面向对象的高光谱图像分类

基于同质地物的提取与分类( ECHO，extraction and classification of homogeneous objects )方法川首先将具有相似性光谱特征的像元划分为同质区域，然后利用最大似然分类器对这些区域进行分类。

ECHO基本分为2个步骤:首先将图像划分为不同的图像对象，图像对象为形状与光谱特征具有相似性的同质区域;然后将那些没有划入同质区域中的像元利用最大似然分类器进行分类，最终获得分类结果。ECHO具有较高的抗噪声性能，分类的精度以及kappa系数都很高。

面向对象分类的特点是分类的最基本对象从像元转换为图像对象，也称为图斑对象。图斑对象定义为形状与光谱性质具有同质性的单个区域。面向对象分类的核心是高光谱图像分割，在这个阶段需结合应用光谱信息和空间信息。在很多情况下，提取的图斑对象能为图像分类提供更多有意义的信息，在获取图斑对象后，利用传统分类方法或基于知识的方法对图斑对象进行分类。

面向对象的高光谱图像分类框架(如图1所示)，主要包含3个层次，即数据层、特征层和目标层。

数据层对图像进行基于像元的分割处理，确定图斑对象。基于图斑对象的高光谱图像分割研究中，分割尺度是关键问题之一。 由于图像上地物形态的多样性，各类地物都具有其自身尺度特征。如果根据同一尺度进行分割，图像上图斑对象会产生极大的差异，得到的图斑对象无法体现地物在不同尺度下的特征，造成图像分类结果的误差很大。因此，在图像分割过程中，进行多尺度分析十分必要。

图1 面向对象的高光谱图像分类框架

特征层构建图班对象特征。图斑对象与像元不同，像元仅具有光谱特征，而图斑对象中包含了形状等丰富的空间信息，图斑对象特征构建将直接影响分类器的分类效果。因此利用多尺度图斑对象模型，要求图斑对象的多尺度特征构建有别于传统基于像元的特征表征方式。特征层涉及针对图斑对象的特征选择与提取，以及形状特征描述。

目标层实现从图班对象到目标的认知过程，在多尺度图斑对象模型及特征基础上，将模式识别方法、基于专家知识的规则集等分类方式引入到图斑对象分类中，实现图斑对象的目标识别。