面向对象分类的方法

随着高分辨率遥感的发展，面向对象分类方法越来越多地受到研究者的青睐。用面向对象的方法进行分类时，不仅依靠地物的光谱信息，还充分结合了地物的几何形状、分布位置、纹理等空间信息。面向对象的影像分析方法的基础是图像分割。分割是将具有相同或者相似特征的相邻像元合并成一个对象，并以对象为影像处理的基本单元。由于对象是由多个相邻像元组成，可以检测和计算多个特征，如光谱、纹理、形状、结构、位置和相关布局等，因此影像对象具有丰富的地物信息。

面向对象方法研究的基本单元不再是传统分类方法中的像元，而是经过图像分割后由像元合并而成的同质对象，因此，分割算法受到了研究者的高度重视，至今已提出了大量的分割算法。常用的影像分制算法包括聚类法、边缘检测法和区域增长等，基于边缘的影像分割方法主要是根据对象边界处灰度变化，通过检测不同对象间的边缘来实现影像分割。区域生长的基本思想是将具有相似性质的像素集合起来构成区域。首先寻找一个种子点作 为生长起点，然后将种子点周围邻域中与种子点具有相同或相似性质的像元(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中，将这些像元当做新的种子点继续进行上述过程，直到包含所有满足条件的像元为止。近年来，均值漂移、分水岭分割算法以及基于形态学的分割算法在遥感影像分割中得到了广泛应用。更多原理读者可以参考文献Huang和Zhang，Pesaresi 和Benediskts-son与Blaschke的研究。

Baatz年提出了分形网络演化技术(fractal net evolution approach, FNEA)的影像分割方法，利用模糊子集理论提取感兴趣的图像对象，其分割思路是根据特定的尺度，从单个像元开始，按照局部相互最合适准则分别与其邻域像元计算，以降低最终结果的异质性，当一轮合并完成以后，以生成的对象为基础，继续与它的邻域进行计算，直到用户指定的尺度上已经不能再进行任何对象的合并为止。FNEA技术广泛应用在遥感影像的分割方法中，由德国慕尼黑的Definiens Imaging 公司推出，目前已经成熟应用于高空间分辨率遥感影像分析的商业软件eCognition就是采用FNEA技术实现影像对象的分割。此外，Platt 和Rapoza对分别使用了最大似然法与面向对象方法进行影像分类，并对结果进行了比较；在研究中至少有4个步骤是基于像元的分类方法不使用的，分别是：①影像分割；②最近邻分类器；③专家知识的结合；④特征空间的优化。结果表明使用最近邻分类器以及结合专家知识的面向对象分类方法的结果比基于像元的分类结果有了显著提高。