基于面向对象方法的高分辨率遥感影像提取.doc

本科毕业设计说书基于面向对象方法的高分辨率影像信息提取学 院：水利与土木建筑工程学院专 业：测绘工程姓 名： 杨静学 号：080613156指导教师：翟涌光职 称：设计完成日期：二一二年六月4摘 要遥感技术的发展使我们能够获得及其丰富的信息。尤其是近年来高分辨率遥感影像的出现更扩大了人们对自然界观察的视野。与中低分辨率的遥感影像相比，QuickBird和IKONOS等高分辨率遥感影像具有更加丰富的结构信息和纹理信息，对于高分辨率遥感影像来说，对于单一的传统的基于像元光谱信息分类方法不但会导致分类精度降低，而且也会造成空间数据大量冗余和资源浪费。在对传统的基于像元的分类方法分析的基础上，把一种新的信息提取方法面向对象的信息提取方法引入到高分辨率遥感影像提取中，影像分割和信息提取是这种方法的两个关键步骤。本文所做的工作如下：多尺度影像分割，需要用户输入适当的参数来得到较好的分割结果。本文用目标函数法来对分割结果质量进行评价，已得到最优的影像分割结果。目标函数法的目标是 :使影像对象内部同质性和影像对象之间异质性尽量最大化，其中同质性保证对象的纯度，异质性保证对象的可分性。针对研究区域的特征，本文采用决策树分析的方法为研究区域的相应类别选择了合理的特征，并根据决策树分析过程建立了相应的分类体系，取得较高精度的信息提取结果。面向对象信息提取方法和基于像元分类方法进行了综合比较：（1）理论上的比较；（2）目视效果的比较。关键字：高分辨率 面向对象 基于像元AbstractThe development of the remote sensing technology makes us obtain very abundant information of the nature, especially with the appearance of high resolution remote sensing , it extends the visual field of the nature. Compared with the low or middle resolution image, the high resolution remote sensing image such as QuickBird and IKONOS has richer structure information and the texture information. It will result in not only reducing the accuracy of classification but also making the spatial data redundant and wasting the resource when the single traditional classification method based on spectrum of pixels is applied to the high resolution remote sensing image.A new information extraction methodobject oriented information extractionis introduced in extracting information form high resolution remote sensing image. Image segmentation and information extraction are the most important in the method. The work is done in the word as following:In the multi-segmentation method, users are needed to supply suitable parameters to get a good segmented result. An objective function is proposed to measure the quality of the resulting segmentation, so a best segmentation result can be got. The function aims at maximizing intrasegment homogeneity an intersegment heterogeneity. Intrasegment homogeneity ensures the simple of image-object and intersegment heterogeneity ensures the separability of image-object.According to the character of study area, decision tree analysis is used to select