为提高图像处理效率,探讨了面向对象分类的特征空间优化方法。以区域增长算法获得的对象为处理单元,根据植被在IKONOS影像上的表征,初步选择了6个形状、2个位置、17个光谱和6个纹理特征,共计31个作为初始特征空间。首先根据每组中特征所代表的信息量和特征之间的相关性,去掉与其他特征相关性强而方差较小的特征,将特征空间维降到23;以识别城区植被为目标,根据220个植被样本计算2—23维特征空间的类间J-M距离,以最小J-M和平均J-M距离为依据选择最优特征空间,将特征空间维降到14;最后利用类间离差矩阵代替协方差矩阵的K-L变换对特征空间进行压缩,分组压缩后将维数降低到7,而对整个特征空间压缩将维数降低到4。为验证特征空间优化对识别结果的影响,采用CART分类方法对城市植被进行了识别。构建的决策树表明,利用分组K-L变换后的特征空间比利用整体K-L变换获得的训练精度高12%;与K-L压缩前的特征空间获得的决策树相比,结构复杂程度相当(前者包含14个结点,后者包含12个结点),训练精度仅低1%。分类结果也表明,利用分组K-L变换的特征空间比利用不进行K-L变换的特征空间分类,总精度和Kappa系数分别降低了1.5%和2.3%,但是特征空间却压缩了50%,提高了面向对象分类方法的处理效率。