꎮ２.２㊀数据来源本次实验采用快眼－Ⅱ无人机ꎮ该无人机最大飞行高度为４５００ｍꎬ无负载最大飞行速度为１４０ｋｍ/ｈꎮ搭载ＣａｎｏｎＥＯＳ４５０Ｄ相机ꎬ有效像素１２４０万ꎬ单个像素大小为１.８９μｍꎬ传感器焦距为２４ｍｍꎬ快门速度为１/１０００ｓꎬ照片最大分辨率为４２７２ˑ２８４８ꎮ影像采集过程共耗时约３ｍｉｎꎬ覆盖面积为０.１８ｋｍ２ꎮ研究影像具有红㊁绿㊁蓝３个波段即常说的ＲＧＢ通道ꎬ空间分辨率为０.２４ｍꎮ为了便于说明ꎬ本文选取航拍数据中包含地物类别丰富且较具代表性的１０景影像(编号ＩＭＧ＿００４７ ００５１ꎬＩＭＧ０１２９－０１３３)开展方法研究ꎮ３㊀影像处理３.１㊀预处理无人机搭载非量测相机ꎬ会造成影像边缘畸变ꎮ在实际飞行作业中ꎬ由于相机倾角㊁光线㊁天气等因素的影响ꎬ会导致航带间的影像状态不能完全相同ꎬ甚至有较大差异ꎮ所以在获取无人机影像之后ꎬ需要进行预处理工作ꎬ包括相机检校㊁畸变纠正㊁几何校正㊁空三平差㊁图像匀色㊁匹配㊁拼接等ꎬ最终生成正射影像ꎮ采用试验场检校法进行相机检校ꎬ获得内方位元素ꎻ之后导入ＰＯＳ文件ꎬ采用基于惯导的姿态参数做几何校正ꎻ引入控制点数据进行空中三角测量平差ꎬ通过空三平差快速测定出大量的点经过内定向㊁相对定向㊁绝对定向可获取各张相片的外方位元素ꎻ随后引入ＳＩＦＴ算子对影像进行匹配处理ꎻ由空三测量方法计算得到同名点坐标和外方位元素ꎬ加之上述得到的内方位元素ꎬ计算得出对应特征点坐标ꎬ进而进行影像拼接得到正射影像ꎬ最后使用ＰＯＳ参数直接进行纠正ꎬ得到最终的正射影像图(如图１所示)ꎮ３.２㊀图像增强图像增强是指通过一定的算法有目的性的增强图像整体或局部特征ꎬ增强图像中的有用信息ꎬ以满足分析应用ꎮ增强算法主要分为两大类:空间域和频率域ꎮ基于空间域的算法属于直接增强ꎬ直接对图像中的像素点进４１１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年图１㊀实验区正射影像图Ｆｉｇ.１㊀Ｏｒｔｈｏｐｈｏｔｏｉｍａｇｅｏｆｅｘｐｅｒｉｍｅｎｔａｌａｒｅａ行处理ꎻ基于频率域的算法属于间接增强ꎬ是利用特定的变换方法将原来的图像空间中的图像转换到其他空间中ꎬ再进行图像处理ꎬ最后ꎬ转换回原来的图像空间中ꎬ从而得到所需结果ꎮ由于无人机的飞行姿态较不稳定ꎬ加上云南的６月多阴雨天气ꎬ云雾较多ꎬ因此ꎬ导致获取的无人机影像曝光不均匀ꎬ相片偏白ꎬ尽管在预处理中进行了匀色ꎬ但是ꎬ在对影像进行分析之前ꎬ有必要对其进行增强处理ꎮ在这里采用带颜色恢复的多尺度ＭＳＭＣＲ(ＭｕｌｔｉＳｃａｌｅＲｅｔｉｎｅｘ￣ｗｉｔｈＣｏｌｏｒＲｅｓｔｏｒａｔｉｏｎ)算法对图像进行增强处理(如图２所示)ꎬＭＳＭＣＲ的计算公式如下:ＲＭＳＲＣＲｉ(ｘꎬｙ)＝β{ｌｏｇ[αＳᶄｉ((ｘꎬｙ))]－ｌｏｇ[ðＮｊＳｊ(ｘꎬｙ)]}ＲＭＳＲｉ(ｘꎬｙ)(１)其中:ＲＭＳＲｉ(ｘꎬｙ)＝ðＫｋｗｋ{ｌｏｇＳ(ｘꎬｙ)－ｌｏｇ[Ｆｋ(ｘꎬｙ)ˑＳ(ｘꎬｙ)]}(２)式(１) (２)中ꎬβ是增益常数ꎬα为受控制的非线性强度指数ꎬｉ表示第ｉ个通道ꎬＳ(ｘꎬｙ)为原始图像ꎬＦｋ(ｘꎬｙ)为中心环绕函数ꎬＫ代表高斯中心环绕函数的个数ꎮ３.