面向对象分类方法在遥感信息提取中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇面向对象分类方法在遥感信息提取中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：利用遥感方法提取信息时, 常用的自动分类方法只能利用遥感数据的光谱信息，而采用面向对象分类的方法能综合利用遥感数据的光谱、纹理、拓扑以及分割对象的形状、面积、大小等等信息，通过模糊判别函数来进行分类。本文通过实验用面向对象的方法对建筑物信息进行提取，实验结果表明，面向对象的分类方法能够提高分类精度，具有很大的应用潜力。

关键字：面向对象； 信息提取； eCognition

Abstract: Information extraction using remote sensing method, can automatic classification method of common using spectral information of remote sensing data, and uses the object-oriented classification method can use remote sensing data spectrum, texture, topology and segmentation object shape, area, size and other information, through the fuzzy discriminant function classification. In this paper, through the experiment by using the object-oriented method to extract the information of the buildings, the experimental results show that, the object-oriented classification method can improve the classification accuracy, has a great application potential.

Key words: object-oriented information extraction; eCognition;

中图分类号：C931.6文献标识码： A文章编号：2095-2104（2012）01-0020-02

引言

随着越来越多的高空间分辨率卫星影像的出现，影像上的地物景观结构、纹理及细节都很清晰的表现出来，例如，建筑物、绿地、道路、河流等等，这使得利用遥感影像进行大比例尺地形图制图成为可能，从影像上自动识别地物类型并精确量测地物形状、大小，是卫星遥感和摄影测量研究中的难点。传统的遥感信息提取方法是以像素的光谱信息为基础，利用的信息主要是像素的色调及纹理，而对地物的形状、结构等信息的分析很少考虑，尤其是高空间分辨率的影像，纹理信息丰富而光谱信息缺乏，基于像素的分类方法就显的十分困难。而面向对象的分类方法它不是对单个像素而是对影像对象进行分类，把对象特征属性包括色调、形状、面积、大小、纹理、继承信息等信息结合起来用于目标地物的识别，应用于高分辨率影像分类，原则上可以用于典型面状人工地物，如建筑物、耕地等的提取，提高影像分类的精度。目前商业化的软件eCognition是第一个采取了面向对象分类技术的软件，本文主要研究了利用eCognition软件进行建筑物信息的提取。

面向对象分类方法简介

面向对象的分类方法是一种智能化的自动影像分析方法，与传统的基于像素的分类方法的本质不同在于它不是对单个像素而是对影像对象进行分类。影像对象是通过考虑不同的特征属性经过影像分割获得的，它是一组像素的集合。目标对象比单个像素更具有实际意义，特征的定义和分类均是基于目标进行的。

eCognition的全部影像分析处理包括两个步骤：多分辨率分割和模糊逻辑分类。进行影像分割的目的是为了生成影像目标，多分辨率分割是eCognition软件中很重要的一步，它是基于比例参数、光谱和形状等特征将像素群组成像素块即目标，可以以任意分辨率进行影像同质区域的分割，故称多分辨率分割。多分辨率分割可以产生不同的分割水平，以满足不同目的的分类的需要。分割的结果作为目标对象用于下一步的分类。

eCognition有两种分类器——最近邻法和成员函数，二者均作为分类描述符。最近邻分类相似于常规的监督分类，需要选择样本。当无法描述特征空间时，最近邻分类器是最好的选择。成员函数法是基于可利用的目标特征的模糊逻辑来分类的。对比基于像素的统计分类器，模糊分类不像严格分类只用“是”或“不是”来表示，而是用 0～1之间的连续数字描述分类成员的一个连续状态。模糊逻辑分类法是一种基于知识和概念的方法，且容易使用，因此，如果仅用一个特征或很少的特征就可以将一个类同其他类区别开时。建议使用成员函数分类器；否则， 应该选择最近邻分类器。最近邻分类器比友员函数能更好地处理多维特征空间的联系。