the suitable feature for each class, and a classification system is founded based on this. A better result is got.Pixel-based and object-oriented image classification approaches are compared in three aspects: (1)compare of theory;(2)compare of eyes.Key words：high resolution object-oriented Pixel-based目 录 摘 要IAbstractII1 绪论11.1 高分辨率遥感影像的发展11.2 高分辨率遥感影像的分类方法31.3 高分辨率遥感影像分割与信息提取32 遥感影像信息提取方法的研究52.1 基于像元的分类方法52.1.1 监督分类及其优点62.1.2 非监督分类及其优点62.1.3 传统信息提取新方法72.2 面向对象的影像分析方法92.2.1 面向对象信息提取技术发展历程102.2.2 多尺度分割技术112.3.3 影像分割与分割参数的确定162.2.4 影像分类技术182.4 该方法存在的不足223.1 最优尺度定义243.2 多尺度分割的实验253.3 最优尺度的选择263.3.1 最大面积法263.3.2 目标函数法263.3.3 目标函数273.3.4 实验结果和分析283.3.5 本章小结294 面向对象遥感信息提取实验304.1 遥感影像预处理304.1.1 遥感影像融合304.1.2 遥感影像精纠正304.2 多尺度分割参数选择实验314.3 面向对象信息的提取314.3.1 影像信息提取实验324.4 面向对象和基于像元信息提取的比较355 总结与展望365.1 总结365.2 本文的不足与展望36参 考 文 献38致 谢39 内蒙古农业大学本科毕业设计 1 绪论1 绪论近年来，随着遥感技术的发展，遥感影像的时间分辨率、空间分辨率以及光谱分辨率都有了极大的提高，给人们带来了极丰富的地表信息，应用领域也越来越广。高分辨率遥感影像的空间分辨率在5米以内，由于其自身的辐射特点，像元的混合程度明显低于中低分辨率影像。高分辨率影像数据具有极其丰富的空间信息、地物几何结构，纹理信息更加明显，更便于认知地物目标的属性特征，如地物的图层值、形状、纹理、层次和专题信息属性。随着高空间分辨率遥感影像分类方法的研究成为备受关注的领域之一，采取适合的技术方法快速、自动识别和提取影像上的地物信息，从而使遥感技术应用的深度和精度得以提高面临新的挑战。1.1 高分辨率遥感影像的发展高分辨率遥感影像通常是指像素的地面分辨率在10米以上的遥感影像。早期高分辨率传感器的研制与应用主要在军事领域，以大比例尺遥感制图和对地物的分析和人类活动的监测为目的，20世纪90年代以后才逐渐进入商业和民用领域的范围，并迅速地发展起来。1957年原苏联将全球首颗人造地球卫星成功送入预定轨道，开创了空间技术研究和应用的新局面。1968年，美国阿波罗-8宇宙飞行器发送回了第一个地球影像，从此，人类以全新的视角来重新认识自己赖以生存的地球。20世纪70年代初，美国成功发射了世界上第一颗真正的地球观测卫星陆地卫星Landsat-1，其多光谱空间分辨率达到80米。1986年2月法国SPOT卫星成功发射，其高分辨率可见光传感器HRV的地面分辨率达到10米，并能通过侧视观测在相邻轨道间构成异轨立体。在1991年开始的海湾战争中，以美国为首的多国部队采用SPOT影像，不仅修测了大量军用地形图，而且还为多国部队空袭目标的定位和空袭效果的评估做出贡献，推动力航天影像测图技术走向实用。20世纪90年代，随着“冷战”的结束，俄罗斯将原苏联解体前从空间拍摄的高分辨率影像以低廉的价格出售给其他国家，给国际遥感图像市场提供了新的选择。随后，美国克林顿政府于1994年取消了对10-1米级分辨率卫星遥感影像数据的商业销售禁令，从而揭开了发展高分辨率商业遥感卫星的序幕。在不长的时间里，美国使有数家私营企业提出高分辨率遥感系统方案：数字地球公司提出“Earlybird”和“Quickbird”卫星系统；GDE公司提出GDE卫星系统；轨道成像公司提出“OrbView”（轨道观测）卫星系统；空间成像公司提出IKONOS卫星系统。随后，以色利的EROS-2和法国的SPOT-5等高分辨率遥感卫星系统也相继面世。在Landsat-1成功发射后的几十年里，研制出具有1米分辨率的卫星传感器一直是可望不可及的梦想，而在1999年商业遥感市场上出现的第一景IKONOS卫星影像时，人们的愿望终于变成现实。IKONOS卫星是高分辨率商业遥感卫星发展史上的一个里程碑，他首次在民用领域将星载传感器的地面分辨率提高到1米之内。IKONOS、Quickbird等高分辨率影像进入世界遥感影像数据市场，大大缩小了卫星影像与航空相片之间分辨能力的差距，打破了较大比例尺地形图测绘只能依赖航空遥感的局面。