【正文】 () 光譜異質(zhì)性hcolor不僅與組成對(duì)象的像元數(shù)目有關(guān)，還取決于各個(gè)波段的標(biāo)準(zhǔn)差（） （） 其中為像元內(nèi)部像元值的標(biāo)準(zhǔn)差，根據(jù)組成對(duì)象的像元值得到，n為像元數(shù)目。任何一個(gè)影像對(duì)象的異質(zhì)性f是由四個(gè)變量計(jì)算而得到的：wcolor(光譜信息因子)wshape（形狀信息因子）hcolor（光譜異質(zhì)性）hshape(形狀異質(zhì)性)，且wcolor+wshape=1。在分割前需要確定影響異質(zhì)性和緊密度異質(zhì)性。為了保證影像分割生成的多邊形對(duì)象內(nèi)部的同質(zhì)性和相鄰多邊形對(duì)象的異質(zhì)性適宜程度，在區(qū)域合并的分割過程中需要考慮兩個(gè)標(biāo)準(zhǔn)：設(shè)置類似像元合并的準(zhǔn)則與確定停止像元合并的條件，這兩個(gè)條件在分割過程中控制像元的歸屬，因此標(biāo)準(zhǔn)設(shè)置的合理與否直接影響分割后影響對(duì)象的有效性。他是一個(gè)從下到上、逐級(jí)合并的過程。對(duì)于影像，不同的地物對(duì)應(yīng)的是不同的尺度，只有在這個(gè)尺度下對(duì)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(jí)類農(nóng)業(yè)用地的節(jié)以上應(yīng)使用大尺度，在三級(jí)類公共設(shè)施用地的解譯上應(yīng)使用小尺度。遙感研究?jī)?nèi)容的空間范圍是指提取遙感信息時(shí)研究對(duì)象的區(qū)域大小或空間范圍。影像的空間分辨率是指影像上能夠詳細(xì)區(qū)分的最小單元所代表的地面實(shí)際范圍的大小，是一種測(cè)量尺度。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(nèi)在屬性。同時(shí)，閾值和圖像之間并沒有內(nèi)在的聯(lián)系，不能反映圖像特性。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(jié)果，獲得比單個(gè)分類結(jié)果更好的分類精度。實(shí)際中，不同類型的對(duì)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(duì)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(duì)象則在小分割尺度上保持的較好。完整性是指同一屬性的對(duì)象被完整分割的程度，如一個(gè)建筑被分成許多碎塊，那么他的完整性就很差，對(duì)象的形狀特征的顯著性將大受削減。多尺度分割就是將圖像進(jìn)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(jié)果上進(jìn)行分類，而得到不同的分類結(jié)果，并將不同的分類結(jié)果進(jìn)行融合，以期獲得更高的分類結(jié)果。原因是影像數(shù)據(jù)中最重要的信息是光譜信息，形狀標(biāo)準(zhǔn)的權(quán)重太高會(huì)降低分割結(jié)果的質(zhì)量。如果是不同的父對(duì)象，那么相鄰的對(duì)象不能進(jìn)行合并。這個(gè)網(wǎng)狀結(jié)構(gòu)是一個(gè)拓?fù)潢P(guān)系，比如，父對(duì)象的關(guān)系界定了子對(duì)象的邊界，父對(duì)象的區(qū)域大小由子對(duì)象的總和決定。不同目標(biāo)在影像上具有不同的尺度，因此不同分析目的的所關(guān)注的尺度也會(huì)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(jìn)而構(gòu)建一個(gè)網(wǎng)絡(luò)層次結(jié)構(gòu)。