遥感的面向对象分类法

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，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。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，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，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。

随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。这对遥感影像分类方法提出了挑战。已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。本次针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。主要研究内容与结论包括:
　　1)模糊遥感影像分割算法研究
　　针对当前影像分割算法应用于模糊影像时产生过渡区对象的问题，设计了过渡区对象识别方法。对简单地物模糊影像和复杂地物模糊影像进行实验发现:提出的算法能够有效识别过渡区对象。
　　2)代表地物最佳分割尺度研究
　　针对多参考对象情况下的地物最佳分割尺度选择问题，设计了基于对象内部同质性加权的综合指数评价方法，使得内部同质性较差的对象拥有更高的权值。对比分析了多种加权方法的特点，发现方差同质性加权方法能够在分割尺度较大时促进综合评价指数的下降。对不同影像进行建筑最佳分割尺度选择研究发现，不同影像的空间分辨率相同时最佳分割尺度也可能不一致。利用SPOT6影像与WorldView影像，在分别多个尺度下进行面向对象分类，结果发现:分割尺度对影像分类精度有重要影响，本文最佳尺度选择方法有利于目标地物分类精度提高。
　　3)面向对象的决策树分类方法研究
　　实现了适合于引入专家知识的决策树C4.5算法以及模糊决策树FC4.5算法。设计了基于决策树的面向对象影像分类实验流程。
　　4)面向对象的平原区与高山区遥感影像分类方法验证
　　设计面向对象影像分类实验，验证该方法在平原地区进行土地利用分类、高山植被提取方面的潜力，并分析其优缺点。
　　平原地区土地利用分类应用中对比了基于像元的最大似然影像分类方法、面向对象最邻近距离影像分类方法、常规决策树面向对象影像分类方法、模糊决策树面向对象影像分类方法的特点，并进行了精度评价。通过对混淆矩阵分析发现:a)面向对象影像分类在某类地物的适合尺度上，比基于像元方法具有更高的分类精度;b）利用模糊理论改进的模糊决策树比传统决策树方法拥有更好的分类效果与分类精度。