影像信息提取之面向?qū)ο筇卣魈崛∽鳂I(yè)流程

“同物異譜，同譜異物”會(huì)對(duì)影像分類產(chǎn)生影響，加上高分辨率影像光譜信息不是很豐富，還有常常伴有光譜相互影響現(xiàn)象，這對(duì)基于像素分類方法提出了一個(gè)挑戰(zhàn)，面向?qū)ο笥跋穹诸惣夹g(shù)能夠一定程度降低上述影響。本專題以ENVI中面向?qū)ο筇卣魈崛X工具為例，對(duì)這種技術(shù)和處理步驟做一個(gè)簡(jiǎn)單介紹。本專題包含以下內(nèi)容：

面向?qū)ο蠓诸惣夹g(shù)概述

ENVIFX介紹

ENVIFX操作說(shuō)明1、面向?qū)ο蠓诸惣夹g(shù)概述面向?qū)ο蠓诸惣夹g(shù)集合臨近像元為對(duì)象用來(lái)識(shí)別感愛(ài)好光譜要素，充足利用高分辨率全色和多光譜數(shù)據(jù)空間，紋理，和光譜信息來(lái)分割和分類特點(diǎn)，以高精度分類結(jié)果或矢量輸出。它關(guān)鍵分成兩部分過(guò)程：對(duì)象構(gòu)建和對(duì)象分類。影像對(duì)象構(gòu)建關(guān)鍵用了影像分割技術(shù)，常見(jiàn)分割方法包含基于多尺度、基于灰度、紋理、基于知識(shí)及基于分水嶺等分割算法。比較常見(jiàn)就是多尺度分割算法，這種方法綜合遙感圖像光譜特征和形狀特征，計(jì)算圖像中每個(gè)波段光譜異質(zhì)性和形狀異質(zhì)性綜合特征值，然后依據(jù)各個(gè)波段所占權(quán)重，計(jì)算圖像全部波段加權(quán)值，當(dāng)分割出對(duì)象或基元光譜和形狀綜合加權(quán)值小于某個(gè)指定閾值時(shí)，進(jìn)行反復(fù)迭代運(yùn)算，直到全部分割對(duì)象綜合加權(quán)值大于指定閾值即完成圖像多尺度分割操作。影像對(duì)象分類，現(xiàn)在常見(jiàn)方法是“監(jiān)督分類”和“基于規(guī)則（知識(shí)）分類”。這里監(jiān)督分類和我們常說(shuō)監(jiān)督分類是有區(qū)分，它分類時(shí)和樣本對(duì)比參數(shù)更多，不僅僅是光譜信息，還包含空間、紋理等對(duì)象屬性信息。基于規(guī)則（知識(shí)）分類也是依據(jù)影像對(duì)象屬性和閾值來(lái)設(shè)定規(guī)則進(jìn)行分類。表1為三大類分類方法一個(gè)大約對(duì)比。類型基礎(chǔ)原理影像最小單元適用數(shù)據(jù)源缺

陷傳統(tǒng)基于光譜分類方法地物光譜信息特征單個(gè)影像像元中低分辨率多光譜和高光譜影像豐富空間信息利用率幾乎為零基于教授知識(shí)決議樹依據(jù)光譜特征、空間關(guān)系和其它上下文關(guān)系歸類像元單個(gè)影像像元多源數(shù)據(jù)知識(shí)獲取比較復(fù)雜面向?qū)ο蠓诸惙椒◣缀涡畔?、結(jié)構(gòu)信息和光譜信息一個(gè)個(gè)影像對(duì)象中高分辨率多光譜和全色影像速度比較慢表1

傳統(tǒng)基于光譜、基于教授知識(shí)決議樹和基于面向?qū)ο笥跋穹诸悓?duì)比表2、ENVIFX介紹全名叫“面向?qū)ο罂臻g特征提取模塊—FeatureExtraction”，基于影像空間和影像光譜特征，即面向?qū)ο螅瑥母叻直媛嗜蚨喙庾V數(shù)據(jù)中提取信息，該模塊能夠提取多種特征地物如車輛、建筑、道路、橋、河流、湖泊和田地等。該模塊能夠在操作過(guò)程中隨時(shí)預(yù)覽影像分割效果。該項(xiàng)技術(shù)對(duì)于高光譜數(shù)據(jù)有很好處理效果，對(duì)全色數(shù)據(jù)一樣適用。對(duì)于高分辨率全色數(shù)據(jù)，這種基于目標(biāo)提取方法能愈加好提取多種含有特征類型地物。一個(gè)目標(biāo)物體是一個(gè)相關(guān)大小、光譜和紋理（亮度、顏色等）感愛(ài)好區(qū)域。可應(yīng)用于：

