面向對象圖像分 概 基于規(guī)則的面向對象信息提 第一步：準備工 第二步：發(fā)現(xiàn)對 第三步：根據(jù)規(guī)則進行特征提 基于樣本的面向對象的分 第一步：選擇數(shù) 第二步：分割對 第三步：基于樣本的圖像分 基于規(guī)則的單波段影像提取河流信 面向對象分類技術集合像元為對象用來識別感的光譜要素，充分利用高分辨率的features1.1FX操作流程示意圖（*項為可選操作步驟數(shù)據(jù)位置：“24面向對象圖像分類\1-基于規(guī)則”。Data工具實現(xiàn)。如果您處理的是高光譜數(shù)據(jù)，可以將不用的波段除去?？衫肨oolbox/RasterManagement/LayerStacking工具實現(xiàn)。DEMlidar影像,SAR影像。當計算對象屬性時候，會生成這些輔助數(shù)據(jù)這里直接在ENVI中打開qb_colorado.dat圖像文件。RuleBasedFX的面板，選擇待分類的影像qb_colorado.dat，此外還有三個面板可切換：InputMaskNormalizedDifferenceColorSpace

圖 輸入數(shù)據(jù)和屬性參數(shù)選Level度影像分割將會分割出的圖斑，分割效果的好壞一定程度決定了分類效果的精確Intensity:基于亮度，這種算法非常適合于微小梯度變化（DEM、電磁場圖像等，注：按鈕是用來選擇分割波段的，默認為BaseImage所有波段Level里我們設置的閾值為90，點Next進入下一步。Size這個參數(shù)設置大一點。默認是3，最大是19。圖 圖像分割、合同一類地物可以由不同規(guī)則來描述，比體，水體可以是人工、湖泊、河流，也可（1）首先分析影像中容易跟居住房屋錯分的地物有：道路、森林、草地以及房屋旁邊的水泥地。點擊按鈕，新建一個類別，在右側Classproperties下修改好類別的相圖 規(guī)則分類面Spectral，BandNormalizedDifference。在第一步自定義波段中選擇的波段圖2.4NDVILinerTolerance5，如下圖圖 歸屬類別算法和閾值設RectangularfitRule上AddAttibuteTypeSpatialName水泥地反射率比較高，居住房屋反射率較低，所以我們可以設置波段的象元值。Type：spectral；Name：SpectralMean，Band：GREEN——SpectralMean(GREEN)<650。點擊圖 房屋提取規(guī)則與結果預rule.rul，圖 結果輸圖 房屋信息提取的矢量結果和屬性數(shù)據(jù)位置：“24-面向對象圖像分類\2-基于樣本”在Toolbox中找到該工具，雙擊打開流程化的面板，前面兩步和第法的前兩步完全況下）紅色和近紅外波段計算NDVICorlorSpaceRGBHIS空間。

圖 輸入數(shù)據(jù)選

圖 監(jiān)督分類界NameColor在分割圖上選擇一些樣本，為了方便樣本的選擇，可以在左側圖層管理中將RegionMeans圖層關閉掉，顯示原圖，選擇一定數(shù)量的樣本，如果錯選樣本，可以在這個樣注：點擊按鈕可以將真實數(shù)據(jù)的ShapeFile矢量文件作為訓練樣本

圖 選擇樣

圖 樣本屬性選Neighbor圖 分類方K鄰近法（KNearestK鄰近分類方法依據(jù)待分類數(shù)據(jù)與訓練區(qū)元素在N的得距離來對影像進行分類，N由分類時目標物屬性數(shù)目來確定。相對傳統(tǒng)的最鄰近方法，K近鄰法產(chǎn)生更小的敏感異經(jīng)驗值，不同的值生成的分類結果差別也會很大。K參數(shù)設置為多少依賴于數(shù)據(jù)組以及您選擇3-7之支持向量機（SupportVectorMachineKernelTypeLinear，Polynomial，RadialBasisSigmoid如果選擇Polynomial，設置一個多項式（DegreeofKernelPolynomial）的次數(shù)用于SVM，最小值是1，最大值是6。PolynomialorSigmoidKerneltheBias，默認值是1。 inKernel了樣本錯誤與分類剛性延伸之間的平衡，默認值是100。AllowUnclassified是允許有未分類這一個類別，將不滿足條件的斑塊分到該類，默認是允將不被分類，范圍是0~100，默認是5。和主成分分析法（Principal ysis這里我們選擇K鄰近法，K參數(shù)設置為5AllowUnclassified選項。圖 基于樣本選擇的農(nóng)用地提取結extractionworkflow”提