王 林

(新疆生产建设兵团勘测规划设计研究院，新疆乌鲁木齐 830002)

传统的遥感影像信息提取主要是基于中低分辨率的遥感卫星数据或航片，通过目视判读或是基于像素的计算机分类方法，信息提取的精度和效率不能兼顾。而高分辨率的遥感影像虽然结构、纹理等信息非常突出，但是所含波段较少，光谱信息不足。所以仅依靠像素的光谱信息进行分类而忽略整片图斑的纹理、结构等信息，必然会造成分类精度降低，空间数据大量冗余，并且其分类结果常是椒盐图像，不利于进行空间分析。eCognition正是基于影像空间波谱两方面信息直接面向高分辨影像和雷达影像的分类处理，采用全新的面向对象的图像分类技术来进行影像的分类和信息提取［1］。

1 影像分析的技术核心

面向对象的分类方法是一种智能化的自动影像分析方法，它的分析单元不是单个像素，而是由若干个像素组成的像素群，即目标对象。目标对象比单个像素更具实际意义，特征的定义和分类均是基于目标进行的。

1.1 基于图像对象进行影像分析

eCognition对图像进行分类并不以像素作为识别的基本单元，而是充分利用图像对象及其相关信息，对地物特征进行详细划分。可用于对象分类的特征主要有:形状特征、纹理特征、灰度特征和层次特征。通过这些特征的提取可以较容易地区分不同类型的对象，例如利用对象之间的距离特征，可以区分出水体和房屋的阴影。

1.2 多尺度影像分割

多尺度影像分割就是给影像目标多边形一个特定的阈值，根据指定的色彩和形状的同质准则，基于对象异质性最小原则，将光谱信息类似的相邻像元合并为有意义的对象，使整幅影像的同质分割达到高度优化的程度。影像分割的目的是将影像划分成一个个有意义的分离区域，形成初级的影像对象，为下一步分类提供信息载体和构建基础。因此，分割得好坏直接影响着分类的精度［2］。

eCognition允许以任意分辨率进行影像同质区域的分割，故亦称多分辨率分割。利用eCognition多分辨率对象分割方法，生成的一个项目能包含一个有不同分辨率、不同对象分割水平的分类网络，这些类的结构同时代表了不同尺度图像信息。利用不同的分割技术生成影像对象的网络层次结构。每一次分割循环就生成网络层次中的一个层。同时，层结构代表不同尺度的影像对象信息。精对象是粗对象的子对象，这样每一个对象都了解自己的上下文、邻对象、子对象以及父对象。网络层次上的操作，可以定义对象间的关系。可见，图像对象与单个像元用于分类的特征相比，提高了分类信息的信噪比，即多数外加信息的独立性使得分类更加精确。eCognition分割的结果作为目标对象用于下一步分类［3－4］。

图1 不同尺度的对象分割

1.3 面向对象的分类方法

eCognition提供了两种不同类型的分类器:最近邻分类器和隶属度函数分类器。最近邻分类相似于监督分类，需要选择样本。样本是一个类的典型代表，在声明每个类的样本对象后，每个影像对象都赋为特征空间中最邻近样本所代表的类中。当无法描述特征空间时，允许用户通过模糊的规则明确地表达分类要求，对类进行描述可用不确定性。隶属度函数法是基于可利用目标特征的模糊逻辑来分类，可以精确定义对象属于某一类的标准，是基于一个特征的。因此，如果仅用一个或少数特征就可以将一个类同其他类区别开时，可以使用隶属度函数分类器［5－7］。

2 两种分类方法的结果对比

eCognition面向对象分类的结果与ERDAS的监督分类的结果精度和效果评价如图2所示。

图2 eCognition和ERDAS Expert Classif ier分类结果对比

图2中ERDAS主要依据地物的光谱信息进行图像分类，在区域分割或边界跟踪的基础上抽取遥感图像形态、纹理特征和空间关系等特征。这种基于像素的分类方法往往产生散布式的分类效果，不利于进一步的空间分析。图2为耕地和道路的细节对比。

图2中eCognition是在面向图像对象的基础上进行的分类，该分类方法兼顾考虑地物的形状特征和结构特征，同时考虑影像的形状和纹理因素，可以有效地识别河道、道路、建筑物的形状，克服了“椒盐”现象。同时由于对象内部相对均一性在一定程度上解决了“同物异谱”和“同谱异物”现象，使得分类精度有了较大提高。

3 结束语

与传统像元的面积提取方法相比，eCognition面向对象分类方法可以充分考虑地物本身的信息，包括光谱信息、形状信息、纹理信息、结构信息等，影像分割后形成若干个互不交叠的非空子区域，每个子区域的内部都是连通的并且具有相同或者相似的特性，从而有效减少了“椒盐效应”。分类后对影像数据的样本可再选择、删除、再分类，便捷的手工操作使得只要能够被分割出的对象都可以根据实际类别被赋到对应类上，产生与人类思维更加接近的分类结果。因此，eCognition面向对象的分类方法可以充分利用高分辨率遥感影像丰富的空间信息，弥补传统的基于像素统计特征分类方法的不足，极大地提高了高分辨率遥感影像自动识别的精度。

［1］ 李宗华，王新洲，彭明军，等.高分辨率卫星遥感影像在土地利用变更调查中的应用［J］.测绘信息与工程，2005，30(4):13－16.

［2］ 丁晓英.eCognition在土地利用项目中的应用［J］.测绘与空间地理信息，2005，28(6):116－117.

［3］ 曹宝，秦其明，马海建，等.面向对象方法在SPOT5感图像分类中的应用－以北京市海淀区为例［J］.地理与地理信息科学，2006，22(2):46－54.

［4］ 曹雪，柯长青.基于对象级的高分辨率遥感影像分类研究［J］.遥感信息，2006(5):27－30.

［5］ 杜凤兰.面向对象的地物分类方法分析与评价［J］.遥感技术与应用，2004，19(1):20－23.

［6］ 明冬萍，骆剑承，沈占锋，等.高分辨率遥感影像信息提取与目标识别技术研究［J］.测绘科学，2005，30(3):18－20.

［7］ eCognition Conpration.User Guide，Definiens imaging gmb munich［EB/OL］.(2007－10－20)［2011－02－01］http://www.definiens imaging.com/product.htm.