從影像中尤其是大幅影像中查找和提取特征。

添加新矢量層到地理數(shù)據(jù)庫(kù)

輸出用于分析分類影像

替換手工數(shù)字化過(guò)程含有易于操作（向?qū)Р僮鞑襟E），隨時(shí)預(yù)覽效果和修改參數(shù)，保留參數(shù)易于下次使用和和同事共享，能夠?qū)⒉灰粯訑?shù)據(jù)源加入ENVIFX中（DEMs、LiDARdatasets、shapefiles、地面實(shí)測(cè)數(shù)據(jù)）以提升精度、交互式計(jì)算和評(píng)定輸出特征要素、提供注記工具能夠標(biāo)識(shí)結(jié)果中感愛(ài)好特征要素和對(duì)象等特點(diǎn)。3、ENVIFX操作說(shuō)明ENVIFX操作可分為兩個(gè)部分：發(fā)覺(jué)對(duì)象（FindObject）和特征提?。‥xtractfeatures），圖1所表示。

圖1FX操作步驟示意圖下面在ENVI5.0下FX工具，以0.6米QB圖像為例，介紹向?qū)ο笮畔⑻崛〔襟E。下面我們。3.1

基于規(guī)則面向?qū)ο笮畔⑻崛≡摲椒üぞ邽門oolbox/FeatureExtraction/RuleBasedFeatureExtractionWorkflow第一步：準(zhǔn)備工作依據(jù)數(shù)據(jù)源和特征提取類型等情況，能夠有選擇地對(duì)數(shù)據(jù)做部分預(yù)處理工作。

空間分辨率調(diào)整

假如您數(shù)據(jù)空間分辨率很高，覆蓋范圍很大，而提取特征地物面積較大（如云、大片林地等）。能夠降低分辨率，提供精度和運(yùn)算速度?？衫肨oolbox/RasterManagement/ResizeData工具實(shí)現(xiàn)。

光譜分辨率調(diào)整

假如您處理是高光譜數(shù)據(jù)，能夠?qū)⒉挥貌ǘ纬??？衫肨oolbox/RasterManagement/LayerStacking工具實(shí)現(xiàn)。

多源數(shù)據(jù)組合

當(dāng)您有其它輔助數(shù)據(jù)時(shí)候，能夠?qū)⑦@些數(shù)據(jù)和待處理數(shù)據(jù)組合成新多波段數(shù)據(jù)文件，這些輔助數(shù)據(jù)能夠是DEM,lidar

影像,

和SAR

影像。當(dāng)計(jì)算對(duì)象屬性時(shí)候，會(huì)生成這些輔助數(shù)據(jù)屬性信息，能夠提升信息提取精度?？衫肨oolbox/RasterManagement/LayerStacking工具實(shí)現(xiàn)。

空間濾波假如您數(shù)據(jù)包含部分噪聲，能夠選擇ENVI濾波功效做部分預(yù)處理。這里直接在ENVI中打開qb_colorado.dat圖像文件。第二步：發(fā)覺(jué)對(duì)象（1）

開啟RuleBasedFX工具在Toolbox中，找到FeatureExtraction，選擇/FeatureExtraction/RuleBasedFeatureExtractionWorkflow，打開工作流面板，選擇待分類影像qb_colorado.dat，另外還有三個(gè)面板可切換：在InputMask面板可輸入掩膜文件，在AncillaryData面板可輸入其它多源數(shù)據(jù)文件，切換到CustomBands面板，有兩個(gè)自定義波段，包含歸一化植被指數(shù)或波段比值、HSI顏色空間，這些輔助波段能夠提升圖像分割精度，如植被信息提取等自定義屬性，在NormalizedDifference和ColorSpace屬性上打鉤，以下圖所表示，點(diǎn)擊Next；

圖2

輸入數(shù)據(jù)和屬性參數(shù)選擇（2）

影像分割、合并FX依據(jù)臨近像素亮度、紋理、顏色等對(duì)影像進(jìn)行分割，它使用了一個(gè)基于邊緣分割算法，這種算法計(jì)算很快，而且只需一個(gè)輸入?yún)?shù)，就能產(chǎn)生多尺度分割結(jié)果。經(jīng)過(guò)不一樣尺度上邊界差異控制，從而產(chǎn)生從細(xì)到粗多尺度分割。選擇高尺度影像分割將會(huì)分出極少圖斑，選擇一個(gè)低尺度影像分割將會(huì)分割出更多圖斑，分割效果好壞一定程度決定了分類效果正確度，我們能夠經(jīng)過(guò)preview預(yù)覽分割效果，選擇一個(gè)理想分割閥值，盡可能好地分割出邊緣特征。有兩個(gè)圖像分割算法供選擇：

