面向对象分类方法的优势

Baatz 和 Schpe ( 2000) 针对高分辨率遥感影像的特点，提出了面向对象的遥感影像分类方法。其基本原理是: ① 对遥感影像进行分割，把具有相同特征的像元组成一个同质对象; ② 分析目标地类的相关特征属性，包括光谱、形状、纹理、阴影、空间位置等;③ 建立相应的模糊判别规则，对分割得到的同质对象进行影像分类和信息提取。采用面向对象的遥感影像分类方法进行信息提取时，处理的最小单元是含有较多语义信息的、由多个相邻像元组成的对象，而不再是单个像元，分类时利用的是对象的几何信息、语义信息、形状、纹理以及拓扑关系等，而不仅仅是单个对象的光谱信息。与传统的基于像元的分类方法相比，面向对象的遥感影像分类方法具有以下优势:

1) 能够较好地解决噪声问题。传统基于像元的分类方法对噪声比较敏感，高分辨率影像图斑更加破碎，在不考虑邻域像元的情况下，对单个像元进行分类往往会导致严重的“胡椒盐效应”。为了抑制噪声而广泛采用的滤波方法，实际是以损失影像原始信息为代价的。面向对象的遥感影像分类方法是将具有相同或相似的均质特性的相邻像元集合成一个同质对象，每个同质对象都有各自的属性描述，在进行分类时，用大小不同的同质对象取代像元作为分类的基本单元，同时在分类过程中结合各个对象的光谱、形状、纹理、阴影、空间位置等特征信息进行综合分析 ( 汪求来，2008) ，虽然在影像分割过程中会损失少量光谱信息，但是与基于同质区域的光谱综合和机械滤波 ( 通过调节窗口的大小) 的原理和物理意义是完全不同的 ( 胡进刚、张晓东等，2006) 。因此，面向对象的遥感影像分类方法可以有效地避免由于高分辨率影像中同类地物光谱变异较大而引起的 “胡椒盐效应”，以及 “同物异谱”和 “同谱异物”带来的地物类别错分现象，并且该方法更接近于人脑的图像解译过程，因而能够有效地提高高分辨率影像的分类精度。

2) 面向对象的遥感影像分类方法能够充分表达对象之间的语义信息，是促进遥感影像分类方法向着更高层次发展的有力工具和坚实基础。从遥感影像分析理解的三个层次( 像元级、特征级和目标级) 来看，面向对象的分类方法属于对遥感影像的高层理解，介于特征级和目标级之间。为了实现对遥感影像的高层理解，就需要提高遥感影像分析理解的语义层次 ( 郑江等，2003) 。Blaschke 等 ( 2001) 也指出，对遥感影像的分析理解应当更侧重于对影像语义信息的分析理解，影像的语义信息主要是对影像中有意义的单元或对象之间的相互关系进行的表达。

3) 面向对象的遥感影像分类方法能根据地类特点在不同尺度上提取地物信息，提高信息提取的精度。从理论上讲，不同地类均有与之相适应的最佳分辨率或最佳分割尺度，并不是空间分辨率越高越好，在该尺度上，影像对该地物类别的概括最适中，识别效果最好 ( Chen et al. ，1989) 。

4) 随着对高分辨率遥感技术的应用越来越广泛，将空间分析等高级功能应用到高分辨率遥感影像中逐渐成为研究的重点和趋势，面向对象的遥感影像分类方法的出现使得将空间分析等高级功能应用到高分辨率遥感影像分析中成为可能 ( 游丽平，2007) 。