【文章內容簡介】 影像的特點，面向對象的遙感影像分類方法應用而生。面向對象的分類方法是一種自能化的自動的影像分析方法。面向對象的分類基本單元不再是單個像元，而是更有實際意義的影像對象。影像對象是與像元相對應的影像分析單元，由影像的多尺度分割而形成、由若干個同質像素組成的集合體，對象的大小由分割尺度決定，影像的分類都是基于對象進行的，這樣能更好地利用目標的幾何特征。傳統(tǒng)基于像元的分類方法僅僅依靠圖像的光譜特征作為分類的依據(jù)，過度著眼于局部而忽略了附近整片圖斑的幾何結構情況，這種分類原理使得高分辨率數(shù)據(jù)或具有明顯紋理特征的數(shù)據(jù)中的單一像元沒有很大的價值，影像中的地物類別特征不僅是由光譜信息來刻畫的，在分類時必然受到局限。在很多情況下通過紋理特征來表示。此外，背景信息在影像分析中很重要。面向對象的分類方法在影像光譜特征的基礎上，充分考慮了地物的形狀、大小、結構等幾何特征，可以充分利用對象和周圍環(huán)境之間的聯(lián)系等因素，借助對象特征知識庫來完成對影像信息的提取，有利于提高分類的精度，減少了傳統(tǒng)基于像元分類方法的語言信息損失，舉例來說，城市綠地與某些濕地在光譜信息上十分相似，在面向對象的影像分析中只要明確城市綠地的背景為城市地區(qū)，就可以 輕松區(qū)分為綠地與濕地。而在基于像元的分類中這種背景信息幾乎不可利用。采用面向對象的分類方法可以有效地去除噪聲，通過分割噪聲區(qū)域將和其周邊的像元一起分割合并到特定的影像對象中去。 面向對象的分類方法首先對遙感影像進行分割，得到同質影像，再根據(jù)遙感分類或目標地物提取的具體要求，檢測和提取目標地物的各種特征（如光譜、形狀、紋理、陰影、空間位置、相關布局等），利用模糊分類方法已達到對遙感影像進行分類和目標地物提取的目的。面向對象方法具有兩個重要的特征：一是利用對象的多特征，二是用不同的分割尺度生成不同尺度的影像對象層，所有地物類別并不是在同一尺度的影像中進行提取，而是在其最適宜的尺度層中提取。面向對象分類方法的這兩種特征使得影像分類的結果更合理，也更適合于高分辨率遙感影像的分類。高分辨率遙感影像能提供更多的地面目標和更多的細節(jié)特征，為地物分類提供更大的可能性和更高的準確性。從影像分析的角度，采用面向對象的分類方法進行遙感影像解譯在高空間分辨率遙感影像的分類方面精度有了大的提高。 面向對象信息提取技術發(fā)展歷程早在20世紀70年代面向對象的信息提取方法就被應用于遙感影像的解譯中，Ketting and Landgrebe（1976）提出了同質性對象提取的優(yōu)點，并提出了一種分割分類算法——ECHO（Extraction and Classification of Homogenous Objects）。20世紀90年代以來，該技術得到迅速的發(fā)展，Arigialis and Harlow（1990）認為面向對象提取技術促進了影像分析技術的發(fā)展，從基于數(shù)學與統(tǒng)計的方法發(fā)展為基于邏輯與啟發(fā)的分析技術；Lobo（1996）等人利用基于目標的信息提取思想對遙感影像進行了分類，得到了較好的結果，同時他們特別指出，與傳統(tǒng)的基于像素的分類結果相比，基于目標對象的方法得到的結果更容易被解譯，而且處理結果中圖斑的完整性更好；Hofmann（2001）在面向對象的分類方法中利用影像對象的光譜、紋理、形狀與背景信息識別IKONOS影像中的非正式居民地，得到較好的效果并且具有較高的精度；Qin Yu（2006）利用面相對像的分類方法進行了森林資源的調查，分類數(shù)量達到43個，最終得到了比較滿意的結果。