Edge，

基于邊緣檢測(cè)，需要結(jié)合合并算法能夠達(dá)成最好效果；

Intensity:

基于亮度，這種算法很適合于微小梯度改變（如DEM）、電磁場(chǎng)圖像等，不需要合并算法即可達(dá)成很好效果。調(diào)整滑塊閥值對(duì)影像進(jìn)行分割，這里設(shè)定閾值為40。注：按鈕是用來(lái)選擇分割波段，默認(rèn)為BaseImage全部波段。影像分割時(shí)，因?yàn)殚撝颠^(guò)低，部分特征會(huì)被錯(cuò)分，一個(gè)特征也有可能被分成很多部分。我們能夠經(jīng)過(guò)合并來(lái)處理這些問(wèn)題。合并算法也有兩個(gè)供選擇：

FullLambdaSchedule，合并存在于大塊、紋理性較強(qiáng)區(qū)域，如樹林、云等，該方法在結(jié)合光譜和空間信息基礎(chǔ)上迭代合并鄰近小斑塊；

FastLambda:

合并含有類似顏色和邊界大小相鄰節(jié)段。設(shè)定一定閾值，預(yù)覽效果。這里我們?cè)O(shè)置閾值為90，點(diǎn)Next進(jìn)入下一步。TextureKernalSize：紋理內(nèi)核大小，假如數(shù)據(jù)區(qū)域較大而紋理差異較小，能夠把這個(gè)參數(shù)設(shè)置大一點(diǎn)。默認(rèn)是3，最大是19。注：這一步是可選項(xiàng)，假如不需要能夠根據(jù)默認(rèn)0直接跳過(guò)。

圖3

圖像分割、合并這時(shí)候FX生成一個(gè)RegionMeans

影像自動(dòng)加載圖層列表中，并在窗口中顯示，它是分割后結(jié)果，每一塊被填充上該塊影像平均光譜值。接著進(jìn)行下一步操作?，F(xiàn)在，已經(jīng)完成了發(fā)覺(jué)對(duì)象操作過(guò)程，接下來(lái)是特征提取。第三步：依據(jù)規(guī)則進(jìn)行特征提取在規(guī)則分類界面。每一個(gè)分類有若干個(gè)規(guī)則（Rule）組成，每一個(gè)規(guī)則有若干個(gè)屬性表示式來(lái)描述。規(guī)則和規(guī)則之間是和關(guān)系，屬性表示式之間是并關(guān)系。同一類地物能夠由不一樣規(guī)則來(lái)描述，比如水體，水體能夠是人工池塘、湖泊、河流，也能夠是自然湖泊、河流等，描述規(guī)則就不一樣，需要多條規(guī)則來(lái)描述。每條規(guī)則又有若干個(gè)屬性來(lái)描述，以下是對(duì)水一個(gè)描述：

面積大于500像素

延長(zhǎng)線小于0.5

NDVI小于0.25對(duì)道路描述：

延長(zhǎng)線大于0.9

緊密度小于0.3

標(biāo)準(zhǔn)差小于20這里以提取居住房屋為例來(lái)說(shuō)明規(guī)則分類操作過(guò)程。首先分析影像中輕易跟居住房屋錯(cuò)分地物有：道路、森林、草地和房屋旁邊水泥地。點(diǎn)擊按鈕，新建一個(gè)類別，在右側(cè)Classproperties下修改好類別對(duì)應(yīng)屬性。

圖4

規(guī)則分類面板1)

第一條屬性描述，劃分植被覆蓋和非覆蓋區(qū)。在默認(rèn)屬性SpectralMean上單擊，激活屬性，右邊出現(xiàn)屬性選擇面板，圖所表示。選擇Spectral，Band下面選擇NormalizedDifference。在第一步自定義波段中選擇波段是紅色和近紅外波段，所以在此計(jì)算是NDVI。把ShowAttributeImage勾上，能夠看到計(jì)算屬性圖像。經(jīng)過(guò)拖動(dòng)滑條或手動(dòng)輸入確定閾值。在閾值范圍內(nèi)在預(yù)覽窗口里顯示為紅色，在Advanced面板，有三個(gè)類別歸屬算法：算法有二進(jìn)制、線性和二次多項(xiàng)式。選擇二進(jìn)制方法時(shí)，權(quán)重為0或1，即完全不匹配和完全匹配兩個(gè)選項(xiàng)；當(dāng)選擇線性和二次多項(xiàng)式時(shí)，可經(jīng)過(guò)Tolerance設(shè)置匹配程度，值越大，其它分割塊歸屬這一類可能性就越大。這里選擇類別歸屬算法為L(zhǎng)iner，分類閾值Tolerance為默認(rèn)5，以下圖

