论文部分内容阅读
摘要：在遥感影像处理过程中，如何提高分类精度一直是备受关注的问题，传统的基于像元的分类方法，精度提高方面很难再有质的飞跃。因此，面向对象的方法应运而生。本文通过对比的方法，来比较基于像元的方法和面向对象的方法的分类精度。借助已有遥感软件对内蒙古自治区呼和浩特市某区的快鸟影像进行分类试验，根据试验结果，得出面向对象的分类方法对于高分辨率遥感影像的分类有着非常好的效果。
关键词：像元；面向对象；高分辨率；分割；影像分类
1. 引言
遥感技术现已成为资源环境监测和地表动态变化研究的主要方法和手段，帮助人类获取了多平台、多时相、多光谱的实时信息。在遥感技术中，分类是获取信息的前提。随着遥感成像技术的不断发展，图像分类的精度也在提高，从单波段的数据到多波段的数据再到如今的高光谱图像，应用研究得到深入和扩展。
早期在进行图像识别分类的时候，大多依靠目视解译的方法，要求判读人员具备相应的判读知识，能够提取相关的空间信息，但是这种方法，效率非常低，而且跟判读员的主观意识存在一定关系。这种方法目前仍然广泛应用，并且与计算机相结合，辅助计算机进行自动识别分类。计算机分类的方法主要是针对图像上的光谱信息和空间信息进行采集、分析、特征识别及最终的信息提取，将每个像元按照一定的规则划分到不同的类别当中去。在计算机自动识别分类领域，目前有两类方法：第一类就是传统的基于像元的分类方法，即处理的最小单位是像元，并且仅仅依靠像元的光谱特征进行，通常采用监督分类或者非监督分类；第二类是面向对象的方法，这种方法处理的最小单元就不再是像元，而是对象，并且利用的不止包括光谱信息，还包括空间关系等。
2. 遥感影像分类方法简介
2.1 基于像元的分类方法
基于像元的分类方法作为传统方法，由于其在技术上已经很成熟，所以至今仍然应用广泛，具体分类方法主要有两类：即监督分类和非监督分类。基于像元的分类方法，顾名思义，是以像元作为最基本的处理单元，依据地物的光谱特性来进行归类，由于同类地物体现出的光谱特征一致，所以在特征空间中呈现出聚类的特点，那么不同的地物就会呈现出不同的聚类区域。无论是监督分类法还是非监督分类法，都是对于一个一个的像元进行处理，所以都属于基于像元层次的分类方法。
监督分类法又称为场地训练分类法，是以先验知识作为基础，选择样本进行训练，以此建立统计识别函数，按照概率规则进行类别的划分。即首先选择样本，确定特征参数，根据特征参数，建立判别函数及判别规则，最后对未分类地区进行模式识别的一种方法。这种方法的关键就是选择样本和确定判别规则，要求样本必须具有较强的代表性和典型性，判别规则要满足分类精度的要求，否则要重新确定分类规则。非监督分类是指人们在分类之前对于分类过程不施加任何先验知识，仅仅依靠图像上地物的光谱特征进行盲目的分类，这个分类过程只是将不同类别进行了区分，但是没有确定类别的属性，属性要通过后期分析及实地调查方可确定。在实际工作中，由于监督分类和非监督分类都存在各自的局限性，故通常将二者结合使用。即首先通过非监督分类来确定样本结构，再依据非监督分类确定的样本进行监督分类。这种方法可以使得人为产生误差的机会大大减少，从而提升一定的分类精度。
本文基于像元的分类方法采用的是ENVI4.5平台。
2.2 面向对象的分类方法
对于遥感图像而言，除了光谱信息外，还包含很多信息，比如空间信息、语义信息和上下文信息。为了充分利用这些信息，面向对象的方法应运而生。这种方法在进行分类处理时，最小单元就不再是像元，而是由若干像元组成的对象，这种对象就不仅包含像元的光谱信息，同时包含像元之间的语义信息、拓扑信息和纹理信息。
面向对象的影像分类方法首先对图像进行分割，获得对象，再依据对象的光谱特征、纹理特征、形状特征和布局特征等，根据模糊分类方法对影像进行分类及信息提取。在这个过程中，形成了面向对象方法的两个特点：第一，可以利用对象的多特征，即光谱特征和其他特征；第二，可以利用不同的分割尺度形成不同大小的对象，并且每一尺度可形成一个对象层，在多尺度层下根据不同地物的特点选择适当尺度层进行提取，可以充分利用地物的各种特征。分割尺度决定了形成对象的异质度，尺度较大，则分割过程中地物的很多细节被忽略，因此产生的对象数量就较少，每个对象的面积较大。反过来，分割尺度较小，则地物细节体现的就较多，对象数量较多，对象的面积就较小。
本文面向对象的分类方法采用的是eCognition7.0平台。
3. 遥感影像分类试验
3.1 基于像元的分类试验
试验流程如图1所示。
