第２９卷第４期２０１４年８月
遥感信息
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ＩｎｆｏｒｍａｔｉｏｎＶｏｌ．２９，
Ｎｏ．４Ａｕｇ
．，２０１４ 收稿日期：２０１４－０４－１６
基金项目：国家科技支撑计划（２０１２ＢＡＨ２８Ｂ０３）；公益性行业科研专项（２０１４１２００８
）。作者简介：顾海燕（１９８２～），女，助理研究员，在职博士研究生，主要从事遥感影像智能解译的理论和应用研究。Ｅ－ｍａｉｌ：ｇｕｈｙ
＠ｃａｓｍ．ａｃ．ｃｎ面向地理对象影像分析技术的研究进展与分析
顾海燕１，２
，李海涛２，闫利１，韩闪闪３
（１．武汉大学测绘学院，武汉４３００７９；２．中国测绘科学研究院，北京１００８３０；３．河北省第三测绘院，石家庄０５００００
）摘要：面向地理对象影像分析技术ＧＥＯＢＩＡ是地理信息科学中的一个正在发展的研究领域，从提出至今已有１０余年的历史，
受到了国际上众多研究机构的高度关注，被认为是一个不断发展的综合性学科，其基础理论、技术方法、应用推广等问题有待深入研究。因此，紧跟ＧＥＯＢＩＡ的研究动态，重点并系统分析该技术的发展历程与进展，对我国在此方面的研究定位具有重要意义。本文分析了ＧＥＯＢＩＡ技术的发展，总结归纳了现有技术方法，深入分析了ＧＥＯＢＩＡ技术的原则、优势、劣势、机遇与挑战，积极探讨了需要深入研究的科学问题，为深入研究ＧＥＯＢＩＡ理论、方法和应用奠定了基础。关键词：面向地理对象影像分析技术；影像分割；特征提取；语义建模
ｄｏｉ：１０．３９６９／ｊ
．ｉｓｓｎ．１０００－３１７７．２０１４．０４．０１１中图分类号：ＴＰ７５１ 文献标识码：Ａ 文章编号：１０００－３１７７（２０１４）１３４－００５２－０６
Ａｄｖａｎｃｅｓ ｉｎ ｔｈｅ Ｓｔｕｄｙ
ｏｆ Ｇｅｏｇｒａｐｈｉｃ Ｏｂｊｅｃｔ Ｂａｓｅｄ Ｉｍａｇｅ ＡｎａｌｙｓｉｓＧＵ Ｈａｉ－ｙ
ａｎ１，
２，ＬＩ Ｈａｉ－ｔａｏ２，ＹＡＮ Ｌｉ １，ＨＡＮ Ｓｈａｎ－ｓｈａｎ３
（１．Ｓｃｈｏｏｌ ｏｆ Ｇｅｏｄｅｓｙ ａｎｄ Ｇｅｏｍａｔｉｃｓ，Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７９；２．Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｕｒｖｅｙｉｎｇ
ａｎｄ Ｍａｐｐｉｎｇ，Ｂｅｉｊｉｎｇ１００８３０；３．Ｔｈｅ ｔｈｉｒｄ ｉｎｓｔｉｔｕｔｅ ｏｆ ｓｕｒｖｅｙｉｎｇ ａｎｄ ｍａｐｐｉｎｇ ｏｆ
ｈｅｂｅｉ ｐｒｏｖｉｎｃｅ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００００）Ａｂｓｔｒａｃｔ：Ｇｅｏｇｒａｐｈｉｃ ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ（ＧＥＯＢＩＡ）ｉｓ ａ ｄｅｖｅｌｏｐｉｎｇ ｔｅｃｈｎｉｑｕｅ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｇｅｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎ ｓｃｉｅｎｃｅ．Ｉｔ ｈａｓ ｂｅｅｎ ｈｉｇｈｌｙ ｃｏｎｃｅｒｎｅｄ ｂｙ
ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ｉｎｔｅｒｎａｔｉｏｎａｌ ｒｅｓｅａｒｃｈ ｉｎｓｔｉｔｕｔｉｏｎｓ ｆｏｒ ｍｏｒｅ ｔｈａｎ ｔｅｎｙｅａｒｓ．Ｉｔｓ ｂａｓｉｃ ｔｈｅｏｒｙ，ｔｅｃｈｎｉｃａｌ ｍｅｔｈｏｄ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｓｈｏｕｌｄ ｂｅ ｓｔｕｄｉｅｄ ｔｈｏｒｏｕｇｈｌｙ．Ｔｈｅｒｅｆｏｒｅ，ｉｔ ｉｓ ｉｍｐｏｒｔａｎｔ ｔｏ ｔｒａｃｋ ｔｈｅｄｙｎａｍｉｃ ｒｅｓｅａｒｃｈ ｏｆ ＧＥＯＢＩＡ，ａｎｄ ａｎａｌｙｚｅ ｉｔｓ ｐｒｏｇｒｅｓｓ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ．Ｔｈｉｓ ｐａｐ
ｅｒ ａｎａｌｙｚｅｄ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ＧＥＯＢＩＡｔｅｃｈｎｏｌｏｇｙ，ｓｕｍｍａｒｉｚｅｄ ｔｈｅ ｍｅｔｈｏｄｓ ｏｆ ＧＥＯＢＩＡ，ａｎｄ ａｎａｌｙｚｅｄ ｉｔｓ ｓｔｒｅｎｇｔｈｓ，ｗｅａｋｎｅｓｓｅｓ，ｏｐｐｏｒｔｕｎｉｔｉｅｓ ａｎｄ ｃｈａｌｌｅｎｇｅ．Ａｔ ｌａｓｔｔｈｅ ｓｃｉｅｎｃｅ ｑｕｅｓｔｉｏｎｓ ｆｏｒ ｆｕｒｔｈｅｒ ｓｔｕｄｙ ｗｅｒｅ ｅｘｐｌｏｒｅｄ ｗｈｉｃｈ ｍａｋｅ ｔｈｅ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｓｔｕｄｙ ｏｆ ＧＥＯＢＩＡ ｔｈｅｏｒｉｅｓ，ｍｅｔｈｏｄｓ ａｎｄａｐｐ
ｌｉｃａｔｉｏｎｓ．Ｋｅｙ
ｗｏｒｄｓ：ｇｅｏｇｒａｐｈｉｃ ｏｂｊｅｃｔ ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ；ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ；ｓｅｍａｎｔｉｃｓ ｍｏｄｅｌｌｉｎｇ１ 引 言
面向地理对象影像分析技术ＧＥＯＢＩＡ代表了
遥感与地理信息科学的发展趋势，是地理信息科学中的一个正在发展的研究领域。其致力于研究如何
分割遥感影像产生有意义的地理影像对象，在一定的光谱、时－空尺度上评估这些对象的特征，最终生
成与ＧＩＳ兼容格式的地理信息，使用户针对地理相关问题，如全球气候变化、资源管理、土地利用等，能
够有效地进行自动化、
智能化解译分析的技术和方法［１－
４］。ＧＥＯＢＩＡ涉及影像分割、特征提取、影像分类以及以地球为中心框架的对象查询与检索技术，被认为是一个不断发展的综合性学科，涉及众多学科方向，包括：遥感、地理信息系统、图像处理、数据库知识发现、地理空间信息统计、制图、摄影测量、景
观生态学、地理学等［
５］
。ＧＥＯＢＩＡ主要目标是发展与应用自动化或半
自动化的影像解译理论、方法和工具，以期提高影像
—
２５—
引用格式：顾海燕，李海涛，闫利，韩闪闪．面向地理对象影像分析技术的研究进展与分析［Ｊ］．遥感信息，２０１４，２９（４）：５２－
５７解译的准确度及效率，减少主观性、人力、财力和物
力［
５－
６］。其理论基础是认知心理学、空间认知理论和特征分析理论等，将人工解译与计算机的计算能力结合起来，使影像理解过程更加智能，准确度更高，可重复性更强，主观因素减少，人力物力成本降低，
更好地与现有地理信息软件和技术相结合［
３］
。其最突出的特点是处理的最小单元不再是单个像素，而
是由影像分割得到的同质影像对象［
７］
。具有以下优势：①综合利用了多源信息，
如ＧＩＳ、ＤＥＭ、景观生态、人文地理专题数据等；②充分利用了遥感影像的光谱、几何、纹理、拓扑、语义、时相等特征；③融合了当今影像分析方法，如监督分类、模糊逻辑、基于规
则的分类等［
７－
１１］。ＧＥＯＢＩＡ从提出至今已有１０余年的历史，
受到了国内外众多学者及研究机构的关注，ＴｈｏｍａｓＢｌａｓｃｈｋｅ教授通过浏览数千篇论文摘要，８２０篇与ＯＢＩＡ相关的论文（其中，１４５篇期刊论文、８４篇专
著章节、近６００篇会议论文），总结出ＯＢＩＡ的研究
热点是等级尺度、
影像分割、变化检测、精度评价，第一阶段的发展是生成对象的算法、软件及工具，当今最重要的发展是基于地理的智能信息以及影像处理
的自动化［
３，１２］
。本研究在此基础上，利用Ｗｅｂ ｏｆ
Ｓｃｉｅｎｃｅ数据库，继续分析２００９年２月以来ＧＥＯＢＩＡ技术的发展，总结归纳现有技术方法，深入分析ＧＥＯＢＩＡ技术的原则、优势、劣势、机遇与挑战，积极探讨需要深入研究的科学问题，为深入研究ＧＥＯＢＩＡ理论、方法和应用奠定基础。
２ 技术进展
以“ｏｂｊｅｃｔ ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ”为关键词，时间范围是２０００年至２０１４年，通过Ｗｅｂ ｏｆ Ｓｃｉｅｎｃｅ数据库进行检索，在摄影测量、遥感、光学、地质、环境、地理、信息科学、城市８个研究方向检索到３７１２篇相关论文，每年的论文数量如图１所示
。
图１ Ｗｅｂ ｏｆ
Ｓｃｉｅｎｃｅ数据库中检索到与ＯＢＩＡ相关的论文数量
按照期刊标题分析，了解到该研究最具影响力
的论文发表在环境遥感、国际遥感杂志、国际摄影测量与遥感杂志、ＩＥＥＥ地球科学与遥感等期刊上。
Ｂｅｎｚ，Ｕ．Ｃ．，Ｂｌａｓｃｈｋｅ，Ｔ．等发表的文章影响因子居于前５，如表１所示（数据来自ｈｔｔｐ：／／ａｐｐ
ｓ．ｗｅｂｏｆｋｎｏｗｌｅｄｇ
ｅ．ｃｏｍ／，截止２０１４年２月）。表１ 引用频率排前５的论文论文
引用次数平均引用次数／年Ｂｅｎｚ，ＵＣ ｅｔ ａｌ（２００４）［１３
］
５６８ ５１．６４Ｂｌａｓｃｈｋｅ，Ｔ．（２０１０）［３］