３㊀植被指数植被指数首次被提出是在１９６９年ꎬＪｏｒｄａｎ基于可见光和红外波段计算并提出的比值植被指数(ＲＶＩ)ꎬ用于提取叶冠光谱参数且效果较好ꎮ随后越来越多的植被指数被提出ꎬ它们被用来定性和定量地评价植被覆盖及其生长活力ꎬ主要反映各个波段中植被的反射与其他类别包括背景之间的差异ꎮ它们广泛应用在具体方向上ꎬ包括植被变化监测㊁生物量计算㊁叶绿素含量反演等方面ꎮ随着低成本高效率的可见光无人机航拍的应用越来越普遍ꎬ可见光与红外波段计算所得的植被指数已经不能满足具体需求ꎬ无人机挂载的主要是可见光相机ꎬ目前被提出利用可见光提取植被信息的植被指数主要有:归一化绿蓝差异指数ＮＧＢＤＩ㊁归一化绿蓝差异指数ＮＧＲＤＩ㊁红绿比值指数ＲＧＲＩ㊁蓝绿比值指数ＢＧＲＩ㊁过绿指数ＥＸＧ㊁图２㊀去相关拉伸图像Ｆｉｇ.２㊀Ｄｅｃｏｒｒｅｌａｔｉｎｇｓｔｒｅｔｃｈｅｄｉｍａｇｅ过红指数ＥＸＲ与可见光波段差异植被指数ＶＤＶＩ㊁超绿超红差分指数ＥＸＧＲ㊁红绿蓝植被指数ＲＧＶＢＩ等[５]ꎬ主要用于农业作物分类㊁森林监测等方面ꎮ本文以仅含可见光波段的无人机高分辨率影像为数据源ꎬ在经过适当的多尺度分割处理之后ꎬ采用基于规则和基于样本的方法对影像中的简单地物进行分类ꎬ开展基于植被指数的地物提取方法研究ꎬ以期获得更加快速有效提取地物信息的方法ꎬ扩大无人机遥感的应用范围及效率ꎮ在本文中我们主要对ＶＤＶＩ㊁ＲＧＲＩ㊁ＮＧＢＤＩ㊁ＮＧＲＤＩ㊁ＥＸＧ㊁ＥＸＲ㊁ＥＸＧＲ等７个植被指数进行计算并做处理对比ꎮ计算公式见表２ꎮ表２㊀主要可见光植被指数Ｔａｂ.２㊀Ｍａｉｎｖｉｓｉｂｌｅｌｉｇｈｔｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ序号名称公式１归一化绿红差值指数ＮＧＲＤＩ＝ρｇｒｅｅｎ－ρｒｅｄρｇｒｅｅｎ＋ρｒｅｄ２归一化绿蓝差值指数ＮＧＢＤＩ＝ρｇｒｅｅｎ－ρｂｌｕｅρｇｒｅｅｎ＋ρｂｌｕｅ３红绿比值指数ＲＧＲＩ＝ρｒｅｄρｇｒｅｅｎ４可见光波段差异植被指数ＶＤＶＩ＝２∗ρｇｒｅｅｎ－(ρｒｅｄ＋ρｂｌｕｅ)２∗ρｇｒｅｅｎ＋(ρｒｅｄ＋ρｂｌｕｅ)５过绿指数ＥＸＧ＝２∗ρｇｒｅｅｎ－ρｒｅｄ－ρｂｌｕｅ６过红指数ＥＸＲ＝１.４∗ρｒｅｄ－ρｇｒｅｅｎ７过绿减过红指数ＥＸＧＲ＝３∗ρｇｒｅｅｎ－２.４∗ρｒｅｄ－ρｂｌｕｅ在利用遥感技术对多光谱影像进行分析时ꎬ研究者通常会采用由美国查维茨提出的最佳指数法(ＯＩＦ)ꎬＯＩＦ５１１第３期袁慧洁:基于无人机遥感和面向对象法的简单地物分类研究通过选取３个合适的波段组合成信息量最大的色彩组合ꎬ进而完成图像解译ꎮＯＩＦ综合考虑单波段图像的信息量及各波段间的相关性ꎬ图像数据的标准差越大ꎬ所包含的信息量也越大ꎬ而波段间的相关系数越小ꎬ表明各波段图像数据的独立性越高㊁信息冗余度越小[６]ꎮ本文把７种植被指数看作是多光谱图像中的各个波段ꎬ通过计算它们的ＯＩＦ值选取最佳组合ꎬ计算公式如下:ＯＩＦ＝ð３ｉ＝１Ｓｉ/ð３ｉ＝１Ｒｉｊ｜(３)其中:ｉ表示第ｉ个波段ꎬＳｉ表示第ｉ个波段的标准差ꎬＲｉｊ表示第ｉ和第ｊ两波段的相关系数ꎮ汪小钦[７]等人通过研究多种植被指数在地物提取中的作用ꎬ得到ＶＤＶＩ指数提取植被的效果更好ꎮ为了减少一定的计算量ꎬ此处以ＶＤＶＩ为基准ꎬ加入另外任意两个影像合成最佳色彩组合ꎮ分别计算合并影像的均值㊁标准差㊁统计量以及它们的ＯＩＦ值ꎬ结果见表３ꎮ表３㊀各合成影像指标计算结果Ｔａｂ.