面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱数据的空间,纹理,和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出。它主要分成两部分过程:对象构建和对象的分类。
影像对象构建主要用了影像分割技术,常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法,这种方法综合遥感图像的光谱特征和形状特征,计算图像中每个波段的光谱异质性与形状异质性的综合特征值,然后根据各个波段所占的权重,计算图像所有波段的加权值,当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时,进行重复迭代运算,直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
影像对象的分类,目前常用的方法是“监督分类”和“基于规则(知识)分类”。这里的监督分类和我们常说的监督分类是有区别的,它分类时和样本的对比参数更多,不仅仅是光谱信息,还包括空间、纹理等对象属性信息。基于规则(知识)分类也是根据影像对象的属性和阈值来设定规则进行分类。
表1为三大类分类方法的一个大概的对比。
类型 |
基本原理 |
影像的最小单元 |
适用数据源 |
缺 陷 |
传统基于光谱的分类方法 |
地物的光谱信息特征 |
单个的影像像元 |
中低分辨率多光谱和高光谱影像 |
丰富的空间信息利用率几乎为零 |
基于专家知识决策树 |
根据光谱特征、空间关系和其他上下文关系归类像元 |
单个的影像像元 |
多源数据 |
知识获取比较复杂 |
面向对象的分类方法 |
几何信息、结构信息以及光谱信息 |
一个个影像对象 |
中高分辨率多光谱和全色影像 |
速度比较慢 |
表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比