试验影像数据

为了试验面向对象的分类方法对纹理图像的分类效果，选择某地0.6m分辨率的QuickBird影像，截取一块区域作为实验研究区。研究区中包括建筑物、道路、绿地等（见图2）。本研究首先对原始影像进行几何校正、辐射校正等预处理，然后在此基础上利用eCognition面向对象的分类方法提取建筑物。

4、数据处理

4.1研究方法

本文的基本思路是在对卫星影像进行处理的基础上，借助面向对象分类软件通过对影像进行多尺度分割、建立图像对象、模糊分类等图像分析方法，对影像进行分类，从而将目标建筑物信息从影像中提取出来。其技术流程图见图 1。

图1卫星影像信息提取流程图

4.2多尺度图像分割

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。此处特性可以是像素的灰度、颜色、纹理等。分割的好坏直接影响着分类的精度。本文中采用eCognition软件的多尺度分割技术，对卫星影像进行分割处理。为找到最佳的分割尺度和分割方法，通过反复试验，确定本次分割参数为：scale为35，shape为0.3，color为0.7，compactness为0.6，smoothness为0.4。分割结果见图3。

图2 原始影像 图3 分割影像图4 分类结果

4.3对图像对象进行分类

在实验中还需将分割后的图像建立多边形，生成图像对象，供后续分析处理。在 eCognition中有两种基于图像对象的分类方法, 一种是基于样本的分类方法, 即选取样本后再分类; 另一种是基于规则的分类方法, 即通过图像的光谱、形状、纹理特征等信息, 建立规则模型进行分类。

本文采用基于规则的分类方法进行分类。选择线性特征模型进行分割，然后用目标的特征函数进行二次模糊逻辑分类。本试验我们只关心建筑物类别的分类精度，为此在定义函数时首先考虑适用建筑物类的相关特征，根据建筑物的特征（光谱、形状、纹理等）设置描述函数。比如在光谱特征的描述上，根据建筑物顶部不同颜色定义在不同光谱信息层上的函数。线性函数可以综合使用长宽比length/width、面积area、值value等，确定阈值进行二次分类，分类结果见图4。

4.4分类后处理及结果输出

分类后处理主要包括分类精度评价、类合并、颜色指派等。分类后的建筑物、绿地等信息可以栅格或矢量的形式导出，以用于制图或其他目的。

5、结论与讨论

本文采用面向对象的分类方法，通过模糊分类提取影像中建筑物信息，分类过程包括基于光谱信息的影像分割（初次分类）和基于子目标的再次分类两个阶段。经实验表明，面向对象的分类方法可以灵活地运用地物本身的几何信息和结构信息，通过考虑高空间分辨率影像的形状和纹理因素可以有效的识别河道、道路、建筑物的形状。充分利用高分辨率遥感影像丰富的空间信息，弥补传统的基于像素统计特征分类方法的不足。

基于面向对象的分类结果精度关键在于图像对象的生成是否合理, 而图像分割对图像对象的合理性具有决定作用。在分类之前，根据研究区域地物特征和用户的要求调整图像分割尺度是必要的，从而适合与不同精度要求的分类，也可以在不同的图层上进行分割尺度的分类。在光谱统计和多尺度分割的基础上建立的分类体系，图斑小而破碎（如耕地）在比较小的分割尺度 ( 层1) 上分类，面积相对比较大（如植被）在教大的分割尺度（层 2）的基础上分类。充分利用影像的光谱信息、拓扑关系、纹理信息等建立成员函数，从而极大地提高了高分辨率遥感影像自动识别的精度。

参考文献：

[1] 赵英时．遥感应用分析原理与方法〔M〕．科学出版社． 2003．

[2] 杜凤兰，等．面向对象的地物分类法分析与评价[J] ．遥感技术与应用．2004．2

[3] 明冬萍,等．高分辨率遥感影像信息提取与目标识别技术研究 [J] ．测绘科学．2005．3．

[4] 钱巧静，等．面向对象的土地覆盖信息提取方法研究[J]．遥感技术与应用．2005．6．

[5]eCognition中文版用户手册．