胡金梅，董张玉，杨学志

（1.合肥工业大学 计算机与信息学院，安徽 合肥 230009；2.工业安全与应急技术 安徽省重点实验室，安徽 合肥 230009）

自第一颗高分辨率卫星发射成功以来，高分辨率卫星的应用已涉及多个领域。高分辨率遥感影像为灾害监测、土地规划等方面提供了帮助，从中提取的相关地物信息，可分析相关地物信息的空间分布和变化特征，并预测未来发展和规划[1]。传统的像元分类方法已得到广泛应用，但其数据量较大、运算成本较高。面向对象的影像分类技术通过分割原始影像构建包含多个相对同质像元的影像对象，从而提取融合影像对象多特征属性，再选取合适的分类模型完成分类；通过减小像元错分的概率来提升分类效果。SVM、决策树以及 BP人工神经网络等现有的分类模型已基本成熟[2]， 其中对SVM和决策树的研究较多，如沈照庆[3]等利用SVM算法提取了道路信息；郝剑南[4]等基于面向对象的方法，利用SVM算法结合纹理特征提取了高分辨率影像的耕地信息；郭玉宝[5]等利用最大似然法、SVM算法和随机森林（RF）算法进行了城市用地分类，并对比分析了3种分类结果，结果表明RF算法既能保证分类精度又能保持一定的时间效率；QIAN Y[6]等通过处理WorldView-2影像发现，在城市土地分类中SVM算法和贝叶斯分类方法的效果优于决策树和最近邻分类法。

传统的面向对象分类方法采用某种单一分类算法对不同地物进行信息提取，存在对某类地物分类效果较高或较差的情况；……