研究易康（eCognition）面向对象遥感影像的分类

■段凯 魏那

（吉林省航测遥感院吉林长春130051）

研究易康（eCognition）面向对象遥感影像的分类

■段凯 魏那

（吉林省航测遥感院吉林长春130051）

现如今高空间分辨率遥感数据增多，综合各类信息提取技术，运用多尺度信息提取结果，更好的从各类遥感数据中提取信息，已成为遥感应用中研究的问题之一。以长春郊区ETM遥感影像与某海边ETM遥感影像为例，选取具有典型地物特征的区域为实验区，以eCognition为平台，对实验区进行面向对象的分类实验。

ETM eCognition 平台 面向分类

0 引言

近年来随着高分辨率影像的普及，人们在高空间分辨率遥感信息提取上取得了进一步的发展，这些遥感数据信息，地物几何结构、纹理信息更加明显，更加提高了地物定位、判读精度遥感影像分类是通过目视解译进行的，依靠人们的经验和知识，通过基本要素及具体标志来识别不同的地物类型，因此目视技术不适合大量遥感数据处理,计算机的自动分类技术成为了遥感技术与应用研究的重点。那么如何运用高分辨率影像的特点，进行影像信息的快速并高精度提取，便是本文研究需要研究论述的重点。

1 研究背景

最初的遥感影像分类主要是通过目视解译进行的，是依靠人们的经验和知识，通过解译基本要素以及具体解译标志来识别不同的地物类型，尽管目视解译的技术已经很成熟,但是目视解译不仅需要丰富的地学知识，还需要目视判读经验,更需要消耗大量的时间去目视判读,其劳动强度大,信息获取周期长。以像元的光谱特征为主要依据的分类方法是无法表达同一地物本身的光谱异质性的。综上所述，由于遥感影像数据的复杂性、多源性和特殊性，基于统计模式识别的传统分类方法已经无法满足人类的要求。怎样运用高分辨率影像的特点，进行影像信息的快速并高精度提取是目前急需解决的关键问题，也是本文研究的重点。

2 面向对象遥感影像分类的方法

Baatz M和Schape A根据高分辨率遥感影像特点,显示了面向对象遥感影像分类的方法。此方法进行信息的提取，处理最小单元不再是像元，而是有更多语义信息的相邻像元组成的对象，所以分类时更多是在利用对象的几何信息和影像对象之间的语义信息、纹理信息、拓扑关系，并不仅是单个对象的光谱信息。面向对象引入了模糊分类法，同时取得了很好的分类效果。于传统相比的分类方法，面向对象的分类方法很好的充分利用遥感影像的多种特征更加接近人脑解译方式，更适合处理空间尺度、空间分析等问题。

3 影像分类

影像分类是在影像分割的基础上，根据影像中地物空间特征、光谱特征、时相特征，对地物目标进行识别。基本分为监督分类和非监督分类。如果使用计算机对遥感影像进行分类会分为硬分类和软分类。硬分类是用分类器给每个像元赋予唯一类别的方法，如最大似然分类、最小距离分类等；软分类与硬分类相反，每个像元可能被赋予多个类别，如模糊分类、贝叶斯分类等。所以硬分类没有顾及到混合像元的影响，混合像元越多就会导致硬分类的精度越低。而软分类恰巧可以阐述类别归属的不确定性。因此这种软分类得到越来越多人的认同，更能反映真实的情况。面向对象的影像分类是以模糊的逻辑分类系统作为基础的典型软分类器。模糊逻辑的基本思想就是样本的隶属度然后通过成员函数获取的，成员函数再把任意特征值范围转换为[0,1]这样一个统一的范围，最后描述一个类型的隶属度。模糊数学分类的方法优势如下:特征值向模糊值转化,就是一个特征标准化的过程;允许不同特征之间的组合,使范围和大小等都差异很大的特征也可以组合起来;很好的调整特征描述;经过模糊运算和层次类型的描述,进行复杂的特征描述；此方法更接近我们的思维模式。

3.1 实验区域影响

本文选择两幅影像来进行面向对象的分类实验。第一幅是某海边的高分辨率影像，第二幅是吉林省长春市郊区周边的ETM影像。

图1 实验区1和实验区2影像图

4 eCognition实验区信息的提取

从实验区1可以看出来，该实验区的水体特征明显，建筑物与植被边界不突出且建筑物部分有阴影，植被与裸地之间差异较小，道路特征不是很清晰，因此要对该影像进行较为细致的分割。从实验区2可以看出来，该实验区的道路特征明显，建筑物较为集中，植被与裸地的差异较大，各地物特征比较明显，所以分割尺度的选择相对比较容易些。通过不断的调整分割尺度的大小选取最优值后分割结果

4.1 实验区的影像分类

实验区的两个影像进行分类主要采用以下四种分类算法：最优Box、最邻近算法、亮度阈值和杂波去除法。下面以实验区1为例进行影像分类的具体阐述。对分割后的影像先进行观察，先提取最容易识别的类别，在实验区1中先对水体进行提取，观察水体与其他地物相差较大的特征进行区分。以Layer 4的数值进行阈值分类，首先选择该波段，然后对影像同步进行阈值选取，然后对提取后的水体进行合并，由于个别地物的提取误差，会有少许的遗漏或错分，需要后面进行单独处理，合并效果如图2。

图2 实验区1的水体合并图

5 结论语

本文运用了面向对象的遥感影像分类方法，借助eCognition的平台完成了遥感影像的分类实验并在处理高空间分辨率影像时，更加证明了面向对象的影像分类方法的优势。不仅仅避免了“椒盐现象”、有效的提高了精度，更好的加入人类思维，使分类结果更容易理解和解释。虽然高分辨率影像已经具有了良好的目视效果，但在分类过程中仍会有一些没办法识别的区域，所以结合计算机视觉与认知学的相关理论和方法进行纠正处理也需要进一步的研究。

[1]李德仁.论21世纪遥感与GIS的发展 [J].武汉大学学报，信息科学版,2003,28 (2):127一131.

[2]宫鹏,黎夏,徐冰.高分辨率遥感影像解译理论和应用方法中的一些研究问题［J］.遥感学报,2006,10(1):1-4.

[3]秦其明.遥感图像自动解译面临的问题与解决的途径 [J].测绘科学,2000,25(2):2-24.

[4]杜凤兰,田庆久,夏学齐等.面向对象的地物分类法分析与评价 [J].遥感技术与应用, 2004,19(l):20一23.

[5]郑江,骆剑承,陈秋晓等.遥感影像理解智能化系统与模型集成方法 [J].地球信息科学2003(l):95一102.

[6]章毓晋.图象分割 [M].北京:科学出版社,2000.

P2[文献码]B

1000-405X（2016）-5-283-2

段凯（1985～），男，2006年毕业于军事经济学院，工程师，研究方向为航测遥感与地理信息系统的应用。