近几年来，随着一系列高分辨率卫星的相继上天，使得高分辨率卫星遥感的应用成为可能，也使得遥感技术走向产业化、商业化。由于卫星遥感获取资料迅速，成本相对较低，并且不受区域限制，因此他已经在空间探测、资源调查、通讯、导航、气象、测绘和军事侦察等领域得到了广泛的应用。随着高分辨率遥感卫星的出现，使人们认识到遥感卫星有着更加巨大的应用潜力。高分辨率遥感影像的空间分辨率一般可达到米级，地物的空间特征、几何结构、纹理及形状等信息非常丰富，真实的反映了地面的各种地物信息。典型的高空间分辨率遥感卫星如：IKONOS、QuickBird、SPOT5、EOS、WorldView-1、北京一号卫星等，空间分辨率均可达到米级。WorldView-1卫星于2007年9月18日成功发射，是全球分辨率最高、响应最敏捷的商业成像卫星，全色影像的分辨率可达0.5米。IKONOS卫星是高分辨率商业遥感卫星发展史上的一个里程碑，它首次在民用领域将星载传感器的地面分辨率提高到1米以内。IKONOS-1于1999年4月27日发射失败，同年9月24日，IKONOS-2发射成功，于10月12日成功接收到第一幅影像，空间分辨率为1米。QuickBird卫星于2001年10月18日成功发射，多光谱的空间分辨率为2.44米，全色波段的空间分辨率可达0.61米。SPOT-5卫星利用影像重采样技术可得到2.5米分辨率的全色影像。EOS卫星全色影像的空间分辨率达到0.6-3米，多光谱影像分辨率达到4米，高光谱影像分辨率达到8米。北京一号卫星是国家“十一五”科技攻关计划和高科技研究发展计划联合支持的研究成果，同时被列为“北京数字工程”、“奥运科技行动计划”重大专项。卫星可获取4米分辨率的全色影像数据，已完成了3次全国基本无云的32米多光谱影像覆盖，并对重点地区进行了密集观测，为减灾救灾提供了数据支持。汶川地震发生后，北京一号卫星为国家诸多部门提供了大量地震灾区中的中分辨率多光谱和高分辨率全色卫星影像存档数据，为抗震减灾工作提供了重要的数据支持。这些高分辨率卫星遥感影像的出现使得在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响成为可能。高分辨率影像数据具有丰富的空间信息，地物几何结构，纹理信息更加明显，更便于认知地物目标的属性特征，如地物的图层值、形状、纹理、层次和专题信息属性。与此同时，高分辨率影像的光谱分辨率却很低，影像一般只有3-4个波段，光谱信息相对较弱。1.2 高分辨率遥感影像的分类方法遥感影像分类是遥感影像处理系统的核心功能之一，也是信息提取的重要环节，他实现了基于遥感数据的地理信息提取。目前应用较多的遥感解译方法有目视解译、基于像元的分类方法，面向对象的影像分析方法。随着高分辨率遥感卫星的发展，具有丰富的几何结构和纹理信息的高分辨率遥感影像扩充了人们的视野，同时又为遥感信息提取技术提供了新的发展机遇。传统的遥感信息提取方法都建立在像素的统计特征基础上，很少利用地物的形状几何结构等信息，分类精度较低，效率不高，而且依赖解译人员，很大程度上不具备重复性。高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能，随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要。为了更好地利用高分辨率遥感影像的丰富信息，实现高分辨率遥感影像的信息提取，面向对象的影像分析方法应用而生，他所处理的信息不再是低层次的像素，而是经过多尺度分割后的目标对象。与像素层面的分析方法相比，影像分析和理解的层次有了很大的提高和进步。尤其是第一个面向对象的影像分析软件eCognition的出现，更加速了该方法的发展。1.3 高分辨率遥感影像分割与信息提取遥感影像信息提取的依据是各类样本内在的相似性。遥感影像中的同类地物在相同的条件下（地形、光照、时间等）具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性。同类地物的像元的特征向量将集群在同一特征空间区域，不同类型地物其光谱信息特征或空间信息特征不同，他们将集群在不同的特征空间区域。遥感影像信息提取一直是遥感技术的一个最重要研究领域。从早期的影像目视解译技术到后期的计算机辅助分类，乃至当今的自动化判读技术，遥感影像信息提取逐步从单纯的像元物理特性识别向影像理解演变。事实上，遥感影像中蕴含着丰富的色彩信息、空间信息、纹理信息，而传统的分类方法一般只利用了像元的色彩信息。无论是监督还是非监督法均是基于像元级的处理，像元间的天然的内在联系被舍弃了。即使采用纹理等影像辅助分类，其目的也仅是为了提高像元级的识别精度与可靠性，而从未顾及到遥感影像中丰富的空间信息的提取。传统影像的分类方法是针对中、低分辨率遥感影像而设计的，因为低空间分辨率遥感影像本身单一像元代表的是混合地物，研究方向是从像元到亚像元的解译过程。低空间分辨率遥感影像的光谱分辨率一般较高，而高空间分辨率遥感影像的光谱分辨率则相对较低，处理上应该采用从上至下的综合方法影像分割。高空间分辨率遥感影像可以通过建模从分割影像中获得除光谱信息之外的空间特征、纹理特征及层次特征等信息。