面向对象的分类方法

4．4．2　面向对象的分类方法

传统的基于单个像素的分类方法，如最小距离法、最大似然法等，主要根据地物的光谱特性进行分类，这种以单个像素为单位的技术过于着眼于局部而忽略了整个区域的几何结构，从而严重制约了信息提取的精度。

面向对象分类技术是一种新的遥感影像分类技术，与传统的分类方法相比，面向对象分类针对的是影像对象而不是基于单个的像素。首先，对影像进行分割获得同质对象，影像对象包含了许多可用于分类的特征，如光谱、形状、大小、结构、纹理、空间关系等信息;然后，根据遥感影像分类或者地物目标提取的具体要求，选择和提取影像对象的特征，并利用这些特征或特征组合，结合专家知识进行遥感影像分类。eCognition软件作为第一款面向对象的图像分析软件，其成功研制与发布，在一定程度上推广了面向对象的分类方法，使其从研究实验转向实际应用。

作为获取影像对象的重要手段，影像分割方法的优劣直接影响着影像分类结果的好坏。按照遥感影像分割算法的特征，具体可分为以下几类。

1．基于阈值的分割方法

阈值分割算法作为一种简单实用的分割算法，在所有图像分割方法中种类最多、研究最广，其主要特点是原理清晰，计算简洁。阈值分割算法中的大多数算法都是基于直方图统计信息，即根据直方图波峰的分布来选取阈值，然后对图像进行分割。阈值分割技术分为单阈值法和多阈值法。在单阈值法中，整个图像分成两个区域，即目标对象和背景;当整个图像由几个带有不同特征的对象组成时(对于灰度图像，表示具有不同灰度值的目标)，需要几个不同的阈值，这就是多阈值法。

阈值分割的实质是按照某一个准则求出最佳阈值的过程，再将图像中像元灰度和选取的阈值作对比，根据比较的结果将该像元划分到相应的区域类别中去。常用的算法有Otsu的最大类间差法及Kitter的最小误差法、统计法等。

2．基于边缘的分割方法

一幅图像中的不同对象区域之间总存在边缘，边缘是灰度或颜色值不连续(突变)或者至少是特征变化较大的结果，图像中的边缘含有丰富的信息。基于边缘的图像分割方法也是人们研究的热点。它试图通过检测包含不同区域的边缘来解决图像分割问题。基于不同区域之间的边缘上像素灰度值的变化往往比较剧烈，一般利用图像一阶导数或二阶导数的过零点信息，来提供判断边缘点的基本依据。

常用的方法有微分算子法和串行边缘检测算法。影像中相邻的不同区域间总存在边缘，边缘处像元的灰度不连续可通过求导来检测，如一阶微分算子有Roberts，Prewitt和Sobel算子，二阶微分算子有Laplace和Kirsh算子等。串行边缘检测算法是先检测边缘再串行连接成闭合边界的方法，这种方法在很大程度上受起始点的影响。

3．基于区域的分割方法

区域算法是基于这样的假设:同一区域(或目标)的像素具有某种共性，比如灰度、纹理，而其他区域却不具有这种特性，从而将目标分离出来。区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间不连续的缺点。

区域生长和分裂合并法是两种典型的区域特征分割法。区域生长的基本思想是将其具有相似特性的像元集合起来构成区域。首先每个需要分割的区域确定一个种子像元作为生长起点，然后按一定的生长准则把它周围与其特性相同或相似的像元合并到种子像元所在的区域中。把这些新像元作为种子继续生长，直到没有满足条件的像元可被包括，这时生长停止，一个区域就形成了。

分裂合并法的基本思想是从整幅影像开始通过不断分裂合并得到各个区域。分裂合并法的关键是分裂合并准则的设计。这种方法对复杂影像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。

目前流行的分形网络演化分割方法(fractal net evolution approach，FNEA)就是这类分割方法的典型代表。FNEA算法的分割效果如图4-12所示。

图4-12　FNEA分割算法分割结果

4．基于特定算法的分割方法

由于图像分割理论尚不完善，缺乏通用性，随着各种新理论的提出，出现了许多和特定理论方法相结合的遥感图像分割算法。

(1)基于数学形态学的方法。该分割方法的基本思想是用具有一定形态的结构元素去度量和提取影像中的对应形状以达到对影像分析和识别的目的。利用膨胀、腐蚀、开运算、闭运算四个基本运算进行推导和组合，可以产生各种形态学实用算法，其中结构元素的选取很重要。腐蚀和膨胀对于灰度变化较明显的边缘作用很大，可用于构造基本的形态学边缘检测算法，具有代表性的是分水岭算法。在实际应用中，分水岭算法不仅是一个有效的基于数学形态学的纹理分割方法，还可以与其他的分割算法相融合，对遥感影像进行初始分割，为其他算法提供区域对象，避免从像素开始处理带来的巨大计算量，又能很好地找到地物边界(见图4-13)。

(2)借助统计模式识别方法的分割技术。将目标的几何与统计知识表示成模型进行匹配或分类，或者将分割看成一个组合优化问题，根据具体任务优化目标函数，再求解该目标函数在约束条件下的最优解，或者基于先验知识的分割目标模型，通过能量函数用动态轮廓模型来逼近目标的真实模型。

图4-13　分水岭与FNEA相融合的分割算法

(3)基于信息论的分割方法。人类视觉的各层次均有一定的模糊性和随机性，利用信息论中熵的概念来描述这些模糊性和随机性，借助求熵的极值方法来实现图像分割，如最大后验熵法、最小熵相关法、二维最大熵法等。

(4)基于模糊理论的分割方法。模糊理论具有描述事物不确定性的能力，适合于影像分割问题。近年来，出现了许多模糊分割技术，在影像分割中的应用日益广泛。目前，模糊技术在影像分割中应用的一个显著特点就是它能和现有的许多影像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。

(5)基于小波分析的分割方法。小波变换在时域和频域都具有良好的局部化性质，而且小波变换具有多尺度特性，能够在不同尺度上对影像进行分析，在影像处理和分析等多方面得到应用。二进小波变换具有检测二元函数的局部突变能力，可作为影像边缘检测的工具。影像的边缘出现在影像局部灰度不连续处，对应于二进小波变换的模极大值点。因此通过检测小波变换模极大值点可以确定影像的边缘。小波变换位于各个尺度上，而每个尺度上的小波变换都能提供一定的边缘信息，因此小波变换可用于多尺度分割，得到比较理想的效果。

针对图4-14所示的武汉市QuickBird原始影像，包含城市湖泊、林地、城市绿地、居民地、道路等多种地物类型，采用本节介绍的面向对象的分类方法，依处理步骤，可得到图4-15到图4-17所示的分类结果。

图4-14　用于分割的武汉市QuickBird原始影像

图4-15　分割尺度为20的预分割结果

图4-16　同类合并后的分割结果

图4-17　分类后的结果