１８９ ３７．８０Ｂｕｒｎｅｔｔ，Ｃ ｅｔ ａｌ（２００３）［１４］１７２ １４．３３Ｌａｌｉｂｅｒｔｅ，Ａ Ｓ ｅｔ ａｌ（２００４）［９］
１５８ １４．３６Ｗａｌｔｅｒ，Ｖ（２００４
）［１５］
１３７
１２．４５
自２００６年以来，已经成功开展了４次非常成功的国际ＧＥＯＢＩＡ会议，此专题会议每两年召开一次，旨在讨论ＧＥＯＢＩＡ的新理论、新方法、新手段、热点难点问题、应用及发展等。此外，ＩＥＥＥ、ＩＳＰＲＳ、ＡＳＰＲＳ、ＡＲＣＳ、ＩＧＲＡＳＳ等会议也报道了
ＧＥＯＢＩＡ技术。
按照机构名称分析，了解到奥地利萨尔兹保大学、巴西里约热内卢天主教大学等国际研究机构正在从事这项研究，我国武汉大学、上海交通大学等高校及研究机构也开展了相关研究，如表２所示。
表２ ＧＥＯＢＩＡ研究机构
研究机构名称研究团队
奥地利萨尔兹保大学Ｚ－Ｇ
ＩＳ中心Ｔｈｏｍａｓ Ｂｌａｓｃｈｋｅ，Ｓｔｅｆａｎ Ｌａｎｇ加拿大卡尔加里大学Ｚ－Ｇ
ＩＳ地球信息中心Ｇｅｏｆｆｒｅｙ Ｊ．Ｈａｙ，Ｃａｓｔｉｌｌａ，Ｇ．荷兰乌特勒支大学Ｅｌｉｓａｂｅｔｈ Ａｄｄｉｎｋ巴西里约热内卢天主教大学Ｇｉｌｓｏｎ Ｃｏｓｔａ荷兰ＩＴＣ Ｍａｒｔｉｅｎ Ｍｏｌｅｎａａｒ比利时根特大学Ｆｒｉｅｋｅ Ｖａｎ Ｃｏｉｌｌｉｅ英国诺丁汉大学Ｐａｕｌ Ａｐｌｉｎ德国摄影测量与地理信息研究所
Ｃｈｒｉｓｔｉａｎ Ｈｅｉｐｋｅ美国加利福尼亚大学Ｍａｇｇｉ Ｋｅｌｌｙ上海交通大学
方涛、徐盛等
武汉大学
张良培、李平湘、黄昕、巫兆聪、易俐娜等
—
３５—
遥感信息２０１４年４期
３ 技术方法
ＧＥＯＢＩＡ技术首先通过影像分割技术得到多边形对象，其次统计对象的光谱、纹理、形状等特征，最后运用分类器实现面向对象分析。分割与分类这两个过程是迭代的而非线性或严格的连续过程，因此ＧＥＯＢＩＡ是面向对象的遥感影像分析，而非简单的分类，正是分析也才更接近人工解译的过程，才能够支持地理空间数据，而非影像数据的整合［１６］。影像分析的循环迭代过程可以根据应用目的和待识别类型，调节各个过程的对象域和参数，引入合理的专家知识，使得分割精度、分类精度随着迭代过程的进行不断提高［１３，１７］。
ＧＥＯＢＩＡ技术具有面向对象、基于特征、迭代循环、知识融入、多尺度组织、可重复性、可移植性等特点［１８］，涉及到的技术与方法包括影像分割、特征提取、面向对象分类、精度评价。
３．１ 影像分割
影像分割是ＧＥＯＢＩＡ的基础与关键步骤，通过分割方法将影像分为同质性对象，该对象是信息的载体，对其提取的特征是建立语义模型进行对象分类识别的基础。分割算法一般需要满足３个主要准则，即对象内部的同质性、对象形状的同质性（分割边界的简化与分形属性）、相邻对象的分离性，这３个准则互相排斥，许多分割方法特别强调某一准则。根据分割思想不同，有基于边缘检测和区域增长２种，在ＧＥＯＢＩＡ中常用到的是基于区域增长的算法；根据分割方式不同，分割有自下而上的数据驱动的分割和自上而下的知识驱动的分割，自上向下方法由于只标识符合模型的像素或区域，通常只能获得局部的结果，而自下向上的方法则对整个影像区域进行完全的划分［１４］。
目前，具有上千种分割方法，众多方法在医学、通信中得到广泛应用，但大多数方法不能应用于遥感影像，主要原因是：①随着多光谱与多尺度数据的增加，对算法的复杂性、冗余性、可靠性提出了更高的要求；②大量的辅助数据（ＧＩＳ信息）加入到处理过程中，需要考虑ＧＩＳ数据参与分割；③与其他应用相比较，遥感影像分割必须充分考虑到异质性对象的形状、光谱、纹理等特征；④遥感影像具有尺度特征，需要用恰当的尺度来描述影像对象。因此，多源、多方法、多尺度的分割模型成为遥感影像分割研究的主要目标［１９］。
随着高分辨率遥感影像的发展，出现了分型网络演化、分水岭、统计区域增长、水平集、均值漂移、最小熵等分割算法，针对人为反复调整分割参数的问题，出现了遗传算法等自动化确定分割参数的方法，如奥地利萨尔茨堡大学地理信息中心研究团队，基于ｅＣｏｇｎｉｔｉｏｎ软件及对象的局部方差理论，开发了确定尺度参数的工具ＥＳＰ，为影像分割及面向对象应用提供了稳健的尺度参数工具［２０］。针对分割算法优劣的问题，出现了评价不同分割方法的文献［２１－２２］，Ｍａｒｃｏ Ｎｅｕｂｅｒｔ和Ｈｅｎｄｒｉｋ Ｈｅｒｏｌｄ开发了评价分割质量的网站［２１］。针对大数据量分割问题，采用并行计算等技术解决大数量分割，提高了分割的速度。然而，影像分割仍然是个具有挑战性的研究方向，需要从基础理论出发，得到与自然本质相一致的影像对象或地理对象。
３．２ 特征提取
遥感影像特征主要包括光谱、形状、纹理、语义等特征，光谱特征是遥感影像最主要的信息，其他特征可以通过光谱特征计算得到，常用的光谱特征有：均值、方差、最大值、最小值、饱和度、色调、亮度值、标准差、自定义特征等。形状特征反映了影像上地物类型的几何形状，常用的形状特征有：面积、周长、长宽比、宽度、长度、紧致度、形状指数等［２３］。纹理特征在遥感影像中占有非常重要的地位，是遥感影像各个像元空间上分布的表达。描述纹理常用的方法可分为四类：统计类型（如灰度共生矩阵法）、频域类型（如小波滤波法）、模板卷积类型（如Ｌａｗｓ纹理能量特征法）、模型类型（如马尔科夫随机场模型），常用的纹理特征有：同质性、对比度、熵、能量、相关性、非相似性等。
这些特征之间可能存在不相关的特征，也可能存在相互依赖关系，特征越多，容易引起维度灾难，模型也会越复杂，推广能力会下降，特征选择能剔除不相关或冗余特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。
特征选择过程一般包括产生过程、评价函数、停止准则、验证过程，产生过程是搜索特征子空间的过程，搜索算法分为完全搜索、启发式搜索、随机搜索三大类，评价函数的作用是评价产生过程所提供的特征子集的好坏，主要分为筛选器、封装器两大类。常用的评价函数包括：相关性、距离、信息增益、一致性、分类器错误率［２４］。
３．３ 面向对象分类
面向对象分类与像素级分类的区别是：分类对象是通过分割技术产生的同质性多边形对象。面向
—
４
５
—
引用格式：顾海燕，李海涛，闫利，韩闪闪．面向地理对象影像分析技术的研究进展与分析［Ｊ］．遥感信息，２０１４，２９（４）：５２－５７
对象分类方法主要包括语义建模分类、监督分类、非监督分类３类。
语义建模分类是根据语义网络模型，利用贝叶斯概率模型、ＤＳ证据理论、模糊逻辑等方法进行分类，该方法具有系统性、经验性、知识性，依赖专家知识进行类别建模，采用半自动探测方法和经验描述特征，利用机器学习方法进行分类，全过程不仅需要监督，而且需要主动产生式的人工操作［２５－２８］。
监督分类思想与传统的像素级监督分类一致，需要采集样本，根据对象特征，利用监督分类器如最邻近、最大似然、模糊逻辑、支持向量机、决策树、随机森林等完成分类。
非监督分类思想与传统的像素级非监督分类一致，无需采集样本，只需根据对象特征，利用非监督分类器如ＩＳＯＤＡＴＡ、ＢＰ、ＳＯＭ等完成分类。
３．４ 精度评价
ＧＥＯＢＩＡ精度评价不同于像素级分类结果的方法，需要从专题精度和空间精度两个方面同时对分类结果进行评价，客观反映分类精度。在专题精度方面，与传统的基于像元的评价方法类似，通过选取识别对象中的一定数量的样本，与实地点进行比较来判断精度，利用总体精度、混淆矩阵、蒙特卡洛模拟方法等来评价；在空间精度方面，通过评价对象轮廓边界合理性与准确性来评价分类精度，涉及到ＧＩＳ叠加分析等技术方法。此外，一些分类方法如随机森林提供了内置的评价精度的方法，如袋外误差ＯＯＢ，为精度评价提供了又一评价手段［２９］。
４ ＧＥＯＢＩＡ分析
Ｈａｙ和Ｃａｓｔｉｌｌａ ２００８年对ＧＥＯＩＢＡ技术进行了ＳＷＯＴ（ｓｔｒｅｎｇｔｈｓ，ｗｅａｋｎｅｓｓｅｓ，ｏｐｐｏｒｔｕｎｉｔｉｅｓ，ｔｈｒｅａｔｓ）分析［７，３０］，本研究在此基础上，结合最近５年的发展，深入分析了ＧＥＯＢＩＡ技术的原则、优势、劣势、机遇与挑战，探讨了需要深入研究的科学问题。
４．１ ＧＥＯＢＩＡ原则
（１）多源数据———不仅包括对地观测数据，还包括ＧＩＳ数据、ＤＥＭ、景观生态、人文地理专题数据等。
（２）多种特征———不仅充分利用了遥感影像的光谱、几何、纹理、拓扑、语义、时相等特征，而且能够集成多类型专家知识。
（３）多尺度分析———不同地物具有不同的尺度，场景由不同大小、形状和空间位置的对象组成，等级之间和内部的多尺度分析是非常重要的。
（４）可重复性———传统人工解译过程是不可重复的，知识不能有效积累。而在ＧＥＯＢＩＡ中，知识通过建立并保存过程中参数和规则来达到可重复性［２２］，不同的解译人员，应用同样的参数可以得到同样的结果，这样可追踪性强，结果可信度高。
（５）可移植性———分为２种情况：①在一定区域、一定时间、一定类型数据上建立的分割、规则参数，可以用到其他类似区域、相近时间、类似数据上；
②在研究数据的小部分代表性数据上建立分割、规则参数可以用到整个研究区域数据上，减少建立过程参数的消耗［３１］。
（６）普适性———建立满足ＧＩＳ开源标准的ＧＥＯＢＩＡ服务，为用户提供网络化在线服务，实现全球地理信息的集成与共享。
４．２ ＧＥＯＢＩＡ优势
