面向对象图像分类
【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。
?空间滤波
如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理。
这里直接在ENVI中打开qb_colorado.dat图像文件。
第二步：发现对象
（1）启动Rule Based FX工具
在Toolbox中，选择/Feature Extraction/Rule Based Feature Extraction Workflow，打开工作流的面板，选择待分类的影像qb_colorado.dat，此外还有三个面板可切换：
?在Input Mask面板可输入掩膜文件
?在Ancillary Data面板可输入其他多源数据文件
?切换到Custom Bands面板，有两个自定义波段，包括归一化植被指数或者波段比值、HSI颜色空间，这些辅助波段可以提高图像分割的精度，如植被信息的提取等自定义的属性。
在Normalized Difference和Color Space属性上打钩，如下图所示，点击Next；
图2.1 输入数据和属性参数选择
（2）影像分割、合并
FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。
1）分割阈值（Scale Level）：选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过勾选preview预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。有两个图像分割算法供选择： Edge，基于边缘检测，需要结合合并算法可以达到最佳效果；
?Intensity: 基于亮度，这种算法非常适合于微小梯度变化（如DEM）、电磁场图像等，不需要合并算法即可达到较好的效果。
调整滑块阀值对影像进行分割，这里设定阈值为40。
注：按钮是用来选择分割波段的，默认为Base Image所有波段。
2）合并阈值（Merge Level）：影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。
合并算法也有两个供选择：
?Full Lambda Schedule，合并存在于大块、纹理性较强的区域，如树林、云等，该方法在结合光谱和空间信息的基础上迭代合并邻近的小
斑块；
?Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。设定一定阈值，预览效果。这里我们设置的阈值为90，点Next进入下一步。3）纹理内核的大小（Texture Kernal Size）：如果数据区域较大而纹理差异较小，可以把这个参数设置大一点。默认是3，最大是19。
图2.2 图像分割、合并
这时候FX生成一个Region Means 影像自动加载图层列表中，并在窗口中显示，它是分割后的结果，每一块被填充上该块影像的平均光谱值。接着进行下一步操作。目前，已经完成了发现对象的操作过程，接下来是特征的提取。
第三步：根据规则进行特征提取
在规则分类界面。每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。规则与规则之间是与的关系，属性表达式之间是并的关系。
同一类地物可以由不同规则来描述，比如水体，水体可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述规则就不一样，需要多条规则来描述。每条规则又有若干个属性来描述，如下是对水的一个描述：
?面积大于500像素
?延长线小于0.5
?NDVI小于0.25
对道路的描述：
?延长线大于0.9
?紧密度小于0.3
?标准差小于20
这里以提取居住房屋为例来说明规则分类的操作过程。
（1）首先分析影像中容易跟居住房屋错分的地物有：道路、森林、草地以
及房屋旁边的水泥地。点击按钮，新建一个类别，在右侧Class properties下修改好类别的相应属性。
图2.3 规则分类面板
1）第一条属性描述，划分植被覆盖和非覆盖区。
a）在默认的属性Spectral Mean上单击，激活属性，右边出现属性选择面板，如下图所示。选择Spectral，Band下面选择Normalized Difference。在第一步自定义波段中选择的波段是红色和近红外波段，所以在此计算的是NDVI。把Show Attribute Image勾上，可以看到计算的属性图像。
b）通过拖动滑条或者手动输入确定阈值，这里设置阈值最大为0.3。在阈值范围内的在预览窗口里显示为红色，如下图：
图2.4 设置NDVI的属性阈值
c）在Advanced面板，有三个类别归属的算法：算法有二进制、线性和二次多项式。选择二进制方法时，权重为0或者1，即完全不匹配和完全匹配两个选项；当选择线性和二次多项式时，可通过Tolerance设置匹配程度，值越大，其他分割块归属这一类的可能性就越大。这里选择类别归属算法为Liner，分类阈值Tolerance为默认的5，如下图
图2.5 归属类别算法和阈值设置
2）第二条属性描述，剔除道路干扰
居住房屋和道路的最大区别是房屋是近似矩形，可以设置Rectangular fit属性。在Rule上右键选择Add Attibute按钮，新建一个规则，在右侧Type中选择Spatial，在Name中选择Rectangular fit。设置值的范围是0.5~1，其他参数为默认值。注：预览窗口默认是该属性的结果，点击All Classes，可预览几个属性共同作用的结果。
同样的方法设置
Type：Spatial；Name：Area——Area>45
Type：Spatial；Name：Elongation——Elongation<3
