单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,基于面向对象方法的遥感影像信息提取,基于面向对象方法的遥感影像信息提取,第一章 绪论,1,、高分辨率遥感影像的发展,2,、高分辨率遥感影像的分类方法,3,、高分辨率遥感影像的分割与信息提取,第一章 绪论1、高分辨率遥感影像的发展,早期高分辨率遥感传感器的研制与应用主,要应用在军事领域，以大比例尺遥感制图和对,地物的分析和对人类活动的监测为目的,20,世纪,90,年代才逐渐进入民用领域,由于卫星获取遥感资料迅速，成本相对较,低，并且不受区域限制，已经在空间探测,、资源调查、通讯、导航、气象、测绘和军事,侦察领域得到广泛应用,早期高分辨率遥感传感器的研制与应用主20世纪90年代才逐渐进,面向对象分类方法,目视解译,基于像元分类方法,分类方法,面向对象分类方法目视解译基于像元分类方法分类方法,遥感影像信息提取的依据是各类样本内在的,相似性,。,遥感影像中的同类地物在相同的条件下（地形、光,照、时间等）具有相同或相似的,光谱信息特征和空,间信息特征,，从而表现出同类地物的某种内在的相,似性。同类地物的像元的特征向量将集群在同一特,征空间区域，不同类型地物其光谱信息特征或空间,信息特征不同，,他们将集群在不同的特征空间区域。,遥感影像信息提取的依据是各类样本内在的相似性。,影像输入,预处理,专题信息输出,分类器设计,精度评价,高分辨率遥感影像信息提取,影像输入预处理专题信息输出分类器设计精度评价高分辨率遥感影像,第二章 遥感影像信息提取方法的研究,第二章 遥感影像信息提取方法的研究,2.1,基于像元的分类方法,基于像元的分类方法是传统的分类方法，比较常用的有监督分类和非监督分类,监督分类是先学习再分类的方法,非监督分类是一种自底向上的数据驱动法,2.1基于像元的分类方法基于像元的分类方法是传统的分类方法，,监督分,类方法,最小距,离法,最大,似然法,平行六,面体法,费谢尔,线性判,别分类,法,马氏,距离法,波普角,度制图,法,二进制,编码法,监督分最小距最大平行六费谢尔马氏波普角二进制,非监督,分类法,分类集,群法,波谱特征,曲线图形,识别法,平行管道,法,动态聚,类法,K-means,法,非监督分类集波谱特征平行管道动态聚K-means,监督分类和非监督分类优缺点,监督分类,非监督分类,监督分类可根据实际应用目的和研究区域有选择的决定分类类别数量，从而避免大量数据的冗余；可充分结合分析者的知识与经验控制训练样本的选择，有利于提高分类精度。,非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，由于人为干预较少，非监督分类过程的自动化程度较高。,监督分类和非监督分类优缺点 监督分类,传统信息提取新方法,决策树,纹理分类方法,专家系统分类法,模糊集,人工神经网络,传统信息提,取新方法,传统信息提取新方法决策树纹理分类方法专家系统分类法模糊集人工,2.2,面向对象的影像分析方法,面向对象的分类方法是一种自能化的自动的影像分析方法。面向对象的分类基本单元不再是单个像元，而是更有实际意义的,影像对象,。影像对象是与像元相对应的影像分析单元，由影像的多尺度分割而形成、由若干个同质像素组成的集合体，对象的大小由分割尺度决定，影像的分类都是基于对象进行的，这样能更好地利用目标的几何特征。,2.2面向对象的影像分析方法面向对象的分类方法是一种自能化的,面向对象影像分析方法的优点,面向对象的分类方法在影像光谱特征的基础上，充分考虑了地物的,形状、大小、结构,等几何特征，可以充分利用,对象和周围环境之间的联系,等因素，借助对象特征知识库来完成对影像信息的提取，有利于,提高分类的精度，减少了传统基于像元分类方法的语言信息损失,面向对象影像分析方法的优点面向对象的分类方法在影像光谱特征的,2.2.1,多尺度分割技术,多尺度分割方法充分考虑了地表实体格局或过程的多层次性，克服了数据源的固定尺度问题，采用了尺度影像的层次网络结构来揭示地表特征的等级结构。