２００８年第２期 ・ 西部探矿工程 １０３
浅论基于面向对象的遥感图像分类
李云鹏，洪金益
（中南大学，湖南长沙４１００８３）
摘要：传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困
难。介绍了面向对象与基于像素的分类方法，探讨了基于面向对象的遥感影像的模糊分类方法在地
物分类中的新思路。并且通过了展示利用ｅｃｏｇｎｉｔｉｏｎ进行的的一个分类实例，阐述了面向对象的模
糊分类技术的软件应用。
关键词：面向对象方法；遥感图像；模糊分类；ｅｃｏｇｎｉｔｉｏｎ
中图分类号：Ｐ２３文献标识码：Ｂ文章编号：１Ｏ０４—５７１６（２Ｏ０８）０２—０１０３一Ｏ３
对遥感图像进行计算机分类传统算法设计的主要 依据是地物光谱数据，统计模式是以像素作为识别的基 本单元，依靠不同光谱数据组合在统计上的差别来进行
的。可见，传统的分类方法未能充分利用遥感图像提供 的大小、形状、纹理、相邻像素间的关系等形状和空间位
置特征．。然而影像上地物的形状和结构信息对于某些
地物类型的分类十分重要，特别是针对高分辨率影像， 高分辨率影象图上不仅地物的光谱特征更明显，其景观
的结构、形状、纹理和细节等信息也都非常突出。Ｂａａｔｚ
和Ｓｃｈａｐｅ（１９９９）根据高分辨率的遥感图象图像的特点
提出了面向对象的遥感图象图像分类方法。主要论述 面向对象的遥感图象图像模糊分类。
１基于面向对象的分类方法 遥感是２０世纪６０年代发展起来的对地观测综合
性技术。它是应用探测仪器，不与探测目标相接触，从
远处把目标的电磁波特征记录分析以揭示出物体的特 征性质及其变化，进而完成数据更新或专家决策的综合
性探测技术。２０世纪８０年代之后，随着数字成像技术
和计算机图像处理技术的迅速发展，计算机解译开始被 广泛应用。相对于目视解译，计算机解译有很高的优势
性，可以快速地获取地表不同专题信息，大大减少了图
像处理的工作量和解译时间，提高了工作的效率。近年
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
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）
龙源期刊网
高光谱遥感影像分类方法综述
作者：张佳 谢玉凤
来源：《安徽农学通报》2017年第14期
摘 要：该文简述了高光谱遥感影像分类的策略，主要有监督分类与非监督分类，基于分类判据的实现策略划分，硬分类和软分类，基于像素的分类和基于对象的分类，单分类器和多分类器集成。并简单介绍了一些分类方法，包括监督分类法（最小距离分类法、最大似然分类法和平行多面体分类法）、基于光谱相似性度量的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。
关键词：高光谱；分类策略；分类方法
中图分类号 TP751 文献标识码 A 文章编号 1007-7731（2017）14-0155-02
随着遥感传感器的光谱分辨率不断提高，许多隐藏的狭窄光谱区间的地物特征逐渐被发现，精细的光谱波段分割，宽泛的光谱探测范围是高光谱遥感的重要特征。当前使用的航空航天成像光谱仪，其光谱探测能力有了很大的提高，覆盖了可见光、近红外、短波红外、中波红外和热红外的全部光谱区。高光谱遥感在国民经济、国防建设等方面发挥了重要的作用，广泛用于地表分类、目标探测、资源监测等。高光谱遥感影像分类的目的是给予每一像元唯一的类别标识。
1 高光谱遥感影像分类的主要策略
高光谱遥感影像分类的理论基础是“同谱同物”，同种地物具有相似的光谱特征及空间特征，在影像上呈现高度的相似，基于这种相似，可以实现对地区的识别。在高光谱影像分类以每个像元的光谱矢量数据为基础，一个像元可以看成是N个特征组成的N维空间中的一个点，同类地物的像元形成N维空间中的一个点群，不同地物会在N维空间中形成若干个点群，计算机分类就是根据这些点群的位置，分布规律等，确定点群的界限，从而完成分类任务。高光谱遥感分类主要策略如下：
1.1 监督分类与非监督分类 遥感影像分类最传统的两种实现策略是根据分类中是否引入了先验已知类别的训练样本，将其划分为监督分类与非监督分类，监督分类是利用已知的先验训练样本，依据判定函数或判别规则，确定未知样本的类别。非监督分类是在没有先验样本的情况下，根据样本本身的特征进行统计，直接进行类别划分的方法。