圖5

對(duì)象屬性面板

圖6

歸屬類別算法和閾值設(shè)置2)

第二條屬性描述，剔除道路干擾居住房屋和道路最大區(qū)分是房屋是近似矩形，我們能夠設(shè)置Rectangularfit屬性。在Rule上右鍵選擇AddAttibute按鈕，新建一個(gè)規(guī)則，在右側(cè)Type中選擇Spatial，在Name中選擇Rectangularfit。設(shè)置值范圍是0.5~1，其它參數(shù)為默認(rèn)值。注：預(yù)覽窗口默認(rèn)是該屬性結(jié)果，點(diǎn)擊AllClasses，可預(yù)覽多個(gè)屬性共同作用結(jié)果。一樣方法設(shè)置Type：Spatial；Name：Area——Area>45Type：Spatial；Name：Elongation——Elongation<33)

第三條屬性描述，剔除水泥地干擾水泥地反射率比較高，居住房屋反射率較低，所以我們能夠設(shè)置波段象元值。Type：spectral；Name：SpectralMean，Band：GREEN——SpectralMean(GREEN)<650。點(diǎn)擊AllClasses，最終rule規(guī)則和預(yù)覽圖以下圖所表示。注：?jiǎn)螕舭粹o，打開“房屋.rul”,能夠?qū)腩A(yù)先設(shè)置規(guī)則。圖7

房屋提取規(guī)則和結(jié)果第四步：輸出結(jié)果

特征提取結(jié)果輸出，能夠選擇以下結(jié)果輸出：矢量結(jié)果及屬性、分類圖像及分割后圖像、還有高級(jí)輸出包含屬性圖像和置信度圖像、輔助數(shù)據(jù)包含規(guī)則圖像及統(tǒng)計(jì)輸出，以下圖所表示。

圖8

輸出結(jié)果

這里我們選擇矢量文件及屬性數(shù)據(jù)一塊輸出，規(guī)則圖像及統(tǒng)計(jì)結(jié)果輸出。點(diǎn)擊Finish按鈕完成輸出。能夠查看房屋信息提取結(jié)果和矢量屬性表圖9房屋信息提取矢量結(jié)果和屬性表類似思緒能夠提取道路、林地、草地等分類，這里就不一一例舉。3.2

基于樣本面向?qū)ο蠓诸愒摲椒üぞ邽門oolbox/FeatureExtraction/ExampleBasedFeatureExtractionWorkflow。在Toolbox中找打該工具，雙擊打開步驟化面板，前面兩步和第一個(gè)方法前兩步完全一致，選擇數(shù)據(jù)和發(fā)覺(jué)對(duì)象，在此不一一贅述。我們直接看特征提取這部分：基于樣本圖像分類。第三步：基于樣本圖像分類經(jīng)過(guò)圖像分割和合并以后，進(jìn)入到監(jiān)督分類界面，以下圖所表示：

圖10

監(jiān)督分類界面1)

選擇樣本對(duì)默認(rèn)一個(gè)類別，在右側(cè)ClassProperties中，修改顯示顏色、名稱等信息。

圖11

修改類別屬性信息在分割圖上選擇部分樣本，為了方便樣本選擇，能夠在左側(cè)圖層管理中將RegionMeans圖層關(guān)閉掉，顯示原圖，選擇一定數(shù)量樣本，假如錯(cuò)選樣本，能夠在這個(gè)樣本上點(diǎn)擊左鍵刪除。一個(gè)類別樣本選擇完成以后，新增類別，用一樣方法修改類別屬性和選擇樣本。在選擇樣本過(guò)程中，能夠隨時(shí)預(yù)覽結(jié)果。能夠把樣本保留為shp文件以備下次使用。點(diǎn)擊按鈕能夠?qū)⒄鎸?shí)數(shù)據(jù)ShapeFile矢量文件作為訓(xùn)練樣本。這里我們建立5個(gè)類別：道路、房屋、草地、林地、水泥地，分別選擇一定數(shù)量樣本，以下圖所表示。圖12

選擇樣本2)