３㊀Ｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｏｆｅａｃｈｓｙｎｔｈｅｔｉｃｉｍａｇｅｉｎｄｅｘ图像指标ＶＤＶＩ－ＮＧＲＤＩ－ＲＧＲＩ合成ＶＤＶＩ－ＮＧＲＤＩ－ＮＧＢＤＩ合成ＶＤＶＩ－ＮＧＲＤＩ－ＥＸＧＲ合成ＶＤＶＩ－ＲＧＲＩ－ＮＧＢＤＩ合成ＶＤＶＩ－ＲＧＲＩ－ＥＸＧＲ合成ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合成红色均值０.０３１１２９０.０３１１２９０.０３１１２９０.０３１１２９０.０３１１２９０.０３１１２９绿色均值－０.０５５１８２－０.０５５１８２－０.０４５３４０１.１０４１６２１.１０４１６２０.１３６３９６蓝色均值１.１１６９２２０.１３４８３０－４２.８８１１４２０.１３６３９６－４２.８８１１４２－４２.８８１１４２红色标准差０.００６４４００.００６４４００.０５０３０２０.０５０３０２０.０５０３０２０.０５０３０２绿色标准差０.００６８８３０.００６８８３０.０６３２８７０.１３９５１６０.１３９５１６０.０７１８７４蓝色标准差０.０１５４４２０.００８２９７４４.５５６３２７０.０７１８７４４４.５５６３２７４４.５５６３２７红色统计量０.０００５２６０.０００５２６０.００３４８８０.００３４８８０.００３４８８０.００３４８８绿色统计量０.０００６３５０.０００６３５０.００６３７３０.０１８６２４０.０１８６２４０.００４５９２蓝色统计量０.００１４４９０.０００５１５２.７２３９２１０.００４５９２２.７２３９２１２.７２３９２１ＯＩＦ０.０１０４０.０１００１.４１５７０.０１４０１.４２０３１.６２３３㊀㊀表３中ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合成的影像拥有最大的ＯＩＦ指数ꎬ说明在该影像中蕴含的信息量最大ꎮ所以在后续的操作中ꎬ对ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合并影像进行分类来提取植被信息ꎮ３.４㊀监督分类 基于样本的面向对象监督分类之所以称之为 监督 是指在已知类别的样本像元的 监督 下去识别其余未知类别像元的过程ꎮ基于样本的面向对象分类其实质是一种监督分类方法ꎬ但是它与传统的监督分类有区别ꎬ首先根据具体需求建立分类体系ꎬ建立相应的特征空间ꎬ在实地考察之后ꎬ以人工目视方式选择各类地物样本对象ꎬ随后采用最近邻分类[８]的方法进行自动分类ꎮ基于样本的面向对象分类基本步骤ꎬ如图３所示ꎮ图３㊀基于样本的面向对象分类基本步骤Ｆｉｇ.３㊀Ｂａｓｉｃｓｔｅｐｓｏｆｓａｍｐｌｅ－ｂａｓｅｄｏｂｊｅｃｔ－㊀㊀㊀㊀ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ３.５㊀基于规则的面向对象分类基于规则的面向对象分类主要根据不同地物的特征人为设定一定的规则来提取不同的土地利用类型ꎬ与上述基于样本的面向对象分类的区别在于此方法建立在无样本的基础上ꎬ并对地物的特征了解得更清晰ꎮ在本次实验中首先剔除背景层的干扰ꎬ背景颜色单一ꎬ面积普遍较大ꎬ利用对象的面积特征作为限制条件ꎮ接着在剩下的土地利用类别中通过上文中得到的具有最大ＯＩＦ值的ＶＤＶＩ－ＮＧＢＤＩ－ＥＸＧＲ合并影像提取植被层ꎮ道路呈长条带状ꎬ形状较规则ꎬ与其他地物的区别主要在于它的长宽比较大㊁亮度值较高ꎮ房屋多为规则的长方形ꎬ分布紧凑且面积大小较统一ꎬ可根据密度㊁形状或面积来提取房屋层ꎮ４㊀实验结果与分析４.