遥感影像分类试验报告

面向对象分类实验报告姓名：学号：指导老师：地球科学与环境工程学院一、实验目的面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言；三、实验内容 3.1、影像的预处理利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter- spatial enhancement- resolution merge.输入融合前的两幅影像，完成影像的预处理过程。图 1 图像融合步骤图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程图 3 模式选择 b、file-new projection ，打开Create Project和Import Image Layers两个对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文）图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。图 5 修改波段名称 d、设置波段组合为真彩色，设置如下（可以添加近红外在绿光通道的显示，以增强植被的显示，看起来会舒服一些），并保存工程。图 6 设置波段组合 3.3、对象生成的多尺度分割 a、首先在进程数（规则集区域）右击，选择Append New选项，打开程序编辑对话框，在algorithm框中选择需要的算法。图 7 新建分割处理 b、在上述的基础上，插入子类，选择多尺度分割算法，分割尺度为20 图 8 插入子类图 9 分割前后的结果对比 3.3、信息的分类：提取 3.3.1、植被分类（阈值分类） a、在Class Hierarchy 对话框中新建植被分类，并修改植被颜色图 10 新建植被分类 b、在Process Tree 中新建的植被分类，并选择assigned classify阈值分类图 11 新建分割植被分类 c、创建NDVI 函数：feature view→object features→customized→create new arithmetic。修改 Feature names 为 NDVI , 并编辑算法。图 12 创建 NDVI d、植被分类阈值设置：NDVI=0.12 R=320 ,完成植被的分类图 13 设置NDVI阈值图 14 设置R阈值图 15 植被分类 3.3.2、水体的分类 a、在Class Hierarchy 对话框中新建水体分类，并修改水体颜色图 16 新建植被分类 c、调出Insert Expression对话框，选择任何一个特征，双击完成，调出成员函数（Membership Function）对话框，这里可以选择隶属函数，并设置模糊段的值。图 17 设置模糊值 c、显示不同波段或者NDVI函数在水体上的差异，删除相近的图 18 比较差异图 19 删除差异相近的特征图 20 完成水体分类四、总结高分辨率遥感影像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述。多尺度分割算法的目标是：在指定的与感兴趣的地物目标或空间结构特征相对应的尺度下，将影像分割成高同质的、互相连结的不同影像区域，与感兴趣的地物目标或空间结构特征相对应。本实验采用面向对象方法对融合后的影像（高分辨率的全色影像和多光谱影像进行数据融合）进行有效的分割。面向对象分类技术主要分成两部分过程：影像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；影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类” 。试验中采用创建 NDVI 函数，通过设置不同的分类阈值参数可辨别出对应的地物类别（水体、陆地、植被、裸图、建筑物、道路和阴影），并生成总体分类图。通过本次实验，对面向对象分类的思想有了比较深刻的理解，特别是通过直接软件的操作，设置不同尺度参数，会显示不同类型的分割图像，调节不同创建的NDVI函数以及其他阀值设置，可以显示突出不同类型的地物，但是在分类的过程中也会有错分的地物，所以需要小心的设置参数，并且只有多次设置才能达到精确分类的结果。