設(shè)置樣本屬性

切換到AttributesSelection選項(xiàng)。默認(rèn)是全部屬性全部被選擇，這些選擇樣本屬性將被用于后面監(jiān)督分類。能夠依據(jù)提取實(shí)際地物特征選擇一定屬性。這里根據(jù)默認(rèn)全選。圖13

樣本屬性選擇3)

選擇分類方法切換到Algorithm選項(xiàng)。FX提供了三種分類方法：K鄰近法（KNearestNeighbor）、支持向量機(jī)（SupportVectorMachine

，SVM）和主成份分析法（PrincipalComponentsAnalysis

，PCA）。圖14

分類方法K鄰近分類方法依據(jù)待分類數(shù)據(jù)和訓(xùn)練區(qū)元素在N維空間歐幾里得距離來(lái)對(duì)影像進(jìn)行分類，N由分類時(shí)目標(biāo)物屬性數(shù)目來(lái)確定。相對(duì)傳統(tǒng)最鄰近方法，K近鄰法產(chǎn)生更小敏感異常和噪聲數(shù)據(jù)集，從而得到更正確地分類結(jié)果，它自己會(huì)確定像素最可能屬于哪一類。在K參數(shù)里鍵入一個(gè)整數(shù)，默認(rèn)值是1，K參數(shù)是分類時(shí)要考慮臨近元素?cái)?shù)目，是一個(gè)經(jīng)驗(yàn)值，不一樣值生成分類結(jié)果差異也會(huì)很大。K參數(shù)設(shè)置為多少依靠于數(shù)據(jù)組和您選擇樣本。值大一點(diǎn)能夠降低分類噪聲，不過(guò)可能會(huì)產(chǎn)生不正確分類結(jié)果，通常值設(shè)到3-7之間就比很好。支持向量機(jī)是一個(gè)起源統(tǒng)計(jì)學(xué)習(xí)理論分類方法。選擇這一項(xiàng)，需要定義一系列參數(shù)：a)KernelType下拉列表里選項(xiàng)有

Linear，Polynomial，RadialBasis，和

Sigmoid。

假如選擇Polynomial，設(shè)置一個(gè)關(guān)鍵多項(xiàng)式（DegreeofKernelPolynomial）次數(shù)用于SVM，最小值是1，最大值是6。

假如選擇PolynomialorSigmoid，使用向量機(jī)規(guī)則需要為Kernel指定

theBias

，默認(rèn)值是1。

假如選擇是

Polynomial、RadialBasis、Sigmoid，需要設(shè)置GammainKernelFunction參數(shù)。這個(gè)值是一個(gè)大于零浮點(diǎn)型數(shù)據(jù)。默認(rèn)值是輸入圖像波段數(shù)倒數(shù)。b）為SVM規(guī)則指定thePenalty參數(shù)，這個(gè)值是一個(gè)大于零浮點(diǎn)型數(shù)據(jù)。這個(gè)參數(shù)控制了樣本錯(cuò)誤和分類剛性延伸之間平衡，

默認(rèn)值是100。AllowUnclassified是許可有未分類這一個(gè)類別，將不滿足條件斑塊分到該類，默認(rèn)是許可有未分類類別。Threshold

為分類設(shè)置概率域值，假如一個(gè)像素計(jì)算得到全部規(guī)則概率小于該值，該像素將不被分類，范圍是0~100，默認(rèn)是5。

主成份分析是比較在主成份空間每個(gè)分割對(duì)象和樣本，將得分最高歸為這一類。這里我們選擇K鄰近法，K參數(shù)設(shè)置為5，點(diǎn)擊Next，輸出結(jié)果。最終止果輸出方法和基于規(guī)則一樣。3.3

直接輸出矢量該方法工具為Toolbox/FeatureExtraction/SegmentOnlyFeatureExtractionWorkflow。操作方法參考前面第一和第二步驟，第三步直接選擇路徑輸出分割柵格結(jié)果和矢量結(jié)果。從以上實(shí)際操作能夠看到，ENVIFX擴(kuò)展模塊操作含有易于操作（向?qū)Р僮鞑襟E），隨時(shí)預(yù)覽效果和修改參數(shù)。4、小結(jié)

