摘要：随着高分辨率遥感影像的广泛应用，面向对象的地物信息提取方法得到快速的发展。本文主要研究面向对象的多尺度分割技术。综合比较了PC Spectral Sharpening、Gram-Schmidt和NNDI三种融合方法，得到NNDI影像融合效果明显高于其他两种融合方法，在提高遥感影像光谱分辨率的基础上，极大地保证了融合后影像与原始影像的相似度;通过分析研究波段权重、光谱因子、形状因子和分割尺度对于分割效果的影响，得出该实验区不同地物的最佳参数组合，在很大程度上减少了地物信息的流失，为遥感影像的地物信息提取带来了极大的准确度和较高的效率。

关键词：遥感影像;地物信息;分类

随着遥感技术发展，高分辨率遥感影像得到大量应用，为获取丰富的地物特征信息创造了有利条件。高分辨率遥感影像在各个领域都有着广泛的应用。在环境保护方面，如环境灾害预测，环境状态监测;在土壤调查方面，如土壤流失监测，地表组分数量与分布特征;广泛运用的高分辨率遥感影像中存在着丰富的地物信息，也使的影像信息提取成为热门研究之一。面向对象的分类方法能够在一定程度上较好的弥补传统方法带来的这一问题，这种分类方法能够快速、准确地对多种复杂地物信息进行提取，且方法多变性较高，灵活性好。传统方法只针对单个像素进行处理，分类时考虑的因素较少，没能较全面的对复杂地物进行研究，然而面向对象的分类，是一种以多尺度分割产生的“Image Object”为基本处理单元，利用遥感影像中不同地物之间在特征信息的差异以及相邻区域之间的关系，进行分类处理的方法。该技术凭借分类速度快，精度高，适应性强等优点，得到了国内外许多研究学者的热爱，也成为遥感领域的热门研究方向。

一、遥感影像分析技术路线

高分辨率遥感影像融合效果的研究中。影像融合是遥感影像处理较为重要的一个环节，这个环节的结果在很大程度上影响着后续地物信息提取的精度。因此，高质量的影像融合方法对于本文的主要研究内容起着重要的作用，常用的PC Spectral Sharpening、Gram-Schmidt和NNDIffuse Pan Sharpening三种融合方法是遥感数据融合处理方法。

二、遥感影像数据处理及信息提取

一般情况下，所获取的遥感影像在形成过程中，受到多种因素的影响，如：太阳位置、环境质量、大气质量、地形条件和传感器本身性能等，从而会降低遥感影像的保真度，影响后续的实验操作和图像处理，故需要在对图像进行分析处理之前，进行必要的图像预处理操作，还原图像最真实的状态。主要预处理内容包括辐射校正、大气校正、正射校正和图像裁剪等操作。

2.1  影像分割技术

影像分割是在不同分割算法的基础上，将遥感影像分割成许多个形状迥异的多边形区域，且相互之间没有重合地方，但在纹理等特征方面具有一定的相似性，从而实现对研究区域的分割和信息提取的过程 。影像分割的结果在很大程度上影响着地物信息提取的完整性，是影像分类至关重要的环节。

2.2  多尺度分割技术

在遥感影像中，绝大多数的道路与河流为线状且具有窄长的特点，而建筑物和植被覆盖区通常呈面状结构分布且面积较大，这为区分不同地物提供了方法。从常规方法来看，主要利用不同地物之间存在光谱特征上的差异来区别地物，未能有较好的效果实现，从而需要结合其他因素来区分地物，从而提高分割效果。形状、大小、纹理等因素也可作为遥感影像分割时的考虑因素和区别于其他地物的根据。如果采用同一尺度对同一幅影像中不同类的地物进行分割处理，则会很难得到理想的分割效果，极大地降低了地物信息提取的精度，降低了影像的实用价值。而多尺度分割能够较为合理的解决问题，根据地物类别的不同，在地物在不同因素下的差异设置合理的分割尺度，从而有针对性的完成对某一地物的分割，从而提高地物信息的分割精度。

三、遥感影像融合

对遥感影像进行融合的处理，能够使图像的地物信息之间有较大的区别性，从而可以高效地提取遥感影像上的各类地物的信息。图像融合不是简单的数据叠加，而是将多光谱遥感影像与全色波段的遥感影像两种影像进行融合，融合后影像成果可以极大改善空间分辨率，还能够使影像的光谱信息较好保留，更加突出专题信息和地物特征。影像的融合在数字图像处理过程中有着较高的地位。按照融合层次可分为：像元级融合、特征级融合和决策级融合。

四、遥感影像地物提取

影像经过预处理、NNDI图像融合等操作形成数据，主要分为三步：第一步，研究多尺度分割参数对影像分割结果的影响;第二步，利用相关软件获得不同地物的最佳分割尺度;第三步，利用最佳分割尺度对主要地物信息进行提取分类实验。

4.1  多尺度分割

确定最佳的分割参数组合，达到提高图像分类精度的目的。重点内容主要是依据各影响参数对于不同地物的影响差异，从而得出最适合地物的最佳参数组合。

4.2  确定地物最佳尺度分割

利用ESP2工具辅助获得最佳分割尺度。该工具原理是利用局部方差（LV）的变化率值ROC-LV来表示最佳分割参数，当LV出现峰值时，就是最佳分割尺度，进而判断该指标为最佳分割制度。

4.3  面向对象的主要地物信息分层提取

面向对象的主要地物信息提取的主要思路。首先，根据分割尺度的大小，从大到小依次建立四个等级，分别为Level 1、Level 2、Level 3和Level 4，其各自对应着水体、植被、道路和建筑物。其次，根据对应的地物信息特征设置一定约束条件，并提取地物信息。其中，Level 1是根据特征组合提取出的水体信息;Level 2则继承了Level 1中的非水体部分，设置分割尺度进行分割，提取植被信息;Level 3则继承了Level 2中的非植被部分，设置分割尺度进行分割，提取道路信息;Level 4则继承了Level 3中的非道路部分，设置分割尺度进行分割，提取出建筑物和裸地信息。最后，将分类结果汇总到一起。

结束语：

随着高分辨率遥感影像的大量运用，地物信息提取是一个非常热门的研究话题。信息提取的准确性、高效性和提取信息的速度都是现在许多学者的研究方向和急需攻克的问题，本文针对高分影像数据，研究了面向对象的多尺度影像信息提取技术，高分辨率数据进行面向对象的多尺度地物分割与信息提取。

参考文献

[1]  姚啸.面向对象的高分遥感影像分类在森林蓄积量估测中的应用研究[D].西安：西安科技大学，2015.

[2]  关元秀，程晓阳.高分辨率卫星影像处理指南[M].北京：科学出版社，2008：268.

[3]  张辉.基于BP神经网络的遥感影像分类研究[D].山东：山东师范大学，2013.