面向?qū)ο蟮男畔⑻崛〖夹g(shù)主要包括兩個(gè)關(guān)鍵技術(shù)——多尺度遙感影像分割和面向?qū)ο蟮挠绊懛诸悺Ｔ谶b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。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。在遙感影像方面，分類方法主要使用紋理特征進(jìn)行分割。他將遙感影像分割成利于分析的同質(zhì)圖像區(qū)域。圖像分割的好壞將直接影響到后續(xù)分析、識(shí)別和解譯的結(jié)果精度。圖像分割是一種重要的圖像分析技術(shù)。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(gè)專題層參與到影像的分割中，所生成的影像對(duì)象在感興趣的耕地范圍內(nèi)，其他的土地利用類別只作為一個(gè)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。在對(duì)層次等級(jí)的關(guān)系進(jìn)行操作時(shí)，上下層次對(duì)象間的關(guān)系顯得十分重要，可根據(jù)父對(duì)象的屬性對(duì)子對(duì)象分類、根據(jù)子對(duì)象的平均屬性對(duì)父對(duì)象的紋理屬性進(jìn)行分類、根據(jù)已分類的子對(duì)象的組成對(duì)父對(duì)象分類等。此外，在影像對(duì)象網(wǎng)絡(luò)層次結(jié)構(gòu)中，每一個(gè)影像對(duì)象的屬性信息中不僅有與其相鄰對(duì)象的關(guān)系屬性，還有與子對(duì)象和父對(duì)象的關(guān)系屬性。一個(gè)對(duì)象層有一個(gè)固定的尺度值，多個(gè)對(duì)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(duì)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(shí)別所有空間屬性有差異類別的問題。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(duì)象即為原始的像元，此時(shí)影像不包含有意義的環(huán)境語(yǔ)義信息，要提取不同空間屬性的類別是有難度的。因此大尺度的影像對(duì)象中并沒有損失原始像元的信息。多尺度分割方法充分考慮了地表實(shí)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(luò)結(jié)構(gòu)來揭示地表特征的等級(jí)結(jié)構(gòu)。多尺度分割在生成影像對(duì)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。由此可見，面向?qū)ο蟮挠跋裉崛〖夹g(shù)正逐步走向成熟。 面向?qū)ο笮畔⑻崛〖夹g(shù)發(fā)展歷程早在20世紀(jì)70年代面向?qū)ο蟮男畔⑻崛》椒ň捅粦?yīng)用于遙感影像的解譯中，Ketting and Landgrebe（1976）提出了同質(zhì)性對(duì)象提取的優(yōu)點(diǎn)，并提出了一種分割分類算法——ECHO（Extraction and Classification of Homogenous Objects）。高分辨率遙感影像能提供更多的地面目標(biāo)和更多的細(xì)節(jié)特征，為地物分類提供更大的可能性和更高的準(zhǔn)確性。面向?qū)ο蠓椒ň哂袃蓚€(gè)重要的特征：一是利用對(duì)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(duì)象層，所有地物類別并不是在同一尺度的影像中進(jìn)行提取，而是在其最適宜的尺度層中提取。采用面向?qū)ο蟮姆诸惙椒梢杂行У厝コ肼?，通過分割噪聲區(qū)域?qū)⒑推渲苓叺南裨黄鸱指詈喜⒌教囟ǖ挠跋駥?duì)象中去。