１㊀分类结果本研究区的土地利用类型主要分为植被㊁道路㊁房屋㊁其他ꎮ王宏胜等人根据对比试验ꎬ得到结论 在实践应用中ꎬ只计算单一波段的分割质量评价指数就可以确定整幅影像的最优分割尺度[９]ꎮ在本次实验中ꎬ采用基于样本和基于规则的多尺度分割的方法对经过预处理后的图像进行处理ꎬ共分为４个层次(背景层㊁道路层㊁房屋层㊁植被层)ꎮ４.１.１㊀基于规则的面向对象分类在本次实验中ꎬ设定分割阈值６０ꎬ合并阈值６５来创６１１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年建目标ꎮ首先ꎬ根据面积大小剔除背景层的干扰ꎬ随后ꎬ基于规则的多尺度分割的方法根据各类别特征进行分层ꎬ在经过背景掩膜之后的图像中ꎬ根据特征提取中的道路的形状及颜色特征ꎬ进行阈值分割ꎬ调整阈值ꎬ阈值范围见表４ꎬ分离出道路ꎬ之后对已去除背景的原图像进行掩膜ꎮ以同样的方法提取房屋ꎮ在这里需要指出的是ꎬ由于每幅图像中的亮度等各种参数的不同ꎬ阈值范围会有不同程度的变化ꎮ表４㊀分割阈值范围Ｔａｂ.４㊀Ｓｐｌｉｔｔｈｒｅｓｈｏｌｄｒａｎｇｅ层次最小值最大值植被层１１０８.５５４１１０.３９植被层２１１０.７１１１１.２４道路层１１１０.３９１１０.７１道路层２１１１.２４１１７.６６３５５房屋层１００.２２８４５１０８.５５４在这里ꎬ因为在外业调查中ꎬ城区道路和房屋院落地面的建造材质有雷同ꎬ在郊区伴有泥土道路ꎬ而且植被覆盖度少的耕地中裸露土地和泥土道路无法完全分离ꎬ所以ꎬ需将道路和裸露的土地共同提取ꎮ把每一个分类结果展示在一个图像中ꎬ结果如图４所示ꎮ图４㊀基于规则的分类结果图Ｆｉｇ.４㊀Ｒｕｌｅ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｇｒａｐｈ４.１.２㊀基于样本的面向对象分类选取０ １００(步长为２０)共６个尺度参数ꎬ其他参数固定设置为(影像三波段的权重都设为１ꎬ形状和颜色权重各为０.５ꎬ紧凑度权重０.６ꎬ光滑度权重０.４)ꎬ经过对比试验ꎬ其中分割尺度为６０的分类效果最优ꎬ结果如图５所示ꎮ图５㊀分割尺度为６０的基于样本分类结果图Ｆｉｇ.５㊀Ｓａｍｐｌｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎａ㊀㊀㊀㊀ｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅｏｆ６０４.２㊀精度分析每一类地物根据实验区大小ꎬ分别采集５０个样本点ꎬ在最终提取结果中ꎬ分类的个数及精度见表５ꎮ表５㊀提取精度和耗时时间Ｔａｂ.５㊀Ｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｔｉｍｅ－ｃｏｎｓｕｍｉｎｇ提取方式植被道路及裸露土地房屋耗时/ｍｉｎ基于规则分类４８５１５１１１０基于样本分类５５４６４９６０目视解译５０５０５０６００基于规则分类提取精度９６％９８％９８％基于样本分类提取精度９０％９２％９８％表中ꎬ通过实地调研对目视解译的精度进行了修正ꎬ精度可达到１００％ꎬ以目视解译为基准对两种方法得到的结果进行判定ꎮ两者在预处理中的总耗时相同ꎬ基于规则分类的耗时工序主要有植被指数的计算㊁植被指数效果判定㊁尺度及阈值的