高空间分辨率遥感影像分割及特征提取、选择的过程是从另一个角度增加信息维并降低单维影像信息的冗余度，有助于提高遥感解译的精度。 影像输入预处理专题信息输出分类器设计精度评价内蒙古农业大学本科毕业设计 2 遥感影像信息提取方法的研究2 遥感影像信息提取方法的研究 遥感影像计算机分类是通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将图像内各个像元按照某种规则或算法划分到各个子空间中去，从而实现分类。遥感影像计算机分类是统计模式识别技术在遥感领域的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定的准则做出决策，从而实现对数字图像的计算机分类。遥感图像数据源的增多，人们对遥感数据处理分析方法和手段也在不断发展，新的分类方法和分类的思想也都在不断涌现。传统的基于像素的常规遥感图像分类方法主要有非监督分类法和监督分类法，近年来发展的神经网络分类方法使得分类趋于人脑化和自动化，也使得遥感影像分类更趋于人的思维；面向对象的遥感影像分类方法，使得分类方法更加趋于完善和分类的结果精度更高，使得图像分类更加灵活和方便，为遥感影像分类和信息提取的发展迈出了跨越性的一步。鉴于目前遥感影像分类法多而杂的现状，现从不同的角度进行分类总结。按照分类的依据可以分为光谱特征分类和知识特征分类，而按照分类的对象可以划分为面向像素的分类和面向对象的分类；按照分类时被分像元的纯净程度来分，则可以分为纯净像元分类和混合像元分类。传统面向像元分类方法是从中低分辨率遥感影像的基础上发展起来的，主要根据像元的光谱信息进行分类，然而，高分辨率遥感数据通常包括较少波段，光谱信息不如空间特征丰富，分类时不能仅靠光谱特征，更多的是要利用几何特征和纹理信息。同时，高分辨率影像信息提取对计算机的软、硬件都提出了更高的要求，以面向像元分类方法对高分辨率影像进行信息提取的速度慢，不能满足遥感信息快速提取的需要。面向像元分类方法提取的最终信息是离散的，不能表征不同的地物边界、面积等特征。此外，面向像元的分类方法，所有地物类型的提取均在一个尺度中实现，不能充分利用影像的蕴含信息，因此，对于高分辨遥感影像而言，利用这种传统的分类方法，不能利用高分辨率影像的丰富信息，会造成分类精度降低，空间数据的大量冗余，造成资源的浪费。2.1 基于像元的分类方法基于像元的分类方法是传统的分类方法，至今应用比较广泛，技术上发展比较成熟，主要包括监督分类和非监督分类。监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是一种自底向上的数据驱动方法。比较常用的监督分类法有：最小距离法、费谢尔线性判别分类法、最大似然比分类法、平行六面体法、马氏距离法、波普角度制图以及二进制编码法等。常用的非监督分类法有：分类集群法、波谱特征曲线图形识别法、平行管道分类法、动态聚类法和K-means法。高空间分辨率影像数据空间信息丰富，但光谱分辨率却很低，光谱信息相对较弱，其光谱统计特性不如中低分辨率影像稳定，类内光谱差异较大，光谱信息相对较弱。仅考虑单个像元光谱光谱信息因素的方法极易出现大量错分，结果往往出现大量的椒盐和噪声。如果用灰度滤波方式抑制又会降低影像分辨率，失去高分辨率影响的意义。利用基于像元的遥感分类算法对高分辨率遥感数据进行分类，往往难以取得满意的结果，更适合于中、低空间分辨率多光谱遥感影像信息提取。2.1.1 监督分类及其优点监督分类（Supervised Classification）又称训练分类法，是通过选择有代表性的、地物类别已知的训练数据来训练分类器，再用训练好的分类器对未知地区影像数据进行自动分类的方法，即用被确认类别的样本像元去识别其他未知类别像元的过程。监督分类可根据实际应用目的和研究区域有选择的决定分类类别数量，从而避免大量数据的冗余；可充分结合分析者的知识与经验控制训练样本的选择，有利于提高分类精度。监督分类一般有以下几个步骤：定义分类模板、评价分类模板、进行监督分类、评价分类结果。2.1.2 非监督分类及其优点非监督分类（Unsupervised Classification），也称聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱及群组的过程，其前提是假定影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，仅需极少的人工初始输入，依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取，再统计特征的差别来达到分类目的，最后对已分出各个类别的实际属性进行确认。经过长期发展，目前已形成近百种非监督分类方法。非监督分类运用ISODATA算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参与分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般经过以下几个步骤：初始分类、专题识别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量数据、统计分析。