基于像元分類方法，依據(jù)關(guān)鍵是利用像元光譜特征，大多應(yīng)用在中低分辨率遙感圖像。而高分辨率遙感圖像細(xì)節(jié)信息豐富，圖像局部異質(zhì)性大，傳統(tǒng)基于像元分類方法易受高分辨率影像局部異質(zhì)性大影響和干擾。而面向?qū)ο蠓诸惙椒軌蚋叻直媛蕡D像豐富光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局和圖像中地物之間上下文信息，能夠結(jié)合教授知識(shí)進(jìn)行分類，能夠顯著提升分類精度，而且使分類后圖像含有豐富語(yǔ)義信息，便于解譯和了解。對(duì)高分辨率影像來(lái)說(shuō)，還是一個(gè)很有效信息提取方法，含有很好應(yīng)用前景。5、ENVIFX操作說(shuō)明（補(bǔ)充）ENVIFX操作可分為兩個(gè)部分：發(fā)覺(jué)對(duì)象（FindObject）和特征提?。‥xtractfeatures）。3.1準(zhǔn)備工作

依據(jù)數(shù)據(jù)源和特征提取類型等情況，能夠有選擇對(duì)數(shù)據(jù)做部分預(yù)處理工作。

l空間分辨率調(diào)整

假如您數(shù)據(jù)空間分辨率很高，覆蓋范圍很大，而提取特征地物面積較大（如云、大片林地等）。能夠降低分辨率，提供精度和運(yùn)算速度?？衫肊NVI主界面->BasicTool->ResizeData工具實(shí)現(xiàn)。

l光譜分辨率調(diào)整

假如您處理是高光譜數(shù)據(jù)，能夠?qū)⒉挥貌ǘ纬?。可利用ENVI主界面->BasicTool->layerstacking工具實(shí)現(xiàn)。

l多源數(shù)據(jù)組合

當(dāng)您有其它輔助數(shù)據(jù)時(shí)候，能夠?qū)⑦@些數(shù)據(jù)和待處理數(shù)據(jù)組合成新多波段數(shù)據(jù)文件，這些輔助數(shù)據(jù)能夠是DEM,lidar影像,和SAR影像。當(dāng)計(jì)算對(duì)象屬性時(shí)候，會(huì)生成這些輔助數(shù)據(jù)屬性信息，能夠提升信息提取精度?？衫肊NVI主界面->BasicTool->layerstacking工具實(shí)現(xiàn)。

l空間濾波

假如您數(shù)據(jù)包含部分噪聲，能夠選擇ENVI濾波功效做部分預(yù)處理。

3.2發(fā)覺(jué)對(duì)象

(一)打開數(shù)據(jù)

在ENVIZoom中打開Processing>FeatureExtraction。圖2所表示，BaseImage必需要選擇，輔助數(shù)據(jù)（AncillaryData）和掩膜文件（MaskFile）是可選。這里選擇ENVI自帶數(shù)據(jù)envidata\feature_extraction\qb_colorado,它是0.6米快鳥數(shù)據(jù)。

(二)影像分割

FX依據(jù)臨近像素亮度、紋理、顏色等對(duì)影像進(jìn)行分割，它使用了一個(gè)基于邊緣分割算法，這種算法計(jì)算很快，而且只需一個(gè)輸入?yún)?shù)，就能產(chǎn)生多尺度分割結(jié)果。經(jīng)過(guò)不一樣尺度上邊界差異控制，從而產(chǎn)生從細(xì)到粗多尺度分割。選擇高尺度影像分割將會(huì)分出極少圖斑，選擇一個(gè)低尺度影像分割將會(huì)分割出更多圖斑，分割效果好壞一定程度決定了分類效果正確度，我們能夠經(jīng)過(guò)預(yù)覽分割效果，選擇一個(gè)理想分割閥值，盡可能好地分割出邊緣特征。

調(diào)整滑塊閥值對(duì)影像進(jìn)行分割，這里設(shè)定閾值為30，點(diǎn)擊Next按鈕，這時(shí)候FX生成一個(gè)RegionMeans影像自動(dòng)加載圖層列表中，并在窗口中顯示，它是分割后結(jié)果，每一塊被填充上該塊影像平均光譜值。接著進(jìn)行下一步操作。

注：按鈕是用來(lái)選擇分割波段，默認(rèn)為BaseImage全部波段。

(三)合并分塊

影像分割時(shí)，因?yàn)殚撝颠^(guò)低，部分特征會(huì)被錯(cuò)分，一個(gè)特征也有可能被分成很多部分。我們能夠經(jīng)過(guò)合并來(lái)處理這些問(wèn)題。FX利用了FullLambda-Schedule算法。這一步是可選項(xiàng)，假如不需要能夠直接跳過(guò)。