面向?qū)ο蟮姆诸惙椒ㄔ谟跋窆庾V特征的基礎(chǔ)上，充分考慮了地物的形狀、大小、結(jié)構(gòu)等幾何特征，可以充分利用對(duì)象和周圍環(huán)境之間的聯(lián)系等因素，借助對(duì)象特征知識(shí)庫(kù)來完成對(duì)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(yǔ)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?qū)ο蟮挠跋穹治鲋兄灰鞔_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。在很多情況下通過紋理特征來表示。影像對(duì)象是與像元相對(duì)應(yīng)的影像分析單元，由影像的多尺度分割而形成、由若干個(gè)同質(zhì)像素組成的集合體，對(duì)象的大小由分割尺度決定，影像的分類都是基于對(duì)象進(jìn)行的，這樣能更好地利用目標(biāo)的幾何特征。面向?qū)ο蟮姆诸惙椒ㄊ且环N自能化的自動(dòng)的影像分析方法。在很多情形下、理解影像的重要語(yǔ)義信息應(yīng)當(dāng)是有意義的圖像對(duì)象和他們的相互關(guān)系來表達(dá)，而非單個(gè)像元，并且很多類型的影像或多或少是具有紋理特征的，只有當(dāng)這些具有紋理特征的數(shù)據(jù)被分割成有意義的“同質(zhì)”對(duì)象的時(shí)候，對(duì)這些影像的成功分析才能成為現(xiàn)實(shí)。國(guó)內(nèi)外的一些學(xué)者已經(jīng)在遙感影像的分析層作了一些探索性的研究，并且有了一些進(jìn)展。從影像工程的角度來看，傳統(tǒng)的基于像元的影像分析不是真正意義上的影像分析，它屬于圖像處理范疇，處于影像工程的低層。此方法的關(guān)鍵技術(shù)是對(duì)遙感數(shù)據(jù)的分割，即從二維化了的影像信息陣列中恢復(fù)出影像所反映的景觀場(chǎng)景中目標(biāo)地物的空間形狀及組合方式。根據(jù)高空間分辨率遙感影像的特點(diǎn)，面向?qū)ο蟮倪b感影像提取方法應(yīng)用而生。遙感影像分類或?qū)ｎ}信息提取中，基于單個(gè)像元的處理沒有加入“對(duì)象”概念，不能利用對(duì)象的不同空間特征如大小、形狀、位置、空間關(guān)系等。由于影像中異物同譜和同物異譜現(xiàn)象較為普遍，僅靠光譜特征不足以表達(dá)目標(biāo)或類別，因而其分析結(jié)果的可靠性常不盡人意。我們需要從一個(gè)全新的角度來審視這個(gè)問題。通過眾多學(xué)者的研究和改變，傳統(tǒng)的遙感影像信息提取方法得到了很大的進(jìn)步，能夠較好的改善中、低分辨率遙感影像信息提取（分類）結(jié)果，但仍存在一些問題，尤其是針對(duì)高分辨率遙感影像時(shí)，其信息提取結(jié)果精度很難滿足實(shí)際的需要。邸凱昌等進(jìn)行了基于空間數(shù)據(jù)發(fā)覺的遙感影像分類方法研究，采用數(shù)據(jù)挖掘技術(shù)從GIS數(shù)據(jù)庫(kù)和遙感影像中發(fā)現(xiàn)知識(shí)，用于改善遙感影像分類，并提出了兩種實(shí)施空間數(shù)據(jù)歸納學(xué)習(xí)的途徑，即在空間對(duì)象粒度學(xué)習(xí)和直接在像元粒度上學(xué)習(xí)，并提出了一種歸納學(xué)習(xí)與傳統(tǒng)影像分類方法的結(jié)合方式，該方法用于北京地區(qū)SPOT多光譜影像，并結(jié)合GIS數(shù)據(jù)庫(kù)進(jìn)行了土地利用分類。術(shù)洪磊（1997）等以規(guī)則形式表示遙感影像解譯知識(shí)，使用TM數(shù)據(jù)和DTM、坡度、土地利用圖等地理輔助數(shù)據(jù)，從遙感影像處理、地理數(shù)據(jù)、專家知識(shí)一體化角度，對(duì)基于知識(shí)方法的遙感影像分類方法進(jìn)行了研究；楊存建將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗(yàn)性知識(shí)進(jìn)行綜合集成，用于新的遙感影像分類中，不僅可以促進(jìn)GIS數(shù)據(jù)更新的自動(dòng)化，而且可以得到比常規(guī)似然法高的分類精度。