监督分类比非监督分类更多的要求用户来控制，常用于对被研究区域比较了解的情况，在监督分类的过程中，首先选择可以识别或者借助其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。 由于监督分类不需要分析者选择训练样本，只需要其对非监督分类所得结果的解译能力，故对分析者的精度要求较低；主观因素影响较小，在非监督分类过程中只需要分析者预先定义几个参数，如分类数目等。即使分析者对图像又很强的看法偏差，也不会对分类结果有很大的影响，因此非监督分类可以产生比监督分类更均质的图像；与监督分类相比，非监督分类不需要分析者对研究区域有很好的了解，因而可以节省大量的人力时间等；在非监督分类中，独特的、覆盖量很小的类别亦能被识别，而不至于像监督分类中由于分析者的失误造成信息的丢失。2.1.3 传统信息提取新方法近年来传统的信息提取方法也发展了一系列新的方法：人工神经网络、决策树、模糊集、专家系统分类以及其他一些纹理分类方法，其中ANN方法和决策树方法应用较多。神经网络分类算法属于非参数分类器。人工神经网络是基于生物神经系统的分布式存储、并行处理、自适应学习这些现象构造出具有低级智慧的人工神经网络系统。当然这种人工神经网络只是对大脑的粗略而简单的模范，无论在功能上，还是在规模上都比真正的神经网络差得很远，但他在一些科学研究和实际工程领域中已显示了很大的威力。但是，目前大多数的ANN方法主要是针对遥感数据的计算行为，缺乏地学知识的支持，因此不能真实反映遥感影像中特殊类型的分布特征。决策树技术，在模式识别领域最早出现在1992年的文献中，90年代才引入到遥感影像处理中，模拟专家目视解译，建立遥感影像解译的专家系统，实现了影像的自动判读，成为遥感影像解译的主要趋势之一。基于像元的分类方法存在的不足如下：（1）分类精度低，一般在70%以下，很难应用于针对高分辨率遥感影像的实际应用中：（2）针对高分辨率遥感影像时，最终结果存在严重的“椒盐现象”，在很大程度上影响了目视效果；（3）基于像元的分类方法不能充分利用高分辨率遥感影像中包含的丰富的信息，在类别识别或信息提取中存在较大的局限性；（4）由于遥感影像中存在比较普遍的“同物异谱”和“同谱异物”现象，利用基于像元的方法容易产生类别混分的现象，影响最终效果，这就需要利用除光谱之外的其他信息得以解决。自遥感出现以来，许多学者对上述的方法进行了大量的研究和改进，在很大程度上促进了遥感技术的发展。Toll（1984）利用监督分类方法进行了大量的研究和改进，在很大程度上促进了遥感技术的发展。Toll利用监督分类方法对Landsat mss数据进行了土地利用和土地覆盖分类的实验，得到了较好的分类结果；Xia（1996）提出了一种监督分类的改进方法，利用形状信息提高了分类结果；Sanghamitra（2002）和Mind-Der Yang（2004）提出了一种新的全局优化算法遗传算法（GA）。Gong和Howarth（1990、1992）、Salihe 和Wolfman（1992）、Karathanssi等（2000）通过在基于像元的传统信息提取的基础上，结合纹理和上下文信息来提高分类精度，得到较好的结果；B.Kartik等（1995）建立了遥感土地分类专家系统的框架模型，其中包括光谱知识库、推理机、知识自动获取机等，并结合光谱知识进行了实际的土地覆盖分类的实验工作；朱建华利用自适应最小距离算法用TM多光谱遥感影像对16类数据进行了监督分类实验。李颖、赵文吉利用Landsat影像分别采用成熟系统方法和流行的神经网络方法，对北京某地区土地利用信息进行了提取。程昌秀在土地利用动态监测中，将土地利用现状的矢量数据与同年度同地区的遥感影像做配准与叠加，对于少数地类多样的图斑做局部边界的提取，使分割后输入图斑内的地类单一，再以图斑为单位提取整个图斑的灰度特征、纹理特征、形态特征等多种判别指标，大大提高了高分辨率、纹理粗糙影像的判别精度。术洪磊（1997）等以规则形式表示遥感影像解译知识，使用TM数据和DTM、坡度、土地利用图等地理辅助数据，从遥感影像处理、地理数据、专家知识一体化角度，对基于知识方法的遥感影像分类方法进行了研究；杨存建将原有的GIS数据和各种土地利用类型变化的先验性知识进行综合集成，用于新的遥感影像分类中，不仅可以促进GIS数据更新的自动化，而且可以得到比常规似然法高的分类精度。尤代安等以GIS辅助下的Bayes遥感影像分类方法为基础，提出从GIS空间数据库中挖掘知识用以辅助遥感影像的分类方法，以提高遥感影像分类精度。邸凯昌等进行了基于空间数据发觉的遥感影像分类方法研究，采用数据挖掘技术从GIS数据库和遥感影像中发现知识，用于改善遥感影像分类，并提出了两种实施空间数据归纳学习的途径，即在空间对象粒度学习和直接在像元粒度上学习，并提出了一种归纳学习与传统影像分类方法的结合方式，该方法用于北京地区SPOT多光谱影像，并结合GIS数据库进行了土地利用分类。