（１）ＧＥＯＢＩＡ技术建立了ＲＳ与ＧＩＳ之间的联系，是地理信息科学中的一个新兴的和正在发展的研究领域，日益被认为是一个不断发展的综合性学科，具有深厚的理论基础，在城市监测、灾害监测、景观生态等领域得到广泛应用。
（２）将影像分割为对象，能够很好地与矢量ＧＩＳ集成在一起，克服了像素级分类的椒盐噪声及其转为矢量格式的缺陷，符合人类认知自然场景的规律。
（３）综合利用了多源信息，如ＧＩＳ、ＤＥＭ、景观生态、人文地理专题数据等；充分利用了遥感影像的光谱、几何、纹理、拓扑、语义、时相等特征；融合了当今主流的影像分析方法，如建模分类、监督分类、非监督分类等。
４．３ ＧＥＯＢＩＡ劣势
（１）需要人为调整分割参数，很难验证分割的质量，分割仍然是个病态问题，没有唯一的解决方案，如改变异质性测量准则可以得到不同的分割对象，即使人工解译也不能准确描述地理对象。
（２）很难确定哪些特征是非常重要的，不同的数据类型及不同的场景条件限制了分类规则集的应用，特征选择、规则集构建成为制约ＧＥＯＢＩＡ自动化发展的关键因素。
（３）由于ＧＥＯＢＩＡ综合性强，涉及的理论知识较多，缺乏对ＧＥＯＢＩＡ理论的深入研究与分析，需从理论角度综合分析ＧＥＯＢＩＡ，解决目前存在的分割、特征优选等关键问题。
４．４ ＧＥＯＢＩＡ机遇
（１）ＧＥＯＢＩＡ被认为是一个不断发展的综合性学科，涉及众多学科方向，建立的Ｗｉｋｉ促进了该技
—
５
５
—
遥感信息２０１４年４期
术在国际间的交流与发展。各种商用软件及开源库的出现，为使用者与研究者提供了平台基础。
（２）随着并行计算、云计算、大数据技术的发展，ＧＥＯＢＩＡ能够解决大数据量问题，能够满足海量数据对影像分析速度的要求。
（３）随着人工智能、机器学习的发展，ＧＥＯＢＩＡ朝着自动化、智能化方向发展。
（４）根据现有开源ＧＩＳ程序标准、规则和方法，集成不同的平台和数据类型，吸纳不同领域专家知识，实现地理信息的集成与共享。
４．５ ＧＥＯＢＩＡ挑战
（１）ＧＥＯＢＩＡ的自动化与智能化发展，对ＧＥＯＢＩＡ模型提出了新的要求与挑战，需要运用地理本体、地理认知、机器学习等理论方法，构建集影像分割、特征提取、影像分类、专家知识于一体的多尺度ＧＥＯＢＩＡ模型，实现该技术的自动化与智能化。
（２）特征优选及分类规则集构建仍然是费时且具有挑战性的工作，需要运用人工智能、机器学习等理论方法，实现特征的自动选择与分类规则集的自动构建。
（３）由于不同专家具有不同的解译分析经验，将会得到不同的分析结果，因此，需综合利用不同的专家知识，将人工解译与计算机的计算能力结合起来，使ＧＥＯＢＩＡ综合性更强、准确度更高。
（４）ＧＥＯＢＩＡ不确定性分析，如影像分割、尺度问题、采集样本、人类认知、专家知识等带来的解译质量的不确定性。
４．６ 需要深入研究的科学问题
（１）由于难以确定合适的分割参数，分割得到的对象与实际地物存在不一致，且分类本身是个反反复复的过程，需要反复试验才能确定特征及相应阈值，消耗了解译者的精力，因此，如何建立ＧＥＯＢＩＡ自动化模型，灵活控制整个分析过程，提高解译分析的精度和效率，是ＧＥＯＢＩＡ需解决的科学问题之一。
（２）由于不同专家具有不同的解译分析经验，将会得到不同的分析结果，因此，如何综合利用不同的专家知识，将人工解译与计算机的计算能力结合起来，使ＧＥＯＢＩＡ综合性更强、准确度更高，是ＧＥＯＢＩＡ需解决的科学问题之二。
（３）ＧＥＯＢＩＡ存在许多不确定性，如分割是个病态问题，没有唯一的解决方案，以及难以准确描述地理对象。因此，如何从地理本体、地理认知等理论角度，解决ＧＥＯＢＩＡ不确定性，是ＧＥＯＢＩＡ需解决的科学问题之三。
５ 结束语
本文分析了ＧＥＯＢＩＡ技术的发展，描述了一般流程，总结归纳了现有影像分割、特征提取、面向对象分类、精度评价等技术方法，深入分析了ＧＥＯＢＩＡ技术的原则、优势、劣势、机遇与挑战，探讨了需要深入研究的科学问题，为深入研究ＧＥＯＢＩＡ理论、方法和应用奠定了基础。
参考文献：
［１］ ＥＬＩＳＡＢＥＴＨ Ａ，ＦＲＩＥＫＥ Ｍ Ｂ，ＳＴＥＶＥＮ Ｍ．Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｈｅ ＧＥＯＢＩＡ ２０１０ｓｐｅｃｉａｌ ｉｓｓｕｅ：Ｆｒｏｍ ｐｉｘｅｌｓ ｔｏ ｇｅｏｇｒａｐｈｉｃ ｏｂｊｅｃｔｓｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ａｎａｌｙｓｉｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ，２０１２，１５：１－６．［２］ ＡＲＶＯＲ Ｄ，ＤＵＲＩＥＵＸ Ｌ，ＡＮＤＲＥＳ Ｓ，ｅｔ ａｌ．Ａｄｖａｎｃｅｓ ｉｎ ｇｅｏｇｒａｐｈｉｃ ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｗｉｔｈ ｏｎｔｏｌｏｇｉｅｓ：Ａｒｅｖｉｅｗ ｏｆ ｍａｉｎ ｃｏｎｔｒｉｂｕｔｉｏｎｓ ａｎｄ ｌｉｍｉｔａｔｉｏｎｓ ｆｒｏｍ ａ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１３，８２：１２５－１３７．
［３］ ＢＬＡＳＣＨＫＥ Ｔ．Ｏｂｊｅｃｔ ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１０，６５（１）：２－１６．
［４］ ＢＬＡＳＣＨＫＥ Ｔ，ＨＡＹ Ｇ Ｊ，ＷＥＮＧ Ｑ，ｅｔ ａｌ．Ｃｏｌｌｅｃｔｉｖｅ ｓｅｎｓｉｎｇ：Ｉｎｔｅｇｒａｔｉｎｇ ｇｅｏｓｐａｔｉａｌ ｔｅｃｈｎｏｌｏｇｉｅｓ ｔｏ ｕｎｄｅｒｓｔａｎｄ ｕｒｂａｎｓｙｓｔｅｍｓ—ａｎ ｏｖｅｒｖｉｅｗ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１１，３（８）：１７４３－１７７６．
［５］ ＷＩＫＩ．ＧＥＯ－ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ［ＤＢ／ＯＬ］．ｈｔｔｐ：／／ｗｉｋｉ．ｕｃａｌｇａｒｙ．ｃａ／ｐａｇｅ／ＧＥＯＢＩＡ，２０１３－５．
［６］ Ｄｅｆｉｎｉｅｎｓ Ｉｍａｇｉｎｇ ＧｍｂＨ．Ｄｅｖｅｌｏｐｅｒ ８ｒｅｆｅｒｅｎｃｅ ｂｏｏｋ［Ｒ］．Ｍｕｎｉｃｈ，Ｇｅｒｍａｎｙ：Ｄｅｆｉｎｉｅｎｓ Ｉｍａｇｉｎｇ ＧｍｂＨ，２０１１．
［７］ ＨＡＹ Ｇ Ｊ，ＣＡＳＴＩＬＬＡ Ｇ．Ｇｅｏｇｒａｐｈｉｃ ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ（ＧＥＯＢＩＡ）：Ａ ｎｅｗ ｎａｍｅ ｆｏｒ ａ ｎｅｗ ｄｉｓｃｉｐｌｉｎｅ［Ｍ］．ＩｎＯｂｊｅｃｔ－Ｂａｓｅｄ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ：Ｓｐａｔｉａｌ Ｃｏｎｃｅｐｔｓ ｆｏｒ Ｋｎｏｗｌｅｄｇｅ－ｄｒｉｖｅｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ，Ｎｅｗ Ｙｏｒｋ，ＵＳＡ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００８，Ｃｈａｐｔｅｒ １．４：７５－８９．
［８］ ＤＵＲＯ Ｄ Ｃ，ＦＲＡＮＫＬＩＮ Ｓ Ｅ，ＤＵＢＥ Ｍ Ｇ．Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｐｉｘｅｌ－ｂａｓｅｄ ａｎｄ ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｗｉｔｈ ｓｅｌｅｃｔｅｄｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｌａｎｄｓｃａｐｅｓ ｕｓｉｎｇ ＳＰＯＴ－５ＨＲＧ ｉｍａｇｅｒｙ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０１２，１１８：２５９－２７２．
—
６
５
—
引用格式：顾海燕，李海涛，闫利，韩闪闪．面向地理对象影像分析技术的研究进展与分析［Ｊ］．遥感信息，２０１４，２９（４）：５２－５７
［９］ ＬＡＬＩＢＥＲＴＥ Ａ Ｓ，ＲＡＮＧＯ Ａ，ＨＡＶＳＴＡＤ Ｋ Ｍ，ｅｔ ａｌ．Ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｆｏｒ ｍａｐｐｉｎｇ ｓｈｒｕｂ ｅｎｃｒｏａｃｈｍｅｎｔｆｒｏｍ １９３７ｔｏ ２００３ｉｎ ｓｏｕｔｈｅｒｎ Ｎｅｗ Ｍｅｘｉｃｏ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２００４，９３（１－２）：１９８－２１０．
［１０］ Ｌｉ Ｈ Ｔ，Ｇｕ Ｈ Ｙ，Ｈａｎ Ｙ Ｓ，ｅｔ ａｌ．Ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ ｂａｓｅｄ ｏｎ ａｎｉｍｐｒｏｖｅｄ ｃｏｌｏｕｒ ｓｔｒｕｃｔｕｒｅ ｃｏｄｅ ａｎｄ ａ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１０，３１（６）：１４５３－１４７０．