（3）对影像进行分割：在Process tree列表中单击右键，选择Append New，弹出Edit Process对话框，修改名称为学校，点击OK。在Process Tree中选中学校，点击右键选择Insert Child，在对话框中重命名为Segmentation。在Process Tree中选中Segmentation，点击右键选择Insert Child，在算法4）在Class Hierarchy中点击右键选择Insert Class，并选择颜色。由此创建道路，裸地，阴影，植被，建筑物等类别。在菜单栏的空白处点击右键选择sample editor。选取典型样本（classification→ samples → select samples），在sample editor的工作栏中的active class选择当前激活的类，如：建筑物、绿地等，在影像上双击想要选择为样本的对象。样本选择完毕后，选择feature space optimization。在feature空白处选择需要添加的特征，选择相应的level点击calculate，系统将会根据样本自动计算出最优化的分类特征组合。点击advanced，选择apply to classes。现在我们双击class hierarchy中的任意一类，类描述中出现最邻近分类的特征。在process tree 中添加新的process （process tree中点击鼠标右键，选择append new），算法选择classification，设置相关的参数。单击execute执行，得到分类结果。
4. 总结
通过上述试验，对于基于像元的传统分类方法和基于面向对象的新分类方法进行了比较。基于像元的分类方法，分类精度稍低于面向对象的方法。面向对象的分类技术，首先对遥感影像进行分割，然后进行分类。影像分割是面向对象高分辨率遥感影像分的前提和关键，分割结果的好坏将直接影响分类精度。在分割过程中选择的分割尺度为100进行图像分割，这个尺度相对比较合理，从分类结果来看，基于像元的分类效果确实不如基于面向对象分类合理，总之面向对象分类方法对于高分辨率遥感影像更加合适，能够提高其分类的精度。
参考文献：
[1] 翟涌光，王耀强.基于点特征的多源遥感影像高精度自动配准方法[J]. 遥感技术与应用.2010.6（3）：404-409.
[2] 翟涌光，王耀强.基于分辨率融合的多尺度遥感影像分类技术研究[J].测绘与空间地理信息.2010.4（2）：109-113.
[3] 翟涌光.多尺度分割技术对遥感影像分类精度影响问题的研究[D].内蒙古农业大学.2010.
[4] 籍晓婧，郝蕾.基于面向对象方法的高分辨率遥感影像城市用地分类研究[J].西部资源，2013（6）.
[5] 张美香，白亚彬.基于高分辨率遥感影像的城市规划设计研究[J].西部资源，2014（1）.
关键词：像元；面向对象；高分辨率；分割；影像分类
1. 引言
遥感技术现已成为资源环境监测和地表动态变化研究的主要方法和手段，帮助人类获取了多平台、多时相、多光谱的实时信息。在遥感技术中，分类是获取信息的前提。随着遥感成像技术的不断发展，图像分类的精度也在提高，从单波段的数据到多波段的数据再到如今的高光谱图像，应用研究得到深入和扩展。
早期在进行图像识别分类的时候，大多依靠目视解译的方法，要求判读人员具备相应的判读知识，能够提取相关的空间信息，但是这种方法，效率非常低，而且跟判读员的主观意识存在一定关系。这种方法目前仍然广泛应用，并且与计算机相结合，辅助计算机进行自动识别分类。计算机分类的方法主要是针对图像上的光谱信息和空间信息进行采集、分析、特征识别及最终的信息提取，将每个像元按照一定的规则划分到不同的类别当中去。在计算机自动识别分类领域，目前有两类方法：第一类就是传统的基于像元的分类方法，即处理的最小单位是像元，并且仅仅依靠像元的光谱特征进行，通常采用监督分类或者非监督分类；第二类是面向对象的方法，这种方法处理的最小单元就不再是像元，而是对象，并且利用的不止包括光谱信息，还包括空间关系等。
2. 遥感影像分类方法简介
2.1 基于像元的分类方法
基于像元的分类方法作为传统方法，由于其在技术上已经很成熟，所以至今仍然应用广泛，具体分类方法主要有两类：即监督分类和非监督分类。基于像元的分类方法，顾名思义，是以像元作为最基本的处理单元，依据地物的光谱特性来进行归类，由于同类地物体现出的光谱特征一致，所以在特征空间中呈现出聚类的特点，那么不同的地物就会呈现出不同的聚类区域。无论是监督分类法还是非监督分类法，都是对于一个一个的像元进行处理，所以都属于基于像元层次的分类方法。