实验证明：归纳学习能较好地解决遥感影像中存在的同物异谱、同谱异物等问题，显著提高了分类精度，并且能够根据发现的知识进一步细分类，扩展了遥感影像的分类能力。通过众多学者的研究和改变，传统的遥感影像信息提取方法得到了很大的进步，能够较好的改善中、低分辨率遥感影像信息提取（分类）结果，但仍存在一些问题，尤其是针对高分辨率遥感影像时，其信息提取结果精度很难满足实际的需要。虽然近年来发展起来的方法也附加一些空间信息和语义信息，但是不能从根本上解决传统分类方法存在的问题。我们需要从一个全新的角度来审视这个问题。2.2 面向对象的影像分析方法基于像元的遥感影像分析和处理所能得到的信息极其有限。由于影像中异物同谱和同物异谱现象较为普遍，仅靠光谱特征不足以表达目标或类别，因而其分析结果的可靠性常不尽人意。虽然近年来基于像元的遥感影像分析引入了大量先进的方法，如模糊集、神经网络、分层聚类等，在影像分类精度等方面有了很大的改进，但是由于这些方法从本质上还是基于像元的光谱特征分类，无法从根本上摆脱方法上的局限性。遥感影像分类或专题信息提取中，基于单个像元的处理没有加入“对象”概念，不能利用对象的不同空间特征如大小、形状、位置、空间关系等。对于高空间分辨率遥感影像来说，再利用传统的分类方法，就会造成分类精度降低，空间数据大量冗余，造成资源的大量浪费。根据高空间分辨率遥感影像的特点，面向对象的遥感影像提取方法应用而生。该方法会考虑遥感影像的光谱统计特征、形状、大小、纹理、拓扑关系以及上下文关系等一系列因子，能够得到较高精度的信息提取结果。此方法的关键技术是对遥感数据的分割，即从二维化了的影像信息阵列中恢复出影像所反映的景观场景中目标地物的空间形状及组合方式。影像的最小单元不再是单个的像元，而是一个个的对象，后续的影像分析和处理也是基于分割后的对象进行的。从影像工程的角度来看，传统的基于像元的影像分析不是真正意义上的影像分析，它属于图像处理范畴，处于影像工程的低层。因而，从遥感影像处理上升到遥感影像分析乃至影像解译，已是遥感学科进一步发展的迫切要求。国内外的一些学者已经在遥感影像的分析层作了一些探索性的研究，并且有了一些进展。影像分析意味着对图像语义的分析与处理。在很多情形下、理解影像的重要语义信息应当是有意义的图像对象和他们的相互关系来表达，而非单个像元，并且很多类型的影像或多或少是具有纹理特征的，只有当这些具有纹理特征的数据被分割成有意义的“同质”对象的时候，对这些影像的成功分析才能成为现实。根据高分辨率影像的特点，面向对象的遥感影像分类方法应用而生。面向对象的分类方法是一种自能化的自动的影像分析方法。面向对象的分类基本单元不再是单个像元，而是更有实际意义的影像对象。影像对象是与像元相对应的影像分析单元，由影像的多尺度分割而形成、由若干个同质像素组成的集合体，对象的大小由分割尺度决定，影像的分类都是基于对象进行的，这样能更好地利用目标的几何特征。传统基于像元的分类方法仅仅依靠图像的光谱特征作为分类的依据，过度着眼于局部而忽略了附近整片图斑的几何结构情况，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，影像中的地物类别特征不仅是由光谱信息来刻画的，在分类时必然受到局限。在很多情况下通过纹理特征来表示。此外，背景信息在影像分析中很重要。面向对象的分类方法在影像光谱特征的基础上，充分考虑了地物的形状、大小、结构等几何特征，可以充分利用对象和周围环境之间的联系等因素，借助对象特征知识库来完成对影像信息的提取，有利于提高分类的精度，减少了传统基于像元分类方法的语言信息损失，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 轻松区分为绿地与湿地。而在基于像元的分类中这种背景信息几乎不可利用。采用面向对象的分类方法可以有效地去除噪声，通过分割噪声区域将和其周边的像元一起分割合并到特定的影像对象中去。 面向对象的分类方法首先对遥感影像进行分割，得到同质影像，再根据遥感分类或目标地物提取的具体要求，检测和提取目标地物的各种特征（如光谱、形状、纹理、阴影、空间位置、相关布局等），利用模糊分类方法已达到对遥感影像进行分类和目标地物提取的目的。面向对象方法具有两个重要的特征：一是利用对象的多特征，二是用不同的分割尺度生成不同尺度的影像对象层，所有地物类别并不是在同一尺度的影像中进行提取，而是在其最适宜的尺度层中提取。面向对象分类方法的这两种特征使得影像分类的结果更合理，也更适合于高分辨率遥感影像的分类。高分辨率遥感影像能提供更多的地面目标和更多的细节特征，为地物分类提供更大的可能性和更高的准确性。从影像分析的角度，采用面向对象的分类方法进行遥感影像解译在高空间分辨率遥感影像的分类方面精度有了大的提高。2.2.1 面向对象信息提取技术发展历程早在20世纪70年代面向对象的信息提取方法就被应用于遥感影像的解译中，Ketting and Landgrebe（1976）提出了同质性对象提取的优点，并提出了一种分割分类算法ECHO（Extraction and Classification of Homogenous Objects）。