［１１］ ＭＹＩＮＴ Ｓ Ｗ，ＧＯＢＥＲ Ｐ，ＢＲＡＺＥＬ Ａ，ｅｔ ａｌ．Ｐｅｒ－ｐｉｘｅｌ ｖｓ．ｏｂｊｅｃｔ－ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｕｒｂａｎ ｌａｎｄ－ｃｏｖｅｒ ｅｘｔｒａｃｔｉｏｎ ｕｓｉｎｇｈｉｇｈ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅｒｙ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０１１，１１５（５）：１１４５－１１６１．
［１２］ ＣＡＭＡＲＧＯ Ｆ Ｆ，ＡＬＭＥＩＤＡ Ｃ Ｍ，ＣＯＳＴＡ Ｇ Ａ Ｏ Ｐ，ｅｔ ａｌ．Ａｎ ｏｐｅｎ ｓｏｕｒｃｅ ｏｂｊｅｃｔ－ｂａｓｅｄ ｆｒａｍｅｗｏｒｋ ｔｏ ｅｘｔｒａｃｔ ｌａｎｄｆｏｒｍｃｌａｓｓｅｓ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，３９（１）：５４１－５５４．
［１３］ ＢＥＮＺ Ｕ Ｃ，ＨＯＦＭＡＮＮ Ｐ，ＷＩＬＬＨＡＵＣＫ Ｇ，ｅｔ ａｌ．Ｍｕｌｔｉ－ｒｅｓｏｌｕｔｉｏｎ，ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｆｕｚｚｙ ａｎａｌｙｓｉｓ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇｄａｔａ ｆｏｒ ＧＩＳ－ｒｅａｄｙ ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００４，５８（３－４）：２３９－２５８．［１４］ ＢＵＲＮＥＴＴ Ｃ，ＢＬＡＳＣＨＫＥ Ｔ．Ａ ｍｕｌｔｉ－ｓｃａｌｅ ｓｅｇｍｅｎｔａｔｉｏｎ／ｏｂｊｅｃｔ ｒｅｌａｔｉｏｎｓｈｉｐ ｍｏｄｅｌｌｉｎｇ ｍｅｔｈｏｄｏｌｏｇｙ ｆｏｒ ｌａｎｄｓｃａｐｅａｎａｌｙｓｉｓ［Ｊ］．Ｅｃｏｌｏｇｉｃａｌ Ｍｏｄｅｌｌｉｎｇ，２００３，１６８（３）：２３３－２４９．
［１５］ ＷＡＬＴＥＲ Ｖ．Ｏｂｊｅｃｔ－ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｆｏｒ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００４，５８（３－４）：２２５－２３８．
［１６］ ＢＬＡＳＣＨＫＥ Ｔ，ＬＡＮＧ Ｓ Ｊ，ＨＡＹ Ｇ．Ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ－ｓｐａｔｉａｌ ｃｏｎｃｅｐｔｓ ｆｏｒ ｋｎｏｗｌｅｄｇｅ－ｄｒｉｖｅｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇａｐｐｌｉｃａｔｉｏｎｓ［Ｍ］．Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２００８：１０６－２３８．
［１７］ ＢＡＡＴＺ Ｍ Ｓ Ａ．Ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ ｓｅｇｍｅｎｔａｔｉｏｎ－ａｎ ｏｐｔｉｍｉｚａｔｉｏｎ ａｐｐｒｏａｃｈ ｆｏｒ ｈｉｇｈ ｑｕａｌｉｔｙ ｍｕｌｔｉ－ｓｃａｌｅ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［Ｍ］．Ｋａｒｌｓｒｕｈｅ：Ｗｉｃｈｍａｎｎ Ｖｅｒｌａｇ，２０００：１２０－１５６．
［１８］ ＨＵＳＳＡＩＮ Ｍ，ＣＨＥＮ Ｄ Ｍ，ＣＨＥＮＧ Ａ，ｅｔ ａｌ．Ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｓ：Ｆｒｏｍ ｐｉｘｅｌ－ｂａｓｅｄ ｔｏ ｏｂｊｅｃｔ－ｂａｓｅｄ ａｐｐｒｏａｃｈｅｓ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１３，８０：９１－１０６．
［１９］ ＬＩ Ｈ Ｔ，ＧＵ Ｈ Ｙ，ＨＡＮ Ｙ Ｓ，ｅｔ ａｌ．Ａｎ ｅｆｆｉｃｉｅｎｔ ｍｕｌｔｉ－ｓｃａｌｅ ＳＲＭＭＨＲ（ｓｔａｔｉｓｔｉｃａｌ ｒｅｇｉｏｎ ｍｅｒｇｉｎｇ ａｎｄ ｍｉｎｉｍｕｍｈｅｔｅｒｏｇｅｎｅｉｔｙ ｒｕｌｅ）ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［Ｊ］．ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００９，２：６７－７３．
［２０］ ＤＲＡＧＵＴ Ｌ，ＴＩＥＤＥ Ｄ，ＬＥＶＩＣＫ Ｓ Ｒ．ＥＳＰ：Ａ ｔｏｏｌ ｔｏ ｅｓｔｉｍａｔｅ ｓｃａｌｅ ｐａｒａｍｅｔｅｒ ｆｏｒ ｍｕｌｔｉ ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎｏｆ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｇｒａｐｈｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，２０１０，２４（６）：８５９－８７１．
［２１］ ＮＥＵＢＥＲＴ Ｍ，ＨＥＲＯＬＤ Ｈ，ＭＥＩＮＥＬ Ｇ．Ｅｖａｌｕａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｑｕａｌｉｔｙ－ｆｕｒｔｈｅｒ ｒｅｓｕｌｔｓ ａｎｄｃｏｎｃｅｐｔｓ［ＤＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｉｓｐｒｓ．ｏｒｇ／ｐｒｏｃｅｅｄｉｎｇｓ／ｘｘｘｖｉ／４－ｃ４２／ｐａｐｅｒｓ／ＯＢＩＡ２００６＿Ｎｅｕｂｅｒｔ＿Ｈｅｒｏｌｄ＿Ｍｅｉｎｅｌ．ｐｄｆ，２０１３－５－１５．
［２２］ ＮＵＳＳＢＡＵＭ Ｓ，ＭＥＮＺ Ｇ．Ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ａｎｄ ｔｒｅａｔｙ ｖｅｒｉｆｉｃａｔｉｏｎ：Ｎｅｗ ａｐｐｒｏａｃｈｅｓ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ－ａｐｐｌｉｅｄｔｏ ｎｕｃｌｅａｒ ｆａｃｉｌｉｔｉｅｓ ｉｎ Ｉｒａｎ［Ｍ］．Ｎｅｗ Ｙｏｒｋ，ＵＳＡ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００８．
［２３］ ＭＡＲＴＨＡ Ｔ Ｒ，ＫＥＲＬＥ Ｎ，ＶＡＮＷＥＳＴＥＮ Ｃ Ｊ，ｅｔ ａｌ．Ｓｅｇｍｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｄａｔａ－ｄｒｉｖｅｎ ｔｈｒｅｓｈｏｌｄｉｎｇ ｆｏｒ ｋｎｏｗｌｅｄｇｅ－ｂａｓｅｄ ｌａｎｄｓｌｉｄｅ ｄｅｔｅｃｔｉｏｎ ｂｙ ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１１，４９：４９２８－４９４３．
［２４］ ＤＡＳＨ Ｍ，ＬＩＵ Ｈ．Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．Ｉｎｔｅｌｌｉｇｅｎｔ Ｄａｔａ Ａｎａｌｙｓｉｓ，１９９７，１（１－４）：１３１－１５６．
［２５］ ＦＯＲＥＳＴＩＥＲ Ｇ，ＰＵＩＳＳＡＮＴ Ａ，ＷＥＭＭＥＲＴ Ｃ，ｅｔ ａｌ．Ｋｎｏｗｌｅｄｇｅ－ｂａｓｅｄ ｒｅｇｉｏｎ ｌａｂｅｌｉｎｇ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｉｎｔｅｒｐｒｅｔａｔｉｏｎ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ，Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｕｒｂａｎ Ｓｙｓｔｅｍｓ，２０１２，３６（５）：４７０－４８０．
［２６］ ＬＡＮＧ Ｓ．Ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｐｐｌｉｃａｔｉｏｎｓ：Ｍｏｄｅｌｉｎｇ ｒｅａｌｉｔｙ－ｄｅａｌｉｎｇ ｗｉｔｈ ｃｏｍｐｌｅｘｉｔｙ［Ｍ］．ＩｎＯｂｊｅｃｔ－Ｂａｓｅｄ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ：Ｓｐａｔｉａｌ Ｃｏｎｃｅｐｔｓ ｆｏｒ Ｋｎｏｗｌｅｄｇｅ－ｄｒｉｖｅｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ，Ｎｅｗ Ｙｏｒｋ，ＵＳＡ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００８，Ｃｈａｐｔｅｒ １．１：１－２５．