确定ꎮ基于样本分类的耗时工序主要包括最佳尺度的判定及样本的选取ꎮ目视解译的耗时工序主要有地类分析㊁目视解译和手动提取ꎮ通过对精度及耗时时长的对比ꎬ基于规则分类处理后的精度较高ꎬ但是耗时较长ꎻ基于样本分类处理后的精度相对较差ꎬ但是耗时最短ꎮ根据表５中对精度和耗时的对比ꎬ在实际应用中ꎬ如果对精度要求不高ꎬ但是时间紧迫ꎬ可以采用基于样本的分类方法进行操作ꎻ如果需要较高的精度ꎬ可以采用基于规则的分类方法进行提取ꎮ采用基于规则的分类已经能够满足大部分用户的精度要求ꎬ如果尺度和阈值设定合理ꎬ有望达到目视解译的精度ꎮ５㊀结束语本文通过对无人机影像采用基于样本与基于规则的面向对象分类方法进行地物的简单分类 包括绿地㊁房屋㊁道路及背景ꎮ首先对影像进行预处理得到正射影像ꎬ之后对正射影像进行去相关拉伸并计算多种植被指数ꎬ通过计算ＯＩＦ指数并对比得到一组特征相对显著的合并影像ꎬ分别采用两种面向对象分类提取方法ꎬ按顺序提取分为背景㊁道路及裸露土地㊁房屋和植被四种类别ꎮ本文仅对无人机影像地物进行了简单分类ꎬ提出了一套对地物简单分类的半自动快速流程ꎬ能够提升信息提取速度ꎬ对需要在短时间内完成分类的任务有一定的帮助ꎮ通过对基于样本分类及基于规则分类效果进行比对ꎬ得出基于样本的分类方法能够更快速地完成分类ꎬ基于规则的分类能够更高效地完成分类ꎮ但是在分类过程中ꎬ分类阈值的选取㊁最优分割尺度㊁规则设定都需要人工参与ꎬ对分类者的要求较高ꎬ将两种方法结合以达到最精最快速的全自动分类提取是下一步研究的目标ꎮ参考文献:[１]㊀李军英.基于无人机遥感技术的土地利用现状调查[Ｄ].长春:吉林大学ꎬ２０１７.(下转第１２３页)７１１第３期袁慧洁:基于无人机遥感和面向对象法的简单地物分类研究２)国情要素道路由于等级升级需要改变图层ꎬ道路要素原图层内要素 变化类型(ＣｈａｎｇｅＴｙｐｅ) 按灭失型变化赋值ꎬ新图层内要素 变化类型(ＣｈａｎｇｅＴｙｐｅ) 按新生型变化赋值ꎮ３)由于采集指标发生变化ꎬ本底数据中采集中心线而变化数据中应采集为面的河流要素ꎬ原有河流中心线修改为河流结构线ꎬ采集为面的河流按新生型记录信息ꎬ中心线改为结构线按属性更新记录信息ꎮ对新增的河流ꎬ达到采集指标的应按照面采集ꎬ与新增按面采集的河流有汇流关系的其他河流ꎬ如果达到新的按面采集的指标ꎬ也应按面采集ꎬ原有河流中心线修改为河流结构线ꎮ４)由于新增属性项而需要对原有本底几何要素进行切分或重新采集的ꎬ切分或采集结果按照新生型变化记录ꎮ同时ꎬ有属性更新和图形变化时ꎬ按照图形变化类型填写ꎮ４㊀问题处理方法１)公路专题资料使用 吉林省普通国家公路网路线方案表 全省最新公路轨迹 吉林省公路名称.ＪＰＧ ꎮ资料不支持的不予更新ꎮ２)分区数据中对于新增要素的唯一标识码和起始时间填写为 空字符串 ꎬ终止时间填写为 (空) ꎬ分区代码分别填写为 ０ ꎮ３)境界面以ＢＯＵＡ５为准ꎬ对ＢＯＵＡ６进行处理ꎮＢＯＵＬ中涉及国界线的问题不做处理ꎮ４)对于本底不一致的不修改ꎬ变化的按照本底数据的字段类型填写默认值ꎬ新增字段按照数据规定ꎬ对于未变化的要素也按照本底数据的类型赋值ꎮ５㊀结束语本文主要介绍了国情监测中变化要素的采集总体要求㊁地表覆盖的采集要求及变化信息记录方法㊁地理国情要素的采集要求及变化信息记录方法㊁国情监测作业当中遇到的问题及处理方法分析ꎮ每年对地理国情监测的更新ꎬ形成现势性强㊁精度高㊁全覆盖的全省地理国情数据成果ꎬ将为政府提供地理信息信息决策支撑ꎬ形成全省统一的地理信息空间平台ꎮ参考文献:[１]㊀阮于州.