設(shè)定一定閾值，預(yù)覽效果。這里我們?cè)O(shè)置閾值為95，點(diǎn)Next進(jìn)入下一步。

(四)分塊精煉

FX提供了一個(gè)閾值法（Thresholding）深入精煉分塊方法。對(duì)于含有高對(duì)比度背景特征很有效（比如，明亮飛機(jī)對(duì)黑暗停機(jī)坪）。能夠?qū)⒕珶捊Y(jié)果生成掩膜圖層（Mask），按鈕能夠修改基于哪個(gè)波段。

這里我們就直接選擇NoThresholding（default），點(diǎn)擊Next進(jìn)入下一步操作。

(五)計(jì)算對(duì)象屬性

計(jì)算4個(gè)類別屬性：光譜、空間、紋理、自定義（顏色空間和波段比）。其中“顏色空間”選擇三個(gè)RGB波段轉(zhuǎn)換為HSI顏色空間，“波段比”選擇兩個(gè)波段用于計(jì)算波段比（常見(jiàn)紅色和近紅外波段）。各個(gè)屬性具體描述參考ENVI/IDL提供Feature_Extraction_Module.pdf文檔。

這里我們根據(jù)默認(rèn)全選擇，ColorSpace選擇RGB，BandRatio選擇紅色和近紅外波段，點(diǎn)擊Next按鈕進(jìn)行下一步操作。

現(xiàn)在，已經(jīng)完成了發(fā)覺(jué)對(duì)象操作過(guò)程，接下來(lái)是特征提取。

3.3特征提取

圖7所表示，有三種特征提取方法供選擇，分別是監(jiān)督分類、規(guī)則分類和直接矢量輸出。

(一)輸出矢量

選擇ExportVectors，進(jìn)入圖8界面，選擇保留路徑，屬性信息也可選擇輸出

輸出完成會(huì)出來(lái)一個(gè)報(bào)表。不關(guān)閉FX浮動(dòng)面板，在ENVIZoom中將得到矢量特征加載顯示。

點(diǎn)擊Previous按鈕，回到圖7界面。

(二)監(jiān)督分類

在圖7界面中選擇Classifybyselectionexamples，下一步到圖8所表示界面。

1)選擇樣本

在ENVIZoom中，切換到Select方法，雙擊Feature_1，打開一個(gè)類別屬性，圖10所表示，修改顯示顏色、名稱等信息。

在分割圖上選擇部分樣本，為了方便樣本選擇，能夠在ENVIZoom圖層管理中將原圖移到最上層，選擇一定數(shù)量樣本，假如錯(cuò)選樣本，能夠在這個(gè)樣本上點(diǎn)擊左鍵刪除。

一個(gè)類別樣本選擇完成以后，新增類別，用一樣方法修改類別屬性和選擇樣本。在選擇樣本過(guò)程中，能夠隨時(shí)預(yù)覽結(jié)果。能夠把樣本保留為xml文件以備下次使用。

2)設(shè)置樣本屬性

在圖9中，切換到Attributes選項(xiàng)。默認(rèn)是全部屬性全部被選擇，能夠依據(jù)提取實(shí)際地物特征選擇一定屬性。

這里我們根據(jù)默認(rèn)全部選擇。

3)選擇分類方法

在圖9中，切換到Algorithm選項(xiàng)。FX提供了兩種分類方法：K鄰近法（KNearestNeighbor）和支持向量機(jī)（SupportVectorMachine，SVM），圖12所表示。

這里我們選擇K鄰近法，K參數(shù)設(shè)置為5，點(diǎn)擊下一步，輸出結(jié)果。

4)輸出結(jié)果

特征提取結(jié)果能夠以兩種格式輸出，矢量和圖像，圖12所表示。矢量能夠是全部分類以單個(gè)文件輸出或每一個(gè)類別分別輸出；圖像能夠把分類結(jié)果和規(guī)則結(jié)果分布輸出。

這里我們選擇單個(gè)文件和屬性數(shù)據(jù)一塊輸出，分類圖像和規(guī)則圖像一塊輸出。點(diǎn)擊Next按鈕完成輸出，同時(shí)能夠看到整個(gè)操作參數(shù)和結(jié)果統(tǒng)計(jì)報(bào)表。

(三)規(guī)則分類

在圖7界面中選擇Classifybycreatingrules，點(diǎn)擊Next，到圖15規(guī)則分類界面。每一個(gè)分類有若干個(gè)規(guī)則（Rule）組成，每一個(gè)規(guī)則有若干個(gè)屬性表示式來(lái)描述。規(guī)則和規(guī)則直接是和關(guān)系，屬性表示式之間是并關(guān)系。