监督分类法又称为场地训练分类法，是以先验知识作为基础，选择样本进行训练，以此建立统计识别函数，按照概率规则进行类别的划分。即首先选择样本，确定特征参数，根据特征参数，建立判别函数及判别规则，最后对未分类地区进行模式识别的一种方法。这种方法的关键就是选择样本和确定判别规则，要求样本必须具有较强的代表性和典型性，判别规则要满足分类精度的要求，否则要重新确定分类规则。非监督分类是指人们在分类之前对于分类过程不施加任何先验知识，仅仅依靠图像上地物的光谱特征进行盲目的分类，这个分类过程只是将不同类别进行了区分，但是没有确定类别的属性，属性要通过后期分析及实地调查方可确定。在实际工作中，由于监督分类和非监督分类都存在各自的局限性，故通常将二者结合使用。即首先通过非监督分类来确定样本结构，再依据非监督分类确定的样本进行监督分类。这种方法可以使得人为产生误差的机会大大减少，从而提升一定的分类精度。
本文基于像元的分类方法采用的是ENVI4.5平台。
2.2 面向对象的分类方法
对于遥感图像而言，除了光谱信息外，还包含很多信息，比如空间信息、语义信息和上下文信息。为了充分利用这些信息，面向对象的方法应运而生。这种方法在进行分类处理时，最小单元就不再是像元，而是由若干像元组成的对象，这种对象就不仅包含像元的光谱信息，同时包含像元之间的语义信息、拓扑信息和纹理信息。
面向对象的影像分类方法首先对图像进行分割，获得对象，再依据对象的光谱特征、纹理特征、形状特征和布局特征等，根据模糊分类方法对影像进行分类及信息提取。在这个过程中，形成了面向对象方法的两个特点：第一，可以利用对象的多特征，即光谱特征和其他特征；第二，可以利用不同的分割尺度形成不同大小的对象，并且每一尺度可形成一个对象层，在多尺度层下根据不同地物的特点选择适当尺度层进行提取，可以充分利用地物的各种特征。分割尺度决定了形成对象的异质度，尺度较大，则分割过程中地物的很多细节被忽略，因此产生的对象数量就较少，每个对象的面积较大。反过来，分割尺度较小，则地物细节体现的就较多，对象数量较多，对象的面积就较小。
本文面向对象的分类方法采用的是eCognition7.0平台。
3. 遥感影像分类试验
3.1 基于像元的分类试验
试验流程如图1所示。
（3）对影像进行分割：在Process tree列表中单击右键，选择Append New，弹出Edit Process对话框，修改名称为学校，点击OK。在Process Tree中选中学校，点击右键选择Insert Child，在对话框中重命名为Segmentation。在Process Tree中选中Segmentation，点击右键选择Insert Child，在算法4）在Class Hierarchy中点击右键选择Insert Class，并选择颜色。由此创建道路，裸地，阴影，植被，建筑物等类别。在菜单栏的空白处点击右键选择sample editor。选取典型样本（classification→ samples → select samples），在sample editor的工作栏中的active class选择当前激活的类，如：建筑物、绿地等，在影像上双击想要选择为样本的对象。样本选择完毕后，选择feature space optimization。在feature空白处选择需要添加的特征，选择相应的level点击calculate，系统将会根据样本自动计算出最优化的分类特征组合。点击advanced，选择apply to classes。现在我们双击class hierarchy中的任意一类，类描述中出现最邻近分类的特征。在process tree 中添加新的process （process tree中点击鼠标右键，选择append new），算法选择classification，设置相关的参数。单击execute执行，得到分类结果。
4. 总结
通过上述试验，对于基于像元的传统分类方法和基于面向对象的新分类方法进行了比较。基于像元的分类方法，分类精度稍低于面向对象的方法。面向对象的分类技术，首先对遥感影像进行分割，然后进行分类。影像分割是面向对象高分辨率遥感影像分的前提和关键，分割结果的好坏将直接影响分类精度。在分割过程中选择的分割尺度为100进行图像分割，这个尺度相对比较合理，从分类结果来看，基于像元的分类效果确实不如基于面向对象分类合理，总之面向对象分类方法对于高分辨率遥感影像更加合适，能够提高其分类的精度。
参考文献：
[1] 翟涌光，王耀强.基于点特征的多源遥感影像高精度自动配准方法[J]. 遥感技术与应用.2010.6（3）：404-409.
[2] 翟涌光，王耀强.基于分辨率融合的多尺度遥感影像分类技术研究[J].测绘与空间地理信息.2010.4（2）：109-113.
[3] 翟涌光.多尺度分割技术对遥感影像分类精度影响问题的研究[D].内蒙古农业大学.2010.
[4] 籍晓婧，郝蕾.基于面向对象方法的高分辨率遥感影像城市用地分类研究[J].西部资源，2013（6）.
[5] 张美香，白亚彬.基于高分辨率遥感影像的城市规划设计研究[J].西部资源，2014（1）.