对地理国情监测的战略思考[Ｊ].地理信息世界ꎬ２０１４ꎬ２１(２):４０－４４.[２]㊀毕凯ꎬ桂德竹.浅谈地理国情监测与基础测绘[Ｊ].遥感信息ꎬ２０１４ꎬ２９(４):１０－１５.[３]㊀国家测绘地理信息局.基础性地理国情监测内容与指标:ＧＱＪＣ０３－２０１７[Ｓ].北京:国家测绘地理信息局ꎬ２０１７.[４]㊀国家测绘地理信息局.基础性地理国情监测数据技术规定:ＧＱＪＣ０１－２０１７[Ｓ].北京:国家测绘地理信息局ꎬ２０１７.[编辑:张㊀曦](上接第１１７页)[２]㊀范承啸ꎬ韩俊ꎬ熊志军ꎬ等.无人机遥感技术现状与应用[Ｊ].测绘科学ꎬ２００９ꎬ３４(５):２１４－２１５.[３]㊀吴波ꎬ林珊珊ꎬ周桂军.面向对象的高分辨率遥感影像分割分类评价指标[Ｊ].地球信息科学学报ꎬ２０１３ꎬ１５(４):５６７－５７３.[４]㊀ＢＡＡＴＺＭꎬＳＣＨＡＰＥＡ.Ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｎｄｍｕｌｔｉ－ｓｃａｌｅｉｍａｇｅａｎａｌｙｓｉｓｉｎｓｅｍａｎｔｉｃｎｅｔｗｏｒｋｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＯｐｅｒａｔｉｏｎａｌｉｚａｔｉｏｎｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇꎬＥｎｓｃｈｅｄｅ:Ｎｅｔｈｅｒｌａｎｄｓꎬ１９９９:１６－２０. [５]㊀郭震冬ꎬ顾正东ꎬ许盛ꎬ等.利用无人机技术进行社区植被覆盖率调查[Ｊ].北京测绘ꎬ２０１７ꎬ３１(５):８８－９１.[６]㊀杨金红.高光谱遥感数据最佳波段选择方法研究[Ｄ].南京:南京信息工程大学ꎬ２００５.[７]㊀汪小钦ꎬ王苗苗ꎬ王绍强ꎬ等.基于可见光波段无人机遥感的植被信息提取[Ｊ].农业工程学报ꎬ２０１５(５):１５２－１５７.[８]㊀邓书斌ꎬ陈秋锦ꎬ杜会建ꎬ等.ＥＮＶＩ遥感图像处理方法[Ｍ].第二版.北京:高等教育出版社ꎬ２０１４. [９]㊀王宏胜ꎬ李永树ꎬ吴玺ꎬ等.结合空间分析的面向对象无人机影像土地利用分类[Ｊ].测绘工程ꎬ２０１８ꎬ２７(２):５７－６１.[编辑:刘莉鑫](上接第１２０页)基础测绘等项目中ꎬ系统受到用户一致好评ꎬ是一种较为成熟的借力北斗定位实现自然资源实地调查的信息化解决方案ꎮ本文研究成果实现了外业测绘的无纸化㊁信息化ꎬ打破了传统外业测绘手工生产模式ꎬ减轻了外业工作量ꎬ缩短了成图周期ꎬ提高了作业的精度和质量ꎬ提高了生产效率ꎬ可广泛应用于外业调绘测图工作中ꎬ研究成果为促进北斗卫星导航定位技术在测绘事业中的推广应用做出了积极的探索ꎬ并取得了良好的成效ꎮ参考文献:[１]㊀李海峰.ＭＶＣ模式架构的应用研究[Ｊ].自动化与仪器仪表ꎬ２０１３(１):４－５ꎬ７.[２]㊀陶庆.基于云计算的ＭＶＣ架构数据挖掘平台的研究与设计[Ｊ].集宁师范学院学报ꎬ２０１８ꎬ４０(３):５３－５７. [３]㊀任中方ꎬ张华ꎬ闫明松ꎬ等.ＭＶＣ模式研究的综述[Ｊ].计算机应用研究ꎬ２００４(１０):１－４ꎬ８.[编辑:任亚茹]３２１第３期袁宗福:浅谈基础性地理国情监测变化信息采集。