同一類地物能夠由不一樣規(guī)則來(lái)描述，比如水體，水體能夠是人工池塘、湖泊、河流，也能夠是自然湖泊、河流等，描述規(guī)則就不一樣，需要多條規(guī)則來(lái)描述。每條規(guī)則又有若干個(gè)屬性來(lái)描述，以下是對(duì)水一個(gè)描述：

l面積大于500像素

l延長(zhǎng)線小于0.5

lNDVI小于0.3

對(duì)道路描述：

l延長(zhǎng)線大于0.9

l緊密度小于0.3

l標(biāo)準(zhǔn)差小于20

這里以提取居住房屋為例來(lái)說(shuō)明規(guī)則分類操作過(guò)程。

首先分析影像中輕易跟居住房屋錯(cuò)分地物有：道路、森林、草地和房屋旁邊水泥地。

雙擊Feature_1圖標(biāo)，修改好類別對(duì)應(yīng)屬性。

1)第一條屬性描述，劃分植被覆蓋和非覆蓋區(qū)

雙擊rule，打開對(duì)象屬性選擇面板，圖16所表示。選擇Customized->bandratio。FX會(huì)依據(jù)選擇波段情況技術(shù)波段比值，比如這里在屬性計(jì)算步驟中選擇RatioBand是紅色和近紅外波段，所以此時(shí)計(jì)算是NDVI。把Show

AttributeImage勾上，能夠看到計(jì)算結(jié)果，經(jīng)過(guò)ENVIZoom工具查看各個(gè)分割塊對(duì)應(yīng)值。點(diǎn)擊Next按鈕，或雙擊bandratio，進(jìn)入bandratio屬性設(shè)置對(duì)話框.

經(jīng)過(guò)拖動(dòng)滑條或手動(dòng)輸入確定閾值。FuzzyTolerance是設(shè)置模糊分類閾值，值越大，其它分割塊歸屬這一類可能性就越大。歸類函數(shù)有線性和S-type兩種。這里設(shè)置模糊分類閾值為默認(rèn)5，歸屬類別為S-type，值范圍為0~0.3，勾選ShowRuleConfidenceImage能夠預(yù)覽規(guī)則圖像。點(diǎn)擊Ok完成此條屬性描述。

2)第二條屬性描述，去除道路影響

居住房屋和道路最大區(qū)分是房屋是近似矩形，我們能夠設(shè)置Rect_fit屬性。點(diǎn)擊按鈕或雙擊rule，選擇Spatial->rect_fit。設(shè)置值范圍是0.5~1，其它參數(shù)為默認(rèn)值。

一樣方法設(shè)置

Spatial->Area:FuzzyTolerance=0,90<Area<1100

Spatial->elongation(延長(zhǎng)):elongation<3

3)第三條屬性描述，去除水泥地影響

水泥地反射率比較高，居住房屋反射率較低，所以我們能夠設(shè)置波段象元值。

Spectral->avgband_2:avgband_2<50。

類似思緒能夠提取道路、林地、草地等分類，這里就不一一例舉。最終止果輸出方法和監(jiān)督分類一樣。

3.4批處理操作ENVI提供了ENVI_FX函數(shù)，具體語(yǔ)法以下：ENVI_DOIT,’ENVI_FX_DOIT’[,A_FID=array][,A_POS=array][,BR_BANDS=array][,CENTERLINE_OPTIONS=array][,CONF_THRESHOLD=floatingpoint][,CS_BANDS=array],DIMS=array,FID=fileID[,/EXPORT_ATTRIBUTES][,/EXPORT_RASTER][,/INVERSE_MASK][,KERNEL_SIZE=longinteger][,M_FID=fileID][,MERGE_LEVEL=floatingpoint],POS=array[,R_FID=variable][,RASTER_FILENAME=stringorstringarray][,/RAW_ATTRIBUTES][,RAW_FILENAME=string][,REFINE_BAND=integer][,/REFINE_INVERSE][,/REFINE_MASK][,RULESET_FILENAME=string],SCALE_LEVEL=floatingpoint[,SEGMENT_BANDS=array][,SMOOTHING_THRESHOLD=floatingpoint][,TD_FILENAME=string][,THRESHOLD_LOWER=floatingpoint][,THRESHOLD_UPPER=floatingpoint][,VECTOR_FILENAME=string][,VECTOR_OPTIONS=stringarray]具體變量說(shuō)明請(qǐng)參考ENVI/IDL提供Feature_Extraction_Module.pdf。利用此函數(shù)能夠?qū)σ罁?jù)分割參數(shù)和分類參數(shù)編寫批處理，或?qū)⒋斯π?yīng)用到別系統(tǒng)上。

從以上實(shí)際操作能夠看到，ENVIF