李穎、趙文吉利用Landsat影像分別采用成熟系統(tǒng)方法和流行的神經(jīng)網(wǎng)絡(luò)方法，對(duì)北京某地區(qū)土地利用信息進(jìn)行了提取。Toll利用監(jiān)督分類方法對(duì)Landsat mss數(shù)據(jù)進(jìn)行了土地利用和土地覆蓋分類的實(shí)驗(yàn)，得到了較好的分類結(jié)果；Xia（1996）提出了一種監(jiān)督分類的改進(jìn)方法，利用形狀信息提高了分類結(jié)果；Sanghamitra（2002）和MindDer Yang（2004）提出了一種新的全局優(yōu)化算法——遺傳算法（GA）。自遙感出現(xiàn)以來，許多學(xué)者對(duì)上述的方法進(jìn)行了大量的研究和改進(jìn)，在很大程度上促進(jìn)了遙感技術(shù)的發(fā)展。決策樹技術(shù)，在模式識(shí)別領(lǐng)域最早出現(xiàn)在1992年的文獻(xiàn)中，90年代才引入到遙感影像處理中，模擬專家目視解譯，建立遙感影像解譯的專家系統(tǒng)，實(shí)現(xiàn)了影像的自動(dòng)判讀，成為遙感影像解譯的主要趨勢(shì)之一。當(dāng)然這種人工神經(jīng)網(wǎng)絡(luò)只是對(duì)大腦的粗略而簡(jiǎn)單的模范，無論在功能上，還是在規(guī)模上都比真正的神經(jīng)網(wǎng)絡(luò)差得很遠(yuǎn)，但他在一些科學(xué)研究和實(shí)際工程領(lǐng)域中已顯示了很大的威力。神經(jīng)網(wǎng)絡(luò)分類算法屬于非參數(shù)分類器。即使分析者對(duì)圖像又很強(qiáng)的看法偏差，也不會(huì)對(duì)分類結(jié)果有很大的影響，因此非監(jiān)督分類可以產(chǎn)生比監(jiān)督分類更均質(zhì)的圖像；與監(jiān)督分類相比，非監(jiān)督分類不需要分析者對(duì)研究區(qū)域有很好的了解，因而可以節(jié)省大量的人力時(shí)間等；在非監(jiān)督分類中，獨(dú)特的、覆蓋量很小的類別亦能被識(shí)別，而不至于像監(jiān)督分類中由于分析者的失誤造成信息的丟失。對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)后再對(duì)模板進(jìn)行修改，多次反復(fù)后建立一個(gè)比較準(zhǔn)確的模板，并在此基礎(chǔ)上最終進(jìn)行分類。非監(jiān)督分類一般經(jīng)過以下幾個(gè)步驟：初始分類、專題識(shí)別、分類合并、色彩確定、分類后處理、色彩重定義、柵格矢量數(shù)據(jù)、統(tǒng)計(jì)分析。原始圖像的所有波段都參與分類運(yùn)算，分類結(jié)果往往是各類像元數(shù)大體等比例。非監(jiān)督分類運(yùn)用ISODATA算法，完全按照像元的光譜特性進(jìn)行統(tǒng)計(jì)分類，常常用于對(duì)分類區(qū)沒有什么了解的情況。非監(jiān)督分類方法不必對(duì)影像地物獲取先驗(yàn)知識(shí)，不需要人工選擇訓(xùn)練樣本，僅需極少的人工初始輸入，依靠影像上不同類地物光譜信息（或紋理信息）進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別來達(dá)到分類目的，最后對(duì)已分出各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)。 非監(jiān)督分類及其優(yōu)點(diǎn)非監(jiān)督分類（Unsupervised Classification），也稱聚類分析或點(diǎn)群分析。