由此可見，面向對象的影像提取技術正逐步走向成熟。 多尺度分割技術（1）多尺度分割的概念不同目標在影像上具有的尺度是不同的，因此不同的分析目的所關注的尺度也會不同，1m分辨率的遙感影像可以用來分析房屋，而1000米分辨率可能只能用來分析大區(qū)或植被覆蓋，特定的目標分析要在特定的尺度上進行。多尺度分割在生成影像對象的過程中壓縮高分辨率影像，但把高分辨率像元的信息保留到低分辨率信息的影像上，在影像信息損失最小的前提下將影像分割成有意義的影像多邊形。影像分析的不同主題都有其特定的空間尺度，每一個主題都需要分割所生成的影像對象用最恰當?shù)某叨葋砻枋雠c傳遞影像的最佳信息，因此在影像分析中總是希望在適宜的尺度上進行，多尺度分割中采用不同的分割分割尺度生成不同的尺度影像對象層，使得具有不同分辨率的影像數(shù)據(jù)可以有不同尺度的影像數(shù)據(jù)結構組成，從而構成了一個與地表實體相似的層次網(wǎng)絡結構，實現(xiàn)了原始像元信息在不同空間尺度間的傳遞，以適應特定的應用需求。多尺度分割方法充分考慮了地表實體格局或過程的多層次性，克服了數(shù)據(jù)源的固定尺度問題，采用了尺度影像的層次網(wǎng)絡結構來揭示地表特征的等級結構。在影像對象的層次網(wǎng)絡中，對象的尺度大小有差異，但大尺度對象與小尺度對象一樣為原始像元的聚合，只是聚合閾值大小不一樣，而呈現(xiàn)不同的像元綜合特征。因此大尺度的影像對象中并沒有損失原始像元的信息。影像對象的層次網(wǎng)絡允許影像信息在不同的尺度同時被表達，通過定義不同尺度對象間的拓撲關系，更多的信息可以從影像數(shù)據(jù)中抽取出來。固定分辨率的遙感影像數(shù)據(jù)在多尺度分割前，表示為同一空間尺度的類別信息，該尺度即為影像的空間分辨率，最小的影像對象即為原始的像元，此時影像不包含有意義的環(huán)境語義信息，要提取不同空間屬性的類別是有難度的。當設定多個尺度影像分割后就不一樣了，形成了由分割尺度參數(shù)所決定的影像對象層次網(wǎng)絡體系，影像對象集合了像元的光譜信息、此像元與周圍像元的關系等。一個對象層有一個固定的尺度值，多個對象層則體現(xiàn)了多種空間尺度的地物類別屬性，在不同尺度對象層提取不同屬性的類別信息解決了同一分辨率的影像數(shù)據(jù)識別所有空間屬性有差異類別的問題。多尺度分割的突出貢獻是同一空間分辨率的遙感影像信息不再只由一種尺度來表示，而是在同一時相可由多種適宜的尺度來描述。此外，在影像對象網(wǎng)絡層次結構中，每一個影像對象的屬性信息中不僅有與其相鄰對象的關系屬性，還有與子對象和父對象的關系屬性。有些對象的光譜信息與形狀信息都十分相似，若以相鄰對象的背景信息作為分類的一個條件，則提取就容易的多。在對層次等級的關系進行操作時，上下層次對象間的關系顯得十分重要，可根據(jù)父對象的屬性對子對象分類、根據(jù)子對象的平均屬性對父對象的紋理屬性進行分類、根據(jù)已分類的子對象的組成對父對象分類等。在影像生成多邊形對象的過程中，并非只有一種類型的數(shù)據(jù)參與分割，大量其他數(shù)據(jù)融合是完全可能的。如在農(nóng)作物類別的分割中，如果能獲取該區(qū)域的耕地面積矢量數(shù)據(jù)，就可以作為一個專題層參與到影像的分割中，所生成的影像對象在感興趣的耕地范圍內，其他的土地利用類別只作為一個大的背景，這種多元數(shù)據(jù)參與影像分割與分類的方法大大增加了影像提取的精度和效率。 （2）多尺度遙感影像分割的原理面向對象的處理方法中最重要的一部分是圖像分割。圖像分割是一種重要的圖像分析技術。他是低級計算機視覺中最基本最重要的研究內容，是成功進行圖像分析、理解與描述的關鍵技術。圖像分割的好壞將直接影響到后續(xù)分析、識別和解譯的結果精度。圖像分割是面向對象遙感影像處理方法的基本處理過程。他將遙感影像分割成利于分析的同質圖像區(qū)域。圖像分割的算法有很多種，但基本上沒有一種算法能夠精度高、速度快、可重復性好、可控制過程地得到令人信服的結果。在遙感影像方面，分類方法主要使用紋理特征進行分割。這里包括兩方面的分割方法：一方面是基于紋理模型的算法，典型紋理特征提取模型有空間頻率模型，馬爾科夫隨機場模型，協(xié)方差矩陣，小波系數(shù)，小波包和分形系數(shù)等。另一方面是最優(yōu)化算法，主要使用的是一些聚類的算法，現(xiàn)在研究的主要方向是分水嶺變換。圖像分割形成的初始區(qū)域是圖像對象的形狀表述，也是以后特征提取和分類處理的基礎，因此分割算法的好壞直接影響后面的理解。在遙感影像處理中，通常使用的分割方法分為兩種：一般數(shù)字圖像的分割算法和紋理圖像的分割算法。遙感圖像內容復雜、信息豐富，用戶需求難以確定，一般數(shù)字圖像的分割算法如區(qū)域生長算法、邊緣檢測等算法難以滿足要求；遙感影像紋理分割的方法如MRF模型等，僅對一部分高紋理的圖像可以取得令人滿意的結果，并不能對高分辨率遙感數(shù)據(jù)取得較好的結果。面向對象的信息提取技術主要包括兩個關鍵技術——多尺度遙感影像分割和面向對象的影響分類。多尺度遙感影像分割是面向對象信息提取的基礎和關鍵，分割的好壞直接關系到后續(xù)信息提取的進度。不同目標在影像上具有不同的尺度，因此不同分析目的的所關注的尺度也會不同，不同的分割可以生成代表不同空間分辨率的影像圖像，進而構建一個網(wǎng)絡層次結構。由于是網(wǎng)狀結構，每個對象都可以知道自己的上下文關系、父對象和子對象。這個網(wǎng)狀結構是一個拓撲關系，比如，父對象的關系界定了子對象的邊界，父對象的區(qū)域大小由子對象的總和決定。每一層都由它直接的子對象來構成，在下一個高層上，子對象合并為父對象，這個合并會被已有的父對象的邊界所限制。如果是不同的父對象，那么相鄰的對象不能進行合并。因此，分割必須遵循連個原則：（1）在滿足必要的精細的條件下，盡量以最大的可能分割尺度來區(qū)分不同的影像區(qū)域獲得影像對象；（2）在滿足必要的形狀標準的前提下，盡可能采用顏色標準。原因是影像數(shù)據(jù)中最重要的信息是光譜信息，形狀標準的權重太高會降低分割結果的質量。面向對象的高分辨率遙感影像信息提取技術是建立在多尺度分割的基礎上的，該方法綜合考慮遙感影像的光譜統(tǒng)計特性、形狀、大小、紋理、拓撲關系以及上下文關系等一系列的因子，能夠得到較高精度的信息提取結果。多尺度分割就是將圖像進行多次分割，在這多次分割中采用不同的分割尺度，在分割結果上進行分類，而得到不同的分類結果，并將不同的分類結果進行融合，以期獲得更高的分類結果。在單次分割過程中，對象的完整性和單一性都是很難達到很高的水平，分割的精度對分類精度的影響非常大。完整性是指同一屬性的對象被完整分割的程度，如一個建筑被分成許多碎塊，那么他的完整性就很差，對象的形狀特征的顯著性將大受削減。單一性是指分割對象屬性單一的程度，如一塊兒田地中好夾雜著許多其他類型的地類，那么他的單一性就很差，單一性不好，是無法獲得高的分類精度的。