研究易康（eCognition）面向對象遙感影像的分類

■段凱 魏那

（吉林省航測遙感院吉林長春130051）

研究易康（eCognition）面向對象遙感影像的分類

■段凱 魏那

（吉林省航測遙感院吉林長春130051）

現如今高空間分辨率遙感數據增多，綜合各類信息提取技術，運用多尺度信息提取結果，更好的從各類遙感數據中提取信息，已成為遙感應用中研究的問題之一。以長春郊區ETM遙感影像與某海邊ETM遙感影像為例，選取具有典型地物特征的區域為實驗區，以eCognition為平臺，對實驗區進行面向對象的分類實驗。

ETM eCognition 平臺 面向分類

0 引言

近年來隨著高分辨率影像的普及，人們在高空間分辨率遙感信息提取上取得了進一步的發展，這些遙感數據信息，地物幾何結構、紋理信息更加明顯，更加提高了地物定位、判讀精度遙感影像分類是通過目視解譯進行的，依靠人們的經驗和知識，通過基本要素及具體標志來識別不同的地物類型，因此目視技術不適合大量遙感數據處理,計算機的自動分類技術成為了遙感技術與應用研究的重點。那么如何運用高分辨率影像的特點，進行影像信息的快速并高精度提取，便是本文研究需要研究論述的重點。

1 研究背景

最初的遙感影像分類主要是通過目視解譯進行的，是依靠人們的經驗和知識，通過解譯基本要素以及具體解譯標志來識別不同的地物類型，盡管目視解譯的技術已經很成熟,但是目視解譯不僅需要豐富的地學知識，還需要目視判讀經驗,更需要消耗大量的時間去目視判讀,其勞動強度大,信息獲取周期長。以像元的光譜特征為主要依據的分類方法是無法表達同一地物本身的光譜異質性的。綜上所述，由于遙感影像數據的復雜性、多源性和特殊性，基于統計模式識別的傳統分類方法已經無法滿足人類的要求。怎樣運用高分辨率影像的特點，進行影像信息的快速并高精度提取是目前急需解決的關鍵問題，也是本文研究的重點。

2 面向對象遙感影像分類的方法

Baatz M和Schape A根據高分辨率遙感影像特點,顯示了面向對象遙感影像分類的方法。此方法進行信息的提取，處理最小單元不再是像元，而是有更多語義信息的相鄰像元組成的對象，所以分類時更多是在利用對象的幾何信息和影像對象之間的語義信息、紋理信息、拓撲關系，并不僅是單個對象的光譜信息。面向對象引入了模糊分類法，同時取得了很好的分類效果。于傳統相比的分類方法，面向對象的分類方法很好的充分利用遙感影像的多種特征更加接近人腦解譯方式，更適合處理空間尺度、空間分析等問題。

3 影像分類

影像分類是在影像分割的基礎上，根據影像中地物空間特征、光譜特征、時相特征，對地物目標進行識別。基本分為監督分類和非監督分類。如果使用計算機對遙感影像進行分類會分為硬分類和軟分類。硬分類是用分類器給每個像元賦予唯一類別的方法，如最大似然分類、最小距離分類等；軟分類與硬分類相反，每個像元可能被賦予多個類別，如模糊分類、貝葉斯分類等。所以硬分類沒有顧及到混合像元的影響，混合像元越多就會導致硬分類的精度越低。而軟分類恰巧可以闡述類別歸屬的不確定性。因此這種軟分類得到越來越多人的認同，更能反映真實的情況。面向對象的影像分類是以模糊的邏輯分類系統作為基礎的典型軟分類器。模糊邏輯的基本思想就是樣本的隸屬度然后通過成員函數獲取的，成員函數再把任意特征值范圍轉換為[0,1]這樣一個統一的范圍，最后描述一個類型的隸屬度。模糊數學分類的方法優勢如下:特征值向模糊值轉化,就是一個特征標準化的過程;允許不同特征之間的組合,使范圍和大小等都差異很大的特征也可以組合起來;很好的調整特征描述;經過模糊運算和層次類型的描述,進行復雜的特征描述；此方法更接近我們的思維模式。

3.1 實驗區域影響

本文選擇兩幅影像來進行面向對象的分類實驗。第一幅是某海邊的高分辨率影像，第二幅是吉林省長春市郊區周邊的ETM影像。

圖1 實驗區1和實驗區2影像圖

4 eCognition實驗區信息的提取

從實驗區1可以看出來，該實驗區的水體特征明顯，建筑物與植被邊界不突出且建筑物部分有陰影，植被與裸地之間差異較小，道路特征不是很清晰，因此要對該影像進行較為細致的分割。從實驗區2可以看出來，該實驗區的道路特征明顯，建筑物較為集中，植被與裸地的差異較大，各地物特征比較明顯，所以分割尺度的選擇相對比較容易些。通過不斷的調整分割尺度的大小選取最優值后分割結果

4.1 實驗區的影像分類

實驗區的兩個影像進行分類主要采用以下四種分類算法：最優Box、最鄰近算法、亮度閾值和雜波去除法。下面以實驗區1為例進行影像分類的具體闡述。對分割后的影像先進行觀察，先提取最容易識別的類別，在實驗區1中先對水體進行提取，觀察水體與其他地物相差較大的特征進行區分。以Layer 4的數值進行閾值分類，首先選擇該波段，然后對影像同步進行閾值選取，然后對提取后的水體進行合并，由于個別地物的提取誤差，會有少許的遺漏或錯分，需要后面進行單獨處理，合并效果如圖2。

圖2 實驗區1的水體合并圖

5 結論語

本文運用了面向對象的遙感影像分類方法，借助eCognition的平臺完成了遙感影像的分類實驗并在處理高空間分辨率影像時，更加證明了面向對象的影像分類方法的優勢。不僅僅避免了“椒鹽現象”、有效的提高了精度，更好的加入人類思維，使分類結果更容易理解和解釋。雖然高分辨率影像已經具有了良好的目視效果，但在分類過程中仍會有一些沒辦法識別的區域，所以結合計算機視覺與認知學的相關理論和方法進行糾正處理也需要進一步的研究。

[1]李德仁.論21世紀遙感與GIS的發展 [J].武漢大學學報，信息科學版,2003,28 (2):127一131.

[2]宮鵬,黎夏,徐冰.高分辨率遙感影像解譯理論和應用方法中的一些研究問題［J］.遙感學報,2006,10(1):1-4.

[3]秦其明.遙感圖像自動解譯面臨的問題與解決的途徑 [J].測繪科學,2000,25(2):2-24.

[4]杜鳳蘭,田慶久,夏學齊等.面向對象的地物分類法分析與評價 [J].遙感技術與應用, 2004,19(l):20一23.

[5]鄭江,駱劍承,陳秋曉等.遙感影像理解智能化系統與模型集成方法 [J].地球信息科學2003(l):95一102.

[6]章毓晉.圖象分割 [M].北京:科學出版社,2000.

P2[文獻碼]B

1000-405X（2016）-5-283-2

段凱（1985～），男，2006年畢業于軍事經濟學院，工程師，研究方向為航測遙感與地理信息系統的應用。