第9章 面向对象的遥感影像分类.ppt

第二步：分类 监督分类 基于样本: “点击、分类”（最近邻法，NN classifer） 基于规则: 融入专家知识 (Fuzzy分类法，fuzzy membership) ...... 或者两者结合 第二步：分类 基于样本的分类：“点击、分类” 第二步：分类 1. 利用光谱特性提取水体 2. 分离河流和湖泊 边界信息 形状因子 基于规则的分类 第三步：输出结果 输出分类结果：栅格图、矢量图、属性表 eCognition分类流程 数据输入 分割生成不同 尺度的影像对象 决策知识库 基于决策 支持的分类 结果输出 分类实例 优点： 分类结果精确； 速度快； 不用繁琐地去编辑样本（AOI区），直接点击即可； 很方便地修改样本（AOI区），以完善分类结果； 可以方便清楚地看到特征（光谱、形状等）差异，并选择有差异的特征用于分类； 问题： 怎么用多尺度分割结果进行分类，上下文特征用于分类； 讨论：如何实现？ 提取影像对象 快速有效的影像分割算法，实现多尺度分割。（前提、关键） 特征 对象特征（形状、纹理、层次等），类相关特征，上下文关系等；以前做过的提取纹理特征怎么利用起来？ 分类方法 Fuzzy模糊分类等；能否将神经网络等好的方法用于对对像的分类？ 谢谢！ 面向对象的遥感影像分类 遥感影像及其分类 面向对象的影像分类 eCognition的分类介绍 如何实现 主要内容 遥感影像 遥感，遥感影像，如航拍、卫星、雷达影像。 遥感影像的分类 “现在影像已经看的很清楚了，为什么还要分类？” 感性认识——精确数量、统计分析，如城市绿化带变化。分 类可以自动提取专题信息，用于城市规划、土地利用管理等。 监督分类， 最小距离法、最大似然法、BP神经网络等； 非监督分类，ISODATA、Kohonen神经网络等。 这些传统的分类方法都是基于像元进行分类的。 遥感影像及其分类 遥感影像 SPOT 2.5m全色 10 m多光谱 常用高空间分辨率遥感影像——SPOT 遥感影像 1 m全色 4 m多光谱 常用高空间分辨率遥感影像——IKONOS 遥感影像 商业化的最高空间分辨率卫星影像 0.61 m全色 2.44 m多光谱 常用高空间分辨率遥感影像——IQuickBird 遥感影像 基于飞行高度和传感器的不同分辨率范围分布在0.1 m 到5 m 之间 影像可使用黑白的、可见光部分和近红外波段 常用高空间分辨率遥感影像——航片 基于像元分类的局限性 Limitations of pixel based analysis of color/digital value of texture in a certain environment Classification 分类只利用了像元值和某些纹理信息 基于像元分类的局限性 No meaningful context information Limitations of pixel based analysis: 分类没有利用有意义的上下文信息 遥感影像的空间分辨率越来越高，呈现如下特点： 单幅影像的数据量显著增加； 成像光谱波段变窄； 地物的几何结构、纹理信息等空间信息更多更明显； 从二维信息到三维信息； 高时间分辨率。 新影像VS传统分类 传统分类方法在高分辨率遥感影像中面临的问题： 影像上表现出更多的类型和差异，增加了分类的难度； 影像增加的地物细节信息，干扰分类的结果； 传统方法较多地利用光谱信息，而几乎没有利用几何结构、纹理等在高分辨率影像中很重要的空间信息； 传统方法得到的分类结果过于破碎，改进分类结果的处理运算量增大； 面向对象分类的提出 色调 纹理 光谱统计 形状 大小 纹理 上下文信息 基于像元的遥感影像分类 面向对象的遥感影像分类 以单个像元为单位的分类技术过于着眼于局部而忽略了附近整片图斑的几何结构、纹理等信息，从而严重限制了分类的精度。 主要内容： 面向对象的影像分析 基本概念 面向对象的分类原理 分类过程 面向对象的影像分类 面向对象的影像分析 面向对象的遥感影像分析是针对高分辨率影像应用而兴起的一种新的遥感影像分析技术。 和传统的影像处理方法不同，面向对象影像分析的基本处理单元是影像对象，而不是单个的像元。甚至连分类的过程也是基于影像对象的。 面向对象影像分析的目的：希望基于真实世界中目标地物来提取影像信息，而且要求目标物具