［２７］ ＴＯＮＪＲＳ Ｒ，ＧＬＯＷＥ Ｓ，ＢＵＣＫＮＥＲ Ｊ，ｅｔ ａｌ．Ｋｎｏｗｌｅｄｇｅ－ｂａｓｅｄ ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ＲＳ ｉｍａｇｅｓ ｕｓｉｎｇ ｓｅｍａｎｔｉｃ ｎｅｔｓ［Ｊ］．Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９９，６５（７）：８１１－８２１．
［２８］ 于静．基于目视解译的城市遥感影像语义结构研究［Ｄ］．北京：中国科学院研究生院，２００８．
［２９］ ＰＵＩＳＳＡＮＴ Ａ，ＲＯＵＧＩＥＲ Ｓ，ＳＴＵＭＰＦ Ａ．Ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｍａｐｐｉｎｇ ｏｆ ｕｒｂａｎ ｔｒｅｅｓ ｕｓｉｎｇ ｒａｎｄｏｍ ｆｏｒｅｓｔ ｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ，２０１４，２６：２３５－２４５．
［３０］ ＨＡＹ Ｇ Ｊ，ＣＡＳＴＩＬＬＡ Ｇ．Ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ：Ｓｔｒｅｎｇｔｈｓ，ｗｅａｋｎｅｓｓｅｓ，ｏｐｐｏｒｔｕｎｉｔｉｅｓ ａｎｄ ｔｈｒｅａｔｓ（ＳＷＯＴ）［ＤＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｉｓｐｒｓ．ｏｒｇ／ｐｒｏｃｅｅｄｉｎｇｓ／ＸＸＸＶＩ／４－Ｃ４２／Ｐａｐｅｒｓ／０１＿Ｏｐｅｎｉｎｇ％２０Ｓｅｓｓｉｏｎ／ＯＢＩＡ２００６＿Ｈａｙ＿Ｃａｓｔｉｌｌａ．ｐｄｆ，２０１３－５－１５．［３１］ 张春晓．高分影像认知模型及应用研究［Ｄ］．北京：中国科学院研究生院，２０１０．
—
—
７
５
同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本专题以ENVI中的面向对象的特征提取FX工具为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ●面向对象分类技术概述 ● ENVI FX简介 ● ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：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，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于规则（知识）分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等对象属性信息。基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。 表1为三大类分类方法的一个大概的对比。
传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要 明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。 面向对象的处理方法中最重要的一部分是图像分割。 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)，早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。 目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
面向对象影像分析简要介绍 ——以eCognition软件为例 前言 遥感影像的光谱，空间，时间分辨率不断提高，为开展各类遥感应用提供各种数据。但在遥感数据获取能力增强的同时，也使得丰富的影像数据得不到充分利用和挖掘，从而出现“数据丰富，信息贫乏”的困境。如何快速自动准确地从遥感影像中提取出能满足某种应用的专题信息，是我们亟待要解决的问题。 随着面向对象思想的风行以及面向对象影像分析技术的不断成熟，使得我们从高分影像中提取专题信息变得更加便捷。尤其是一些商业的面向对象影像分析软件的出现，如eCognition，Feature Analysis。eCognition软件的口号就是“Exploring the soul of imagery(发掘影像最大潜能)”。本论文旨在从eCognition软件了解面向对象影像分析的相关思想和技术。希望通过探究eCognition软件背后的思想以及技术原理，如面向对象，多尺度分割，模糊分类等，为高分辨率遥感影像的特征描述以及建模带来一些启发。 1.面向对象 面向对象的思想是针对具体应用，将问题处理对象（逻辑概念上或物理概念上）划分为合适粒度（即对象）来进行处理，并封装其相应的属性以及行为，同时为了更好的复用以及扩展，维护更新，使其具有继承，多态，聚合等特性。 1.1对象 对象是指状态和行为的集合体，在物理实现上表现为数据和操作的集合，逻辑上表现为有职能的实体。它是用来描述现实世界中的物理概念或逻辑概念上的物体。比如人就是一个对象，它有性别，年龄，姓名等属性，人有吃饭睡觉等行为。武汉大学也是一个对象，它有名称，学院机构，学校历史等属性，也有教学科研等行为。不同的是人是物理概念上的对象，武汉大学是逻辑概念上的对象。 1.2抽象性，封装性，继承性 抽象是抽取出我们所感兴趣的部分，用这些少量特征来描述一个事物。封装性是对事物的数据和操作进行封装，即对其状态和行为进行封装。继承特性是对事物属性和行为的继承。
1、什么面向对象？ 面向对象不仅是以些具体的软件开发技术与策略，而且以一套关于如何看待软件系统与现实世界的关系，以什么观点来研究问题并进行求解，以及如何进行系统构造的软件方法学。 2、软件开发方法学的基本方法有哪些？ 1）软件工程和瀑布方法学2）新方法学：螺旋式、迭代式、递增式、合并式3）面向对象方法学：UML、RUP、XP 3、为什么需要OOA、OOD。 OOA就是运用面向对象的方法进行需求分析，OOA加强了对问题域和系统责任的理解，有利于人员之间的交流，对需求变化的适应性较强，很好的支持软件复用。 OOD就是运用面向对象的方法进行系统设计，OOD．符合人们习惯的思维方法，便于分解大型的复杂多变的问题；易于软件的维护和功能的增减；可重用性好；与可视化技术相结合，改善了工作界面。 4、从概念层次、规格层次、实现层次三个角度如何理解对象的概念？ 从概念层次来看，一个对象就是一系列的责任； 从规格层次来看，一个对象是一系列可以被其他对象或该对象自己调用的方法；从实现层次来看，一个对象是一些代码和数据。 5、如何绘制类图和对象图？简述其步骤。 类图绘制：1发现类，找到备选类，确定候选类2关联分析，确定关联关系，多重性分析3职责分析4限定与修改，导航性分析，约束，限定符; 对象图绘制：1发现类和对象2对其细化，分析，确定关系。 6、简述重定义方法与重载的区别。 重定义：1参数列表必须完全与被重写的方法相同2返回类型必须一直域被重写的方法的类型相同3访问修饰符的限制一定要大于被重写方法的访问修饰符4重写方法一定不能抛出新的检查异常或者比被重写方法申明更加宽泛的检查性异常：重载：1必须有不同参数列表2可以有不同的返回类型，只要参数列表不同即可3可有不同访问修饰符4可抛出不同的异常。 7.简述抽象方法与虚方法的联系与区别 虚方法有一个实现部分可以为子类实现有共同的方法，并为派生提供了覆盖该方法的选，抽象方法只是强制派生覆盖方法；抽象方法只能在抽象类中声明，而虚方法不是；抽象方法不能声明方法实体，虚方法可以；包含抽象方法的类不能实例化，但虚方法可以。 8、简述使用继承的规则。 1)、不要过度使用；2)、子类应是超类的一个类型；3)、子类应是超类的扩展； 4)、尽量少从具体类继承，最好继承接或抽象类。
?1、面向对象方法的基本观点： ?Coad-Y ourdon认为：面向对象=对象+类+继承+通信。 ?2、面向对象方法的特点包括： ?（1）、符合人们对客观世界的认识规律； ?（2）、对需求变化具有很强的适应性； ?（3）、支持软件复用； ?（4）、可维护性好。 ?3、对象、类、封装、继承、消息、多态性的基本概念。 对象是客观世界中具有可区分性的、能够唯一标识的逻辑单元，是现实世界中的一个事物（站在计算机技术角度，即对事物的模拟）。 类是一组具有相同属性和相同操作的对象的集合。 封装是把对象的属性和操作结合在一起，组成一个独立的单元。 继承是指子类（派生类、特化类）自动拥有其父类（基类、泛化类、超类）的全部属性和操作，即一个类可以定义为另一个更一般的类的特殊情况。 消息是对象之间采用消息传递来发生相互作用—互相联系、互发消息、响应消息、协同工作，进而实现系统的各项服务功能。 多态性是一种方法，使在多个类中可以定义同一个操作或属性名，并在每一个类中有不同的实现。 ?4、面向对象系统开发过程。 ?5、运用名词词组法来定义类（对象）： ?例：音像商店出租/出售业务信息系统中的类的确定。 ?总目标：?A．提供及时培训。?B．实施的系统必须友好，易学易用。?C．实施的系统必须考虑安全问题。
