面向对象的遥感影象分类研讨.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。 原始图像 预处理 光谱信息的 特征提取 监督分类 非监督分类 分类结果 传统的基于像元分类方法的技术路线 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。 输入 校正后的影像 多尺度分割 尺度参数 光谱因子 形状因子 光滑度 密集度 确定最佳参数组合组合 特征信息获取 光谱特征 几何特征 纹理特征 拓扑特征 影像分类 监督分类法 隶属函数法 精度评价 输出分类结果 面向对象分类方法的技术路线－以易康软件为例 知识决策法 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 对象级 面向对象分类的工作流程 1.寻找特征物体 2.提取特征物体 对分割后地物的进行归类，归类的方法有两种，但是都需要对特征进行定义，可以定义训练区或者是建立规则。 定义好特征后，输出分类结果。并能将结果专成矢量输出 寻找特征物体 提取特征物体 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： 区域生长算法 区域分裂与合并算法 基于边缘检测的分割算法 数学形态方法 灰度阈值法等 灰度阈值法 阈值处理是一种区域分割技术。 当使用阈值进行图像分割时， 所有灰度值大于或等于某阈值的像素都被判属于目标， 所有灰度小于该阈值的像素被排除在目标之外。 灰度阈值法 阈值处理是一种区域分割技术。 另一种方法是 把规定的灰度级范围变换为1， 而范围以外的灰度变换为0。 二值图像 灰度阈值法 阈值处理是一种区域分割技术。 半阈值法方法：将灰度级低于某一阈值的像素灰度值变换为零，而其余的灰度级保持不变或进行对比度拉伸。目的：设置灰度级阈值的方法不仅可以提取物体，也可以提取目标的轮廓。 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 根据分割对象与背景之间的差异，产生不同的确定阈值的方法。 全局阈值法采用阈值确定边界最简单做法是将灰度阈值设置为常数。 自适应阈值法在许多情况下，背景的灰度值并不是常数，目标和背景的对比度在图像中也有变化。在这种情况下，可把灰度阈值取成一个随位置变化而缓慢变化的函数值，这种方法称为自适应阈值法。 最佳的全局阈值 灰度阈值法：阈值的确定 最佳阈值 最佳阈值的选择 基本思想：找到一个门限阈值，使按这个阈值划分目标和背景的错误分割概率最小。 灰度阈值分割 全局阈值化 在整个图像中将灰度阈值设置为常数 自适应阈值 把灰度阈值取成一个随图像中位置缓慢变化的函数 适用于：背景的灰度值不是常数，物体与背景的对比度在图像中也有变化。 易康面向对象的知识获取及表示 易康面向对象知识获取分为三类：对象特征、类间特征和全局特征。 对象特征：对影像对象本身和其在影像对象层次结构中的位置进行评价，获取对象特征。 灰度特征：影像对象的波段像素值； 纹理特征：基于灰度共生矩阵或灰度差异矢量； 形状特征：描述对象本身或其子对象的形状； 层次特征：提供一个影像对