20世纪90年代以来，该技术得到迅速的发展，Arigialis and Harlow（1990）认为面向对象提取技术促进了影像分析技术的发展，从基于数学与统计的方法发展为基于逻辑与启发的分析技术；Lobo（1996）等人利用基于目标的信息提取思想对遥感影像进行了分类，得到了较好的结果，同时他们特别指出，与传统的基于像素的分类结果相比，基于目标对象的方法得到的结果更容易被解译，而且处理结果中图斑的完整性更好；Hofmann（2001）在面向对象的分类方法中利用影像对象的光谱、纹理、形状与背景信息识别IKONOS影像中的非正式居民地，得到较好的效果并且具有较高的精度；Qin Yu（2006）利用面相对像的分类方法进行了森林资源的调查，分类数量达到43个，最终得到了比较满意的结果。由此可见，面向对象的影像提取技术正逐步走向成熟。2.2.2 多尺度分割技术（1）多尺度分割的概念不同目标在影像上具有的尺度是不同的，因此不同的分析目的所关注的尺度也会不同，1m分辨率的遥感影像可以用来分析房屋，而1000米分辨率可能只能用来分析大区或植被覆盖，特定的目标分析要在特定的尺度上进行。多尺度分割在生成影像对象的过程中压缩高分辨率影像，但把高分辨率像元的信息保留到低分辨率信息的影像上，在影像信息损失最小的前提下将影像分割成有意义的影像多边形。影像分析的不同主题都有其特定的空间尺度，每一个主题都需要分割所生成的影像对象用最恰当的尺度来描述与传递影像的最佳信息，因此在影像分析中总是希望在适宜的尺度上进行，多尺度分割中采用不同的分割分割尺度生成不同的尺度影像对象层，使得具有不同分辨率的影像数据可以有不同尺度的影像数据结构组成，从而构成了一个与地表实体相似的层次网络结构，实现了原始像元信息在不同空间尺度间的传递，以适应特定的应用需求。多尺度分割方法充分考虑了地表实体格局或过程的多层次性，克服了数据源的固定尺度问题，采用了尺度影像的层次网络结构来揭示地表特征的等级结构。在影像对象的层次网络中，对象的尺度大小有差异，但大尺度对象与小尺度对象一样为原始像元的聚合，只是聚合阈值大小不一样，而呈现不同的像元综合特征。因此大尺度的影像对象中并没有损失原始像元的信息。影像对象的层次网络允许影像信息在不同的尺度同时被表达，通过定义不同尺度对象间的拓扑关系，更多的信息可以从影像数据中抽取出来。固定分辨率的遥感影像数据在多尺度分割前，表示为同一空间尺度的类别信息，该尺度即为影像的空间分辨率，最小的影像对象即为原始的像元，此时影像不包含有意义的环境语义信息，要提取不同空间属性的类别是有难度的。当设定多个尺度影像分割后就不一样了，形成了由分割尺度参数所决定的影像对象层次网络体系，影像对象集合了像元的光谱信息、此像元与周围像元的关系等。一个对象层有一个固定的尺度值，多个对象层则体现了多种空间尺度的地物类别属性，在不同尺度对象层提取不同属性的类别信息解决了同一分辨率的影像数据识别所有空间属性有差异类别的问题。多尺度分割的突出贡献是同一空间分辨率的遥感影像信息不再只由一种尺度来表示，而是在同一时相可由多种适宜的尺度来描述。此外，在影像对象网络层次结构中，每一个影像对象的属性信息中不仅有与其相邻对象的关系属性，还有与子对象和父对象的关系属性。有些对象的光谱信息与形状信息都十分相似，若以相邻对象的背景信息作为分类的一个条件，则提取就容易的多。在对层次等级的关系进行操作时，上下层次对象间的关系显得十分重要，可根据父对象的属性对子对象分类、根据子对象的平均属性对父对象的纹理属性进行分类、根据已分类的子对象的组成对父对象分类等。在影像生成多边形对象的过程中，并非只有一种类型的数据参与分割，大量其他数据融合是完全可能的。如在农作物类别的分割中，如果能获取该区域的耕地面积矢量数据，就可以作为一个专题层参与到影像的分割中，所生成的影像对象在感兴趣的耕地范围内，其他的土地利用类别只作为一个大的背景，这种多元数据参与影像分割与分类的方法大大增加了影像提取的精度和效率。 （2）多尺度遥感影像分割的原理面向对象的处理方法中最重要的一部分是图像分割。图像分割是一种重要的图像分析技术。他是低级计算机视觉中最基本最重要的研究内容，是成功进行图像分析、理解与描述的关键技术。图像分割的好坏将直接影响到后续分析、识别和解译的结果精度。图像分割是面向对象遥感影像处理方法的基本处理过程。他将遥感影像分割成利于分析的同质图像区域。图像分割的算法有很多种，但基本上没有一种算法能够精度高、速度快、可重复性好、可控制过程地得到令人信服的结果。在遥感影像方面，分类方法主要使用纹理特征进行分割。这里包括两方面的分割方法：一方面是基于纹理模型的算法，典型纹理特征提取模型有空间频率模型，马尔科夫随机场模型，协方差矩阵，小波系数，小波包和分形系数等。另一方面是最优化算法，主要使用的是一些聚类的算法，现在研究的主要方向是分水岭变换。图像分割形成的初始区域是图像对象的形状表述，也是以后特征提取和分类处理的基础，因此分割算法的好坏直接影响后面的理解。