?具体目标： ?1.1.1 提供一个自动系统协助顾客出售/出租结帐。 ?2.1.1 提供和维护一个自动的会员数据库。?a. 按要求提供最新会员信息。? b. 有添加、改变、删除会员信息的能力。 2.1.2 提供会员信息报表（但不限于）?a. 最少光顾的会员。?b. 最经常光顾的会员。?c. 有问题会员（欠钱，出租过期）? 4.1.1 提供、维护出售和出租项的库存数据库。?a. 按要求提供最新库存信息?b. 有添加、改变、删除库存信息（出售和出租）的能力 4.1.2 提供库存信息报表（但不限于）?a. 最不受欢迎的出租项?b. 最受欢迎的出租项?c. 过期的出租项?d. 出售和出租项的“订购”产品（采购报表） 5.1.1 提供出售报表（但不限于）?a. 用产品码表示的一段时间（天、星期、月）内销售情况?b. 用产品码表示的一段时间（天、星期、月）内出租情况相应的侯选对象清单为：安全问题、自动系统、顾客出售/出租结帐、会员数据库、会员信息、会员信息报表、库存数据库、出售和出租项、库存信息、库存信息报表、采购报表、出售报表。 ?6、对多值属性的处理方法：用部分-整体方法。 例：发票/发票行 第2章统一建模语言UML 1、UML描述的软件基本模型：用例视图、逻辑视图、构件视图、进程视图、 部署视图 2、UML的基本符号。 3、RUP项目开发过程的特征：用例驱动的系统、以体系结构为中心、螺旋 上升式的开发过程、以质量控制和风险管理为保障措施。
面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它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，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 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”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢
《面向对象分析与设计》期末复习 2017-2018学年-第2学期 1、题型介绍: 选择题20 * 1分= 20分 填空题5* 2分= 10分 简答题 4 * 7分= 28分 建模分析论述题4题（第1题10分，第2题8分，第3题8分，第4题16分，共42分）= 40分 2、选择题 1、（）不是对象具有的特性。 A.标识 B.继承 C.顺序 D.多态性 2、封装是把对象的（）结合在一起，组成一个独立的对象。 A.属性和操作 B.信息流 C.消息和事件 D.数据的集合 3、（）不是面向对象的典型方法。 A.Coad& Yourdon 方法 B.维也纳方法 C.OMT方法 D.Booch方法 4、UML中有4种关系，分别是依赖、泛化、关联和（） A.集成 B.合作 C.实现 D 抽象 5、下列关于状态图的说法中，正确的是（） A.状态图是UML中对系统的静态方面进行建模的5种图之一。 B.状态图是活动图的一个特例，状态图中的多数状态是活动状态。 C.状态图是对一个对象的生命周期进行建模，描述对象在其生存期间的动态行为。 D.状态图强调对有几个对象参与的活动过程建模，而活动图更强调对单个反应型对象建模。 6、UML的（）模型图由类图、对象图、包图、组件图、和部署图组成。 A.用例 B.静态 C.动态 D.系统。 7、UML的（）模型图活动图、顺序图、状态图、写协作图组成。 A.用例 B.静态 C.动态 D.系统。 8、UML的最终产物就是最后提交的可执行的软件系统和（） A.用户手册 B.类图 C.动态图 D.相应的软件文档资料
9、在UML的需求分析建模中，（）模型图必须与用户反复交流并加以确认。 A.配置 B.用例 C.包 D.动态 10、下面不是用例之间主要关系的是（） A.扩展 B.包含 C.依赖 D.泛化 11、对于一个电子商务网站而言，以下不适合作为用例的选项是（） A.登录 B.预定商品 C.购物车 D.结账 12、UML的客户需求分析模型包括（）模型、类图、对象图和活动图。 A.用例 B.静态 C.动态 D.系统 13、UML客户需求分析产生的用例模型描述了系统的（） A.状态 B.体系结构 C.静态模型 D.功能要求 14、在UML的需求分析模型中，用例建模必须与（）反复交流并加以确认。 A.软件生产商 B.用户 C.软件开发人员 D.问题领域的专家 15、在UML的需求分析建模中，对用例模型中的用例进行细化说明应使用（） A.活动图 B.状态图 C.配置图 D.组件图 16、类图应该画在Rational Rose的（）视图中。 A、Use Case View B、Login View C、Component View D、Deployment View 17、类通常可以分为实体类、（）和边界类。 A 、父类B、子类C、控制类D、祖先类 18、对象特征的要素是（）。 A、状态 B、行为 C、标识 D、属性 19、下列关于接口的关系说法不正确的是（）。 A、接口是一种特殊的类 B、所有接口都是有构造型<
面向对象影像分类（基于样本） 1、进行尺度为100的影像分割。 2、在Class Hierarchy中点右键，选择Insert class，依次建立四个类：房屋、道路、湖泊、草地。 3、编辑特征空间：选择菜单“Classification -> Nearest Neighbor -> Edit Standard NN Feature Space”，双击左边的特征列表中的特征，选择以下一些特征，如下图：
4、应用分类规则：选择菜单“Classification -> Nearest Neighbor -> Apply Standard NN to Classes”把它插入到类描述中，选择左边框中的类，单击，即可将该类加入到右边的框中，如下图： 点击OK后，在Class Hierarchy中双击一个类，如草地，可以看出分类特征已经添加到
该类中，如下图： 5、选择样本：选择菜单View -> toolbar -> sample，打开样本导航器，如下图： 选择按钮，打开样本编辑器，如下图：
6、选择类的样本：从样本编辑器中的Active Class中选择需要选择样本的类，如草地，在分割图上点击样例对象,当你单击一个类时，它的特征值在每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它们的相关特征值，如下图：
该类的样本，选择后样本编辑器会成为如下的状态： 依次为所有的类选择足够的样本。 7、执行分类：在Process Tree中选择Append New，Algorithm中选择Basic Classification -> Classification，在Algorithm Parameters的Active Classes中选择“草地、道路、房屋、湖泊”， 设置如下图：
面向对象的分析过程 摘要 分析了面向对象技术应用于仿真领域的种种优点，亦即我们选择采用面向对 象的方法进行改造的原因。一些面向对象方法存在的不足。 关键词:仿真，面向对象，岸边集装箱起重机，训练器 面向对象的开发方法是以对象作为最基本的元素，它是分析问题、解决问题的核心。 面向对象=对象(Object) +分类(classification) +继承(inheritance) +通过消息的通信(communication with messages) 从下图中我们可以看出，面向对象的开发方法明显不同。 面向对象的仿真为仿真人员提供了开发模块化可重用的仿真模型的工具，它把系统看成由相互作用的对象所组成，而对象则往往表示现实系统中的真实实体。从而提高了仿真模型的可理解性、可扩充性和模块性，并且便于实现仿真与计算机图形和人工智能的结合。采用面向对象的方法，原因如下: 1.可理解性 面向对象仿真对设计者、实现者，以及最终用户来说都改进了仿真的可理解性。因为仿真系统中的对象往往直接表示现实系统中的真实实体，这些实体在面向对象的仿真系统中可以用外观上类似于人们熟悉的实际系统的对象的图形或图像来表示，用户可以通过图形界面与仿真模型进行交互，利用图形或图像来直接建立仿真模型，这对于熟悉实际系统的用户来说是很容易理解的。 2.可重用性和可扩充性 在面向对象的仿真中，可以建立起一个模型库用以保存以前建立的模型，模型库中的模型可以作为建立新模型的可重用构件，通过面向对象技术内在的继承机制可以容易地和系统地修改现有的对象(类)以创建新的对象。并且可以加入现有的类库中。类库提供了仿真建模所需要的一般设施。通过修改现有的类，可以建立各种应用中所需要的特殊对象。 3.模块性 面向对象的仿真是模块化，特殊的过程来寻找相应的信息，不会影响其它的对象。 4.图形用户界面
【ENVI入门系列】24. 面向对象图像分类 目录 1.概述 2.基于规则的面向对象信息提取 第一步：准备工作 第二步：发现对象 第三步：根据规则进行特征提取 3.基于样本的面向对象的分类 第一步：选择数据 第二步：分割对象 第三步：基于样本的图像分类 4.基于规则的单波段影像提取河流信息 1.概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如下图所示。