實際中，不同類型的對象在某一尺度分割后的完整性和單一性的表現(xiàn)不一樣，某些類型的對象完整性和單一性可能在大分割尺度上保持的較好，而另外一些類型對象則在小分割尺度上保持的較好。為了解決不同類型對象分割精度差異的問題，需要對影像進行不同尺度上的分割，將結果進行分類融合。分類融合的目的就是從不同尺度的分類中篩選出最可信的分類結果，獲得比單個分類結果更好的分類精度。影像分割算法對閾值十分敏感，閾值的微小變化就可能對結果產(chǎn)生較大的影響，而在圖像處理前是很難確定閾值大小的。同時，閾值和圖像之間并沒有內在的聯(lián)系，不能反映圖像特性。因此將閾值換算為能夠表示圖像中地物特性的尺度是非常必要的。尺度是由閾值得到的，但并不只表示閾值，他反映了遙感影像中地物的內在屬性。在空間意義上，遙感尺度有兩個含義，影像空間分辨率和遙感研究內容的空間范圍。影像的空間分辨率是指影像上能夠詳細區(qū)分的最小單元所代表的地面實際范圍的大小，是一種測量尺度。不同的研究內容應選用不同空間分辨率圖像，高分辨率圖像主意地物空間結構上的細節(jié)，低分辨率更注意地物空間結構上的宏觀變化，如研究大氣運動常常使用空間分辨率為公里級的影響，而土地利用變化則需要用米級甚至分米級的影像。遙感研究內容的空間范圍是指提取遙感信息時研究對象的區(qū)域大小或空間范圍。在同一個空間參考系中，研究內容的大尺度是在空間上占有較大的空間范圍，表現(xiàn)了圖像中的局部邏輯關系，在屬性上反映了較高層次對象的特性和輪廓趨勢；小尺度是在空間上占有較小的空間范圍，表現(xiàn)了圖像中的細節(jié)，在屬性上反映了較低層次對象的特性和拓撲關系。對于影像，不同的地物對應的是不同的尺度，只有在這個尺度下對象才能被最有效的提取信息，如在土地利用中，遙感影像在一級類農(nóng)業(yè)用地的節(jié)以上應使用大尺度，在三級類公共設施用地的解譯上應使用小尺度。（3）基于異質性最小原則的區(qū)域合并算法多尺度影像分割采用異質性最小的區(qū)域合并算法，影像分割中像元的合并開始于影像中任意一個像元，先將單個像元合并為較小的影像對象，再將較小的影像對象合并成較大的多邊形對象，分割過程中多邊形對象不斷增長的異質性最小。他是一個從下到上、逐級合并的過程。區(qū)域合并方法的基本思想是將具有相似性質的集合起來構成區(qū)域多邊形，先對每個需要分割的區(qū)域找一個種子像元作為生長的起點，然后將種子像元周圍鄰域中與種子像元有相同或相似性質的像元合并到種子像元所在的區(qū)域中，將這些新的像元當作新的種子像元繼續(xù)進行上面的過程，知道沒有滿足條件的像元，這樣一個區(qū)域就生成了。為了保證影像分割生成的多邊形對象內部的同質性和相鄰多邊形對象的異質性適宜程度，在區(qū)域合并的分割過程中需要考慮兩個標準：設置類似像元合并的準則與確定停止像元合并的條件，這兩個條件在分割過程中控制像元的歸屬，因此標準設置的合理與否直接影響分割后影響對象的有效性。區(qū)域合并算法的目的是實現(xiàn)分割后影像對象的權重異質性最小化，僅僅考慮光譜異質性最小會導致分割后影像對象的多邊形邊界比較破碎，因此，常常把光譜異質性標準和空間異質性標準配合使用。在分割前需要確定影響異質性和緊密度異質性。只有保證光譜異質性，光滑度異質性、緊密度異質性最小，才能使整幅影像所有對象的平均異質性最小。任何一個影像對象的異質性f是由四個變量計算而得到的：wcolor(光譜信息因子)wshape（形狀信息因子）hcolor（光譜異質性）hshape(形狀異質性)，且wcolor+wshape=1。下之中w是光譜信息因子，取值范圍為：01。 () 光譜異質性hcolor不僅與組成對