在遥感影像处理中，通常使用的分割方法分为两种：一般数字图像的分割算法和纹理图像的分割算法。遥感图像内容复杂、信息丰富，用户需求难以确定，一般数字图像的分割算法如区域生长算法、边缘检测等算法难以满足要求；遥感影像纹理分割的方法如MRF模型等，仅对一部分高纹理的图像可以取得令人满意的结果，并不能对高分辨率遥感数据取得较好的结果。面向对象的信息提取技术主要包括两个关键技术多尺度遥感影像分割和面向对象的影响分类。多尺度遥感影像分割是面向对象信息提取的基础和关键，分割的好坏直接关系到后续信息提取的进度。不同目标在影像上具有不同的尺度，因此不同分析目的的所关注的尺度也会不同，不同的分割可以生成代表不同空间分辨率的影像图像，进而构建一个网络层次结构。由于是网状结构，每个对象都可以知道自己的上下文关系、父对象和子对象。这个网状结构是一个拓扑关系，比如，父对象的关系界定了子对象的边界，父对象的区域大小由子对象的总和决定。每一层都由它直接的子对象来构成，在下一个高层上，子对象合并为父对象，这个合并会被已有的父对象的边界所限制。如果是不同的父对象，那么相邻的对象不能进行合并。因此，分割必须遵循连个原则：（1）在满足必要的精细的条件下，尽量以最大的可能分割尺度来区分不同的影像区域获得影像对象；（2）在满足必要的形状标准的前提下，尽可能采用颜色标准。原因是影像数据中最重要的信息是光谱信息，形状标准的权重太高会降低分割结果的质量。面向对象的高分辨率遥感影像信息提取技术是建立在多尺度分割的基础上的，该方法综合考虑遥感影像的光谱统计特性、形状、大小、纹理、拓扑关系以及上下文关系等一系列的因子，能够得到较高精度的信息提取结果。多尺度分割就是将图像进行多次分割，在这多次分割中采用不同的分割尺度，在分割结果上进行分类，而得到不同的分类结果，并将不同的分类结果进行融合，以期获得更高的分类结果。在单次分割过程中，对象的完整性和单一性都是很难达到很高的水平，分割的精度对分类精度的影响非常大。完整性是指同一属性的对象被完整分割的程度，如一个建筑被分成许多碎块，那么他的完整性就很差，对象的形状特征的显著性将大受削减。单一性是指分割对象属性单一的程度，如一块儿田地中好夹杂着许多其他类型的地类，那么他的单一性就很差，单一性不好，是无法获得高的分类精度的。实际中，不同类型的对象在某一尺度分割后的完整性和单一性的表现不一样，某些类型的对象完整性和单一性可能在大分割尺度上保持的较好，而另外一些类型对象则在小分割尺度上保持的较好。为了解决不同类型对象分割精度差异的问题，需要对影像进行不同尺度上的分割，将结果进行分类融合。分类融合的目的就是从不同尺度的分类中筛选出最可信的分类结果，获得比单个分类结果更好的分类精度。影像分割算法对阈值十分敏感，阈值的微小变化就可能对结果产生较大的影响，而在图像处理前是很难确定阈值大小的。同时，阈值和图像之间并没有内在的联系，不能反映图像特性。因此将阈值换算为能够表示图像中地物特性的尺度是非常必要的。尺度是由阈值得到的，但并不只表示阈值，他反映了遥感影像中地物的内在属性。在空间意义上，遥感尺度有两个含义，影像空间分辨率和遥感研究内容的空间范围。影像的空间分辨率是指影像上能够详细区分的最小单元所代表的地面实际范围的大小，是一种测量尺度。不同的研究内容应选用不同空间分辨率图像，高分辨率图像主意地物空间结构上的细节，低分辨率更注意地物空间结构上的宏观变化，如研究大气运动常常使用空间分辨率为公里级的影响，而土地利用变化则需要用米级甚至分米级的影像。遥感研究内容的空间范围是指提取遥感信息时研究对象的区域大小或空间范围。在同一个空间参考系中，研究内容的大尺度是在空间上占有较大的空间范围，表现了图像中的局部逻辑关系，在属性上反映了较高层次对象的特性和轮廓趋势；小尺度是在空间上占有较小的空间范围，表现了图像中的细节，在属性上反映了较低层次对象的特性和拓扑关系。对于影像，不同的地物对应的是不同的尺度，只有在这个尺度下对象才能被最有效的提取信息，如在土地利用中，遥感影像在一级类农业用地的节以上应使用大尺度，在三级类公共设施用地的解译上应使用小尺度。（3）基于异质性最小原则的区域合并算法多尺度影像分割采用异质性最小的区域合并算法，影像分割中像元的合并开始于影像中任意一个像元，先将单个像元合并为较小的影像对象，再将较小的影像对象合并成较大的多边形对象，分割过程中多边形对象不断增长的异质性最小。他是一个从下到上、逐级合并的过程。区域合并方法的基本思想是将具有相似性质的集合起来构成区域多边形，先对每个需要分割的区域找一个种子像元作为生长的起点，然后将种子像元周围邻域中与种子像元有相同或相似性质的像元合并到种子像元所在的区域中，将这些新的像元当作新的种子像元继续进行上面的过程，知道没有满足条件的像元，这样一个区域就生成了。为了保证影像分割生成的多边形对象内部的同质性和相邻多边形对象的异质性适宜程度，在区域合并的分割过程中需要考虑两个标准：设置类似像元合并的准则与确定停止像元合并的条件，这两个条件在分割过程中控制像元的归属，因此标准设置的合理与否直接影响分割后影响对象的有效性。区域合并算法的目的是实现分