图1.1 FX操作流程示意图（*项为可选操作步骤） 这个工具分为三种独立的流程化工具：基于规则、基于样本、图像分割。 本课程分别学习基于规则的面向对象分类和基于样本的面向对象分类，以及基于规则的方法从单波段灰度影像中提取河流信息。 注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。
2.基于规则的面向对象信息提取 该工具位置在：Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow。 数据位置："24-面向对象图像分类\1-基于规则"。 第一步：准备工作 根据数据源和特征提取类型等情况，可以有选择地对数据做一些预处理工作。 ?空间分辨率的调整 如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。 ?光谱分辨率的调整 如果您处理的是高光谱数据，可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。 ?多源数据组合 当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking工具实现。
遥感的面向对象分类法 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。 随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。这对遥感影像分类方法提出了挑战。已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。主要研究内容与结论包括: 1)模糊遥感影像分割算法研究 针对当前影像分割算法应用于模糊影像时产生过渡区对象的问题，设计了过渡区对象识别方法。对简单地物模糊影像和复杂地物模糊影像进行实验发现:提出的算法能够有效识别过渡区对象。 2)代表地物最佳分割尺度研究 针对多参考对象情况下的地物最佳分割尺度选择问题，设计了基于对象内部同质性加权
面向对象分析与设计试题B卷 一、单项选择题( 在每小题的四个备选答案中，选出一个正确答案，并将正确答案的序号填在题干的括号内。每小题2 分，共20 分) 1.到20世纪末，面向对象软件工程已经逐渐发展成熟，特别是（）的 形成和广泛使用，采用面向对象分析与编程的软件开发方法已成为软件开发的主流方法。 A. Simula67语言 B. Smalltalk语言 C. Java语言 D. 统一建模语言(UML)的标准 2. 面向对象的运动产生了多种面向对象的语言, 其中（）是一种混合性面向对象语言, 既支持面向过程的程序设计方法，又支持面向对象的程序设计方法，有广泛应用的基础和丰富开发环境的支持，因而使面向对象的程序设计能得到很快普及。 A. Smalltalk B. Eiffel C. C++ D. Java 3．下列不属于面向对象技术的基本特征的是（）。 A. 封装性 B. 模块性 C. 多态性 D. 继承性 4. 面向对象程序设计将描述事物的数据与( ) 封装在一起,作为一个相互依存、不可分割的整体来处理。 A. 信息 B. 数据隐藏 C. 对数据的操作 D. 数据抽象 5. 关于面向对象方法的优点，下列不正确的叙述是（）。 A. 与人类习惯的思维方法比较一致 B. 可重用性好 C. 以数据操作为中心 D.可维护性好 6. （）是从用户使用系统的角度描述系统功能的图形表达方法。 A. 类图 B. 对象图 C. 序列图 D. 用例图 7. ( ) 是表达系统类及其相互联系的图示,它是面向对象设计的核心，建立状态图、协作图 和其他图的基础。 A．对象图 B. 组件图 C. 类图 D. 配置图 8.（）描述了一组交互对象间的动态协作关系，它表示完成某项行为的对象和这些对象之 间传递消息的时间顺序。 A．对象图 B. 协作图 C. 状态图 D. 序列图 9.（）就是用于表示构成分布式系统的节点集和节点之间的联系的图示，它可以表示系统 中软件和硬件的物理架构。 A. 组件图 B. 协作图 C. 状态图 D. 配置图 10. 使用UML进行关系数据库的（）时，需要设计出表达持久数据的实体类及其联系，并把它们映射成为关系数据库表（Table)、视图(View)等。 A. 业务Use Case模型设计 B. 逻辑数据模型设计 C. 物理数据模型设计 C. 物理实现设计 二、填空题( 每空1 分，共20 分) 1. 面向对象开发方法一改过去传统的以___功能分析___为基础的__面向过程__的结 构化分析与设计方法，它模拟人们理解和处理客观世界的方式来分析问题，把系统视为
面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象，以影像对象为信息提取的基本单元，运用模糊数学分类方法实现类别信息的自动提取。与传统的基于像元的影像处理方法相比较，面向对象的影像信息提取的基本处理单元是影像对象，而不是单个的像元。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提，分害d结果的好坏将直接影响模糊分类结果的精度，因此影像分割至关重要。本章主要分析和研究这种面向对象的多源影像多尺度分割技术，即影像对象的多尺度构建技术。面向对象的遥感影像分析的基本原理是根据像元的形状、颜色、纹理等特征，把具有 相同特征的象素组成一个影像对象，然后根据每一个对象的特征对这些影像对象进行分类。面向对象影像分析有两个独立的模块:对象生成与信息提取。对象生成是采用分割技术生 成属性信息不同的影像对象的过程，因此很多文献中称为影像分割，在图像处理领域中常称为图像分割或图象分割。影像分割是经过两个步骤完成的:首先对整个影像进行尺度空 间的构建，即根据所预设的尺度分割参数将影像中的像元划分为不同亮度值的区域，然后再根据其他的分割参数提取出不同的对象多边形。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提。影像分割及基于分割的要素提取、特征提取和参数测量等将原始影像转化为更抽象更 紧凑的形式，使得更高层次的影像分析和理解成为可能。影像分割的方法也就非常之多，下面介绍三类与遥感应用密切相关的影像分割方法:边缘检测方法、特征空间聚类法、区 域提取方法。2.2.2边缘检测方法 基于边缘检测的影像分割方法是先利用不同区域间像元灰度不连续的特点检测目标的边缘点，然后组成目标的边界实现分割。边缘检测可分为并行边缘检测和串行边缘检测，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数来检测到。如一阶微分算子有Roberts } 1'rewitt和Sobel 算子，二阶微分算子有Laplace和Kirsh算子等。在实际应用中各种微分算子常用小区域模板来表示，微分运算是利用模板与影像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的影像。Log算子和canny算子是具有平滑功能的二阶和一阶微分算子，边 缘检测效果好。串行边界查找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到起始点影像[23]0 这种分割方法适合处理区域内部移植性高而且边界变化明显的情况，尤其适合对特定目标的提取。但是边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不容易产生连续的封闭区域轮廓[39] 2.2.3特征空间聚类法 基于特征空间聚类的影像分割方法是将影像空间中的像元用对应的特征空间目标点 表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原影像空间，得到分割结果。如果以像元的灰度值为特征，灰度直方图代表特征空间，用闽值将特征空间划分开，把得到的特征类映射回影像空间实现分割，这种算法也称之为闽值分割法[23]e 除像元灰度值外，其它的影像特征也可以用于聚类，常用的有K一均值聚类法、模糊K一均 值聚类法[24], ISODATA聚类法[zs]等。 特征空间聚类法比基于边缘检测的方法更抗噪声，但由于不能完全利用影像像元空间分布的信息，该方法也会导致产生影像空间不连通的分割区域，而且该方法在像元聚类迭代时运算复杂度较大[[23]e2.2.4区域提取方法 基于区域的影像分割方法有两种基本形式，一种是从单个像元出发，逐步合并以形成所需的分割结果，另外一种是从整景影像出发，逐渐分裂切割为满足条件的分割区域。当然实际应用中多数的算法是这两种思路的综合运用。区域生长和分裂合并法是两种典型的 区域特征分割方法。