監(jiān)督分類可根據(jù)實(shí)際應(yīng)用目的和研究區(qū)域有選擇的決定分類類別數(shù)量，從而避免大量數(shù)據(jù)的冗余；可充分結(jié)合分析者的知識(shí)與經(jīng)驗(yàn)控制訓(xùn)練樣本的選擇，有利于提高分類精度。利用基于像元的遙感分類算法對(duì)高分辨率遙感數(shù)據(jù)進(jìn)行分類，往往難以取得滿意的結(jié)果，更適合于中、低空間分辨率多光譜遙感影像信息提取。僅考慮單個(gè)像元光譜光譜信息因素的方法極易出現(xiàn)大量錯(cuò)分，結(jié)果往往出現(xiàn)大量的椒鹽和噪聲。常用的非監(jiān)督分類法有：分類集群法、波譜特征曲線圖形識(shí)別法、平行管道分類法、動(dòng)態(tài)聚類法和Kmeans法。監(jiān)督分類是自頂向下的知識(shí)驅(qū)動(dòng)法，先進(jìn)行訓(xùn)練再進(jìn)行分類，即先學(xué)習(xí)再分類法，而非監(jiān)督分類是一種自底向上的數(shù)據(jù)驅(qū)動(dòng)方法。此外，面向像元的分類方法，所有地物類型的提取均在一個(gè)尺度中實(shí)現(xiàn)，不能充分利用影像的蘊(yùn)含信息，因此，對(duì)于高分辨遙感影像而言，利用這種傳統(tǒng)的分類方法，不能利用高分辨率影像的豐富信息，會(huì)造成分類精度降低，空間數(shù)據(jù)的大量冗余，造成資源的浪費(fèi)。同時(shí)，高分辨率影像信息提取對(duì)計(jì)算機(jī)的軟、硬件都提出了更高的要求，以面向像元分類方法對(duì)高分辨率影像進(jìn)行信息提取的速度慢，不能滿足遙感信息快速提取的需要。按照分類的依據(jù)可以分為光譜特征分類和知識(shí)特征分類，而按照分類的對(duì)象可以劃分為面向像素的分類和面向?qū)ο蟮姆诸?；按照分類時(shí)被分像元的純凈程度來分，則可以分為純凈像元分類和混合像元分類。傳統(tǒng)的基于像素的常規(guī)遙感圖像分類方法主要有非監(jiān)督分類法和監(jiān)督分類法，近年來發(fā)展的神經(jīng)網(wǎng)絡(luò)分類方法使得分類趨于人腦化和自動(dòng)化，也使得遙感影像分類更趨于人的思維；面向?qū)ο蟮倪b感影像分類方法，使得分類方法更加趨于完善和分類的結(jié)果精度更高，使得圖像分類更加靈活和方便，為遙感影像分類和信息提取的發(fā)展邁出了跨越性的一步。統(tǒng)計(jì)模式識(shí)別的關(guān)鍵是提取待識(shí)別模式的一組統(tǒng)計(jì)特征值，然后按照一定的準(zhǔn)則做出決策，從而實(shí)現(xiàn)對(duì)數(shù)字圖像的計(jì)算機(jī)分類。 影像輸入預(yù)處理專題信息輸出分類器設(shè)計(jì)精度評(píng)價(jià)內(nèi)蒙古農(nóng)業(yè)大學(xué)本科畢業(yè)設(shè)計(jì) 2 遙感影像信息提取方法的研究2 遙感影像信息提取方法的研究 遙感影像計(jì)算機(jī)分類是通過對(duì)各類地物的光譜特征分析來選擇特征參數(shù)，將特征空間劃分為互不重疊的子空間，然后將圖像內(nèi)各個(gè)像元按照某種規(guī)則或算法劃分到各個(gè)子空間中去，從而實(shí)現(xiàn)分類。高空間分辨率遙感影像可以通過建模從分割影像中獲得除光譜信息之外的空間特征、紋理特征及層次特征等信息。傳統(tǒng)影像的分類方法是針對(duì)中、低分辨率遙感影像而設(shè)計(jì)的，因?yàn)榈涂臻g分辨率遙感影像本身單一像元代表的是混合地物，研究方向是從像元到亞像元的解譯過程。無論是監(jiān)督還是非監(jiān)督法均是基于像元級(jí)的處理，像元間的天然的內(nèi)在聯(lián)系被舍棄了。從早期的影像目視解譯技術(shù)到后期的計(jì)算機(jī)輔助分類，乃至當(dāng)今的自動(dòng)化判讀技術(shù)，遙感影像信息提取逐步從單純的像元物理特性識(shí)別向影像理解演變。同類地物的像元的特征向量將集群在同一特