,2.2.1 多尺度分割技术多尺度分割方法充分考虑了地表实体格,Pixel level,Level 1,Level 2,Level 3,Pixel levelLevel 1Level 2Level,多尺度影像分割步骤：,1,、设置分割参数，,包括各波段的权重,2,、以影像中任意一个,像元为中心开始分割,多尺度影像分割步骤：,第三章 最优,分割,参数的选择,第三章 最优分割参数的选择,最优分割参数,各波段的权重,均质因子,分割尺度,最优分割参数各波段的权重均质因子分割尺度,3.1,最优尺度选择,最大面积法,这种方法的,基本理论思想,是,:,首先假设最大面积法与分割尺度具有一定的关系，然后进行多尺度分割，并且记录每个不同尺度层的最大面积，并对最大面积和分割尺度的关系进行统计，最后得到尺度和最大面积的关系，并通过目视观察来确定相应最大面积下哪种或哪几种类别得到了最好的分割，以此来确定某种特定类别的最优分割尺度。,3.1最优尺度选择最大面积法,目标函数法,这种方法的,基本思想,是：分割得到的对象内部具有良好的,同质性,；分割得到的对象与邻接对象又有良好的,异质性,。分割对象的同质性可以保证在影像对象在一定程度上,不具有混合对象,，异质性又可以保证对象之间的,可分性,。目标函数的目的是将同质性和异质性达到最好的组合效果。,目标函数法,3.2,实验结果和分析,下图是不同分割尺度下影像分割结果：,（,a,）分割尺度,=50,（,b,）分割尺度,=300,3.2实验结果和分析下图是不同分割尺度下影像分割结果：,由图可以看出，分割尺度,=300,时分割效果相对来说是较好的，非植被、草地、林地得到了较好的分割,4.1,遥感图像预处理,辐射纠正,图像融合,图像纠正,遥感影像预处理,4.1 遥感图像预处理辐射纠正图像融合图像纠正遥感影像预处理,4.2,多尺度分割参数选择实验,选择合适的分割法和设置合理的分割参数是产生高质量分割结果的重中之重,4.2多尺度分割参数选择实验 选择合适的分割,第四章 面向对象遥感信息提取实验,第四章 面向对象遥感信息提取实验,4.3,面向对象影像的提取,面向对象影像提取有两种方法：,标准最邻近法,-,是基于样本的分类方法，即先取样本再分类。,成员函数法,-,是一种基于规则的分类方法，即通过地物对象特征的分析，建立合适的分类体系和分类准则来进行逐级分类。,4.3面向对象影像的提取面向对象影像提取有两种方法：,4.4,影像信息提取的实验,结束,开始,建立分类体系,最邻近分类器建立,编辑规则对话框,执行规则,符合要求,yes,no,分类,4.4影像信息提取的实验结束开始建立分类体系最邻近分类器建立,4.4,面向对象和基于像元信息提取比较,面向对象与传统分类方法的,本质区别,就是：面向,对象,而不是面向,像素,进行分类。面向像素的解算模式将像元孤立化分析，解译精度较低且斑点噪声难以消除；利用影像分割技术把影像分解成具有一定相似特征的像元的集合,影像对象；影像对象和像元相比具有多元特征，颜色、大小、形状、均质性等。,4.4面向对象和基于像元信息提取比较 面向,下图是面向对象和基于像元的影像提取结果,下图是面向对象和基于像元的影像提取结果,面向对象与基于像元特点比较,面向对象,基于像元,颜色信息丰富，形状接近真实地物，大小区分明显，纹理信息突出，上下文关系明确,大面积地物混分，分类结果多椒盐，无法输出有意义的地理信息层,面向对象与基于像元特点比较 面向对象,第五章 总结与展望,整个遥感信息的识别和提取是一个复杂的过程，要弄清没一个环节是一个长期的过程。分割参数的选择方法有待进一步实验和改正,。,第五章 总结与展望 整个遥感信息的识别和提,面向对象遥感影像分析方法可用到的特征有：对象的本质特征、拓扑特征、内容特征，面向对象影像分析的最大特点就是充分利用这些来自影像目标的丰富的信息进行分割，使我们得到更好地语义关系，精确详细的结果，这种技术在遥感影像分析中起着无可比拟的优势，是当前影响分析技术的发展趋势，也是遥感应用分析中影像分割技术的发展趋势之一。,面向对象遥感影像分析方法可用到的特征有：,基于面向对象方法的高分辨率影像提取课件,