面向对象影像分类 面向对象的影像分类是在面向对象特征提取的基础上进行的。在分类之前，必须根据需要提取的地物类别，选择合适的尺度和合适的特征，然后根据地物类别的性质，设计好分类策略和步骤。对于给出的实验数据，我们的要求是分成草地、道路、房屋和湖泊四个类，根据面向对象特征提取中的经验可以发现，在Object Features -> Layer Values -> Mean -> Layer 3上可以很好地将草地/湖泊和道路/房屋分开，然后根据Object Features -> Geometry -> Extent -> Length/Width提取道路，因此分类策略是：先将草地/湖泊和道路/房屋分开，然后再分别针对草地/湖泊和道路/房屋的特征，将草地和湖泊、道路和房屋分开。 具体分类步骤如下： 1、多尺度分割：按照面向对象特征提取中的步骤，设置三个尺度100、70和50，并进行分割，分别得到L1、L2和L3层尺度影像，在尺度层网络中，L1尺度最大，在最上面，往下分别是L2和L3。最后的分类结果需要集中显示在一个层，因此还需要再加一个尺度层，只不过这个尺度层不纳入上面的尺度层网络中。在Process Tree中点右键，选择Append New，算法选择Segmentation -> multiresolution segmentation，Image Object Domain设为pixel level，尺度设为40，新层的名称为L4，同时运行该分割，得到L4层的分割结果。 2、在Class Hierarchy中添加4个类，右键点击空白处，选择Insert Class，在弹出的对话框中分别命名为level1、level2、level3和level4，颜色都选择为灰白色：
二○一一届毕业设计 面向对象的高分辨率遥感影像分类Object-oriented Classification of high Resolution Remote Sensing images 学院：地质工程与测绘学院 专业：遥感科学与技术 姓名： 学号： 指导教师： 完成时间：2011年6月17日 二〇一一年七月
摘要 高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要 高分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺寸、形状及相邻地物间的关系都得到很好的反映。面向对象的分类方法与传统的基于像素的分类相比，不仅仅是依靠光谱信息，而且还充分利用影像的空间信息，分类时也克服了基于像元的逐点分类无法对相同语义特征的像素集合进行识别的缺点，是一种目前最适合于高分辨率遥感影像的分类方法。 本文采用面向对象的分类方法对高分辨率影像进行分类，该方法首先对影像进行多尺度分割获得同质区域对象，在此基础上利用模糊分类思想对分割后的对象进行分类。该方法不仅充分利用了高分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。 多尺度分割采用的是区域生长合并算法，通过对尺度阈值、光谱因子及形状因子等参数的控制，可以获得不同尺度下有意义的对象。分割后的对象不仅包含了原始的光谱信息，还可以提供大量辅助特征，如纹理、形状、拓扑等特征。综合利用这些特征以及模糊分类的思想，使得高分辨率影像分类在减少分类不确定性的同时，还提高了分类的精度。 最后将面向对象分类结果与传统的基于像素分类结果进行对比分析，发现其分类精度要明显高于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。 关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类
西北大学学报(自然科学网络版) 2010年5月，第8卷，第3期 Science Journal of Northwest University Online May . 2010，V ol.8，No.3 面向对象遥感影像分类:以宝鸡市为例 胡婷，王旭红，秦慧杰 (西北大学 城市与环境学院，陕西 西安 710127) 摘要：采用面向对象方法对陕西省宝鸡市TM影像进行分类，有效地利用了与地物相关的纹理和形状信息，大大地提高了分类的精度和效率。利用面向对象方法对遥感影像进行分类研究，评估分类精度，并将实验结果与传统的监督分类和非监督分类方法的结果进行比较，表明面向对象分类方法明显优于传统的分类方法，从而提高了遥感图像分类的精度。 关键词：面向对象；影像分割；影像分类 中图分类号： TP751 文献标识码：A 文章编号：1000-274X(2010)0432-06 A study of object-oriented remote sensing image classification: Take Baoji City as example HU Ting, WANG Xu-hong, QIN Hui-jie (1. College of Urban and Enviroment, Northwest University,Xi’an 710127,China) Abstract: Object-oriented method was used in the classification of TM images of Baoji City, Shaanxi Province, which makes full use of surface features’ texture and shape information and greatly improves the classification accuracy and efficiency. By using object-oriented classification based object to classify remote-sensing image, assessing the classification accuracy and comparing the classification result with the traditional supervised classification and unsupervised classification, it shows that the object-oriented classification method is obviously superior to the traditional classification methods，through which the accuracy of remote sensing image classification was improved. Key words: object-oriented, image segmentation, image classification 遥感影像分类的重要依据就是地物的光谱特征，根据图像的像元光谱值，按照一定的规则，将像元归并为有限的几种类型或者等级的过程，就称为影像分类。传统的遥感图像分类方法有两种：监督分类法和非监督分类法，这两种方法都是基于地物的光谱信息进行的。然而，在实际的应用中，对遥感影像进行解译时不仅要依靠地物的光谱信息还需要依靠地物的纹理、形状以及和相邻地物之间的关系。 1面向对象分类方法 面向对象方法不仅依靠地物的光谱特征，更多的是利用像元间的几何信息和结构信息。图像的最小单元不再是单个的像元，而是由相邻的若干个像元组合成的一个个对象，这些对象就是分类的最小单元[1-2]。 1.1 影像分割算法 将图像中的像元按照一定的规则组合成一个个对象的过程叫做影像分割。区域生长法是影像分割最基_______________________
第10章面向对象的分析 一、填空题（30小题） 1、( )最直接地体现系统责任并实现用户需求的成分。 答案：对象的服务 2、如果在一个服务中包括了多项可独立定义的功能，则它( )，应尝试把它分解为多个服务。 答案：低内聚的 3、主动对象是至少有一个服务不需要接收消息就能( )的对象。 答案：主动执行 4、对象的服务可分为( )。 答案：外部服务和内部服务 5、对象具有封装性，实现了( )的组合。 答案：数据和操作 6、将语言规则应用到软件系统分析的处理称为( )。 答案：基于语言的信息分析(Linguistic_basedInformationAnalysis,LIA)。 7、适当是指( )。 答案：一个合格的程序员看了之后能够正确地理解其要求 8、分析员通过( )来发现和定义对象的每个服务。 答案：分析对象的行为 9、类属性的定义是( )。 答案：是描述类的所有对象的共同特征的一个数据项，对于任何对象实例，它的属性值都是相同的 10、对象具有很强的( )能力和( )功能。 答案：表达、描述 11、( )是对整个对象的状态／行为关系的图示。 答案：状态转换图 12、( )以帮助分析对象的行为。 答案：构画出一个状态转换图 13、系统的需求包括4个不同的层次：( )、( )、( )和( )。答案：业务需求、用户需求、功能需求、非功能性需求 14、服务流程图：( )。 答案：对于功能比较复杂的服务，要给出一个服务流程图，表明该服务是怎样执行的 15、状态转换图是( )的重要工具。 答案：启发分析员认识对象服务 16、对于每个整体一部分分关系，( )中要增加一个属性来表明它的部分对象。 答案：整体对象 17、若类A继承类B，类B继承类C,则( )。