面向对象的遥感影象分类绪论.pptxVIP

面向对象的遥感影像分类;传统的遥感变化监测和信息提取主要是基于中低分辨率的遥感卫星数据或航片，通过目视判读或是基于像素的计算机分类方法，信息提取的精度和效率不能兼顾。 高空间分辨率影像空间信息更加丰富，地物目标细节信息表达的更加清楚。;从分类技术角度来看 由于受空间分辨率的制约，传统的遥感影像信息提取只能依靠影像的光谱信息，且是在像素层次上的分类； 而高空间分辨率影像虽然结构、纹理等信息非常突出，但光谱信息不足（波段较少）。所以仅仅依靠像素的光谱信息进行分类，着眼于局部像素而忽略邻近整片图班的纹理、结构等信息，必然会造成分类精度的降低。;其最重要的特点就是分类的最小单元是由影像分割得到的同质影像对象（图斑），而不再是单个像素。;;面向对象的知识决策分类方法是以对象作为分类的基本单元，对象的生成可以由已有的专题图获取，也可以采用遥感影像分类的方法生成。 在分类过程中，对对象进行分析，提取纹理、光谱、形状信息，再将这些信息作为知识加入到分类器中，同时将已有的GIS数据作为知识加入到分类器中，这样可以极大地提高分类精度，知识的加入可通过决策树来实现。 该方法充分利用了高分辨率遥感影像的特点，使分类结果更接近于目视判读的效果，有效地提高了分类精度；分类后还可以通过建立对象间的拓扑关系来反映地理实体之间的关系，利用GIS的空间分析方法对遥感数据进行更深层次的挖掘。;像素级;面向对象分类的工作流程;图像分割的基本策略 分割算法基于灰度值的两个基本特性：不连续性和相似性 检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域。;图像分割的基本策略 分割算法基于灰度值的两个基本特性：不连续性和相似性 检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边;图像分割有三大类方法： 区域法 把各像素划归到各个目标或区域中 边界法 确定存在于区域间的边界 边缘法 先确定边缘像素 把它们连接在一起以构成所需的边界;图像分割的具体算法：;灰度阈值法;灰度阈值法;灰度阈值法;应用灰度阈值法进行图像分割，为了保留云的纹理，灰度阈值为150 大于等于150的值拉伸到1-255之间，小于150的值设为0值;灰度阈值法：阈值的确定;灰度阈值法：阈值的确定;最佳阈值的选择;灰度阈值分割;易康面向对象的知识获取及表示;光谱特征Spectral Features 纹理特征Texture Features 空间（几何）特征Spatial (Geometric) Features;面向对象的分类方法;新建工程;导入栅格对象;NIR、Red、Green三波段组合显示;NIR、Red、Green三波段组合的显示结果;创建图像对象－多尺度分割算法;通过分类体系创建知识库－定义类别;双击各类别 插入分类器;定义样本对象;分类器－若当前列表中无分类器时，选择MORE;选择分类器，对图像进行分类;分类结果图;导入栅格对象;对象平均模式显示分割后图像;利用第二图层均值将主河流从森林和砍伐区中分离出来。 在河流对象中移动鼠标，发现该图层显示的值均小于1。;在河流对象中移动鼠标，发现形状指数图层显示的值均大于4。;创建分类体系;双击Class Hierarchy中的暗区，打开类别描述对话框，加入Mean Green特征 编辑相关的成员函数，此步骤选做。;编辑相关的类成员函数，进行图像第一次分类;图像第一次分类??果;图像第二次分类;图像第二次分类结果;总结