主题：遥感影像在面向对象分类中的应用文章内容：一、遥感影像的概念和特点1.1 遥感影像是指利用遥感技术获取的地面、海面、大气等物体的影像信息。
1.2 遥感影像具有多光谱、高分辨率、全天候、大范围等特点。
二、面向对象分类的基本原理2.1 面向对象分类是指将遥感影像中的像元根据其空间位置、光谱特征、纹理特征等属性进行分割和分类。
2.2 面向对象分类与传统的基于像元的分类相比，能够更好地保留地物的空间信息和形状特征。
三、遥感影像在面向对象分类中的应用3.1 遥感影像在土地利用/覆盖分类中的应用：可以利用遥感影像进行土地利用/覆盖的监测和分类，为土地管理、资源规划提供科学依据。
3.2 遥感影像在环境监测中的应用：可以利用遥感影像进行环境监测，如水体变化监测、植被覆盖度监测等，为环境保护和治理提供支持。
3.3 遥感影像在灾害监测中的应用：可以利用遥感影像进行灾害监测，如洪涝灾害、火灾等，为灾害的防范和救援提供帮助。
四、面向对象分类中的技术挑战和发展趋势4.1 技术挑战：遥感影像在面向对象分类中仍然面临着遥感影像分割、特征提取、分类算法等方面的技术挑战。
4.2 发展趋势：随着计算机视觉和人工智能技术的不断发展，面向对象分类技术将更加智能化、自动化，能够更好地适应各种复杂场景的分类需求。
结语：遥感影像在面向对象分类中有着广泛的应用前景，随着技术的不断发展和创新，相信遥感影像在面向对象分类中的应用将会变得更加广泛和深入。
五、面向对象分类的方法和技术5.1 基于规则的分类方法：基于人工定义的规则和特征进行分类，需要人工干预和指导，适用于简单场景的分类任务。
5.2 基于机器学习的分类方法：利用已知类别的样本数据训练分类器，从而实现自动分类，适用于复杂场景的分类任务。
5.3 深度学习方法：近年来，随着深度学习技术的发展，深度学习在遥感影像的面向对象分类中得到了广泛的应用。
通过构建深度卷积神经网络，可以自动学习遥感影像中的特征，实现高效准确的分类。
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
的综合指数评价方法，使得内部同质性较差的对象拥有更高的权值。
对比分析了多种加权方法的特点，发现方差同质性加权方法能够在分割尺度较大时促进综合评价指数的下降。
对不同影像进行建筑最佳分割尺度选择研究发现，不同影像的空间分辨率相同时最佳分割尺度也可能不一致。
利用SPOT6影像与WorldView影像，在分别多个尺度下进行面向对象分类，结果发现:分割尺度对影像分类精度有重要影响，本文最佳尺度选择方法有利于目标地物分类精度提高。
3)面向对象的决策树分类方法研究
实现了适合于引入专家知识的决策树C4.5算法以及模糊决策树FC4.5算法。
设计了基于决策树的面向对象影像分类实验流程。
4)面向对象的平原区与高山区遥感影像分类方法验证
设计面向对象影像分类实验，验证该方法在平原地区进行土地利用分类、高山植被提取方面的潜力，并分析其优缺点。
平原地区土地利用分类应用中对比了基于像元的最大似然影像分类方法、面向对象最邻近距离影像分类方法、常规决策树面向对象影像分类方法、模糊决策树面向对象影像分类方法的特点，并进行了精度评价。
通过对混淆矩阵分析发现:a)面向对象影像分类在某类地物的适合尺度上，比基于像元方法具有更高的分类精度;b）利用模糊理论改进的模糊决策树比传统决策树方法拥有更好的分类效果与分类精度。
广西善图科技有限公司。