3）第三条属性描述，剔除水泥地干扰
水泥地反射率比较高，居住房屋反射率较低，所以我们可以设置波段的象元值。Type：spectral；Name：Spectral Mean，Band：GREEN——Spectral Mean (GREEN)<650。
点击All Classes，最终的rule规则和预览图如下图所示。规则设置好后，点击Next；
图2.6 房屋提取规则与结果预览
注：单击按钮，打开"屋顶-rule.rul"，可以导入预先设置的规则。
第四步：输出结果
特征提取结果输出，可以选择以下结果输出：矢量结果及属性、分类图像及分割后的图像、还有高级输出包括属性图像和置信度图像、辅助数据包括规则图像及统计输出，如下图所示。
图2.7 结果输出
选择矢量文件及属性数据一块输出，规则图像及统计结果输出。点击Finish按钮完成输出。可以查看房屋信息提取的结果和矢量属性表。
图2.8 房屋信息提取的矢量结果和属性表
3.基于样本的面向对象的分类
该方法的工具为Toolbox /Feature Extraction/Example Based Feature Extraction Workflow。
数据位置："24-面向对象图像分类\ 2-基于样本"
在Toolbox中找到该工具，双击打开流程化的面板，前面两步和第一种方法的前两步完全一致，选择数据和发现对象，在此不一一赘述。
第一步：选择数据
（1）打开imperial_valley_subset.dat数据。
（2）启动Toolbox /Feature Extraction/Example Based Feature Extraction Workflow。
（3）在Input Raster选项中选择imperial_valley_subset.dat数据。
（4）切换到Custom Bands选项，勾选Normalized Difference，自动选择（在有中心波长的情况下）红色和近红外波段计算NDVI。勾选Corlor Space 用于RGB计算HIS空间。
（5）单击Next。
图3.1 输入数据选择
第二步：分割对象
（1）在Layer Manager图层管理中，在图像图层中右键选择Change RGB Bands，以432显示影像。
（2）在图像分割参数设置面板中，设置Scale Level= 50，Merge Level = 80，其他默认，
（3）单击Next。
第三步：基于样本的图像分类
经过图像分割和合并之后，进入到监督分类的界面，如下图所示：
图3.2 监督分类界面
（1）选择样本
a）对默认的一个类别，在右侧的Class Properties中，修改：
?类别名称（Class Name）：生长作物；
?类别颜色（Class Color）：绿色（0,255,0）
b）在分割图上选择一些样本，为了方便样本的选择，可以在左侧图层管理中将Region Means图层关闭掉，显示原图，选择一定数量的样本，如果错选样本，可以在这个样本上点击左键删除。
注：可以勾选Show Boundaries显示分割边界，方便样本选择。
c）一个类别的样本选择完成之后，新增类别，用同样的方法修改类别属性和选择样本。在选择样本的过程中，可以随时预览结果。可以把样本保存为shp 文件以备下次使用。
注：点击按钮可以将真实数据的ShapeFile矢量文件作为训练样本。
这里我们建立5个类别：生长作物、休耕地、早期或晚期作物、非耕地、水体，分别选择一定数量的样本，如下图所示。
图3.3 选择样本
（2）设置样本属性
切换到Attributes Selection选项。默认是所有的属性都被选择，这些选择样本的属性将被用于后面的监督分类。可以根据提取的实际地物特性选择一定的属性。这里按照默认全选。
图3.4 样本属性选择
（3）选择分类方法
切换到Algorithm选项。FX提供了三种分类方法：K邻近法（K Nearest Neighbor）、支持向量机（Support Vector Machine ，SVM）和主成分分析法（Principal Components Analysis ，PCA）。
图3.5 分类方法
?K邻近法（K Nearest Neighbor）
K邻近分类方法依据待分类数据与训练区元素在N维空间的欧几里得距离来对影像进行分类，N由分类时目标物属性数目来确定。相对传统的最邻近方法，K近邻法产生更小的敏感异常和噪声数据集，从而得到更准确地分类结果，它自己会确定像素最可能属于哪一类。
在K参数里键入一个整数，默认值是1，K参数是分类时要考虑的临近元素的数目，是一个经验值，不同的值生成的分类结果差别也会很大。K参数设置为多少依赖于数据组以及您选择的样本。值大一点能够降低分类噪声，但是可能会产生不正确的分类结果，一般值设到3-7之间就比较好。
?支持向量机（Support Vector Machine ，SVM）
支持向量机是一种来源统计学习理论的分类方法。选择这一项，需要定义一系列参数：
1.Kernel Type下拉列表里选项有Linear，Polynomial，Radial Basis，
以及Sigmoid。
?如果选择Polynomial，设置一个核心多项式（Degree of Kernel Polynomial）的次数用于SVM，最小值是1，最大值是6。
?如果选择Polynomial or Sigmoid，使用向量机规则需要为Kernel 指定the Bias ，默认值是1。
?如果选择是Polynomial、Radial Basis、Sigmoid，需要设置Gamma in Kernel Function参数。这个值是一个大于零的浮点
型数据。默认值是输入图像波段数的倒数。
b）为SVM规则指定the Penalty参数，这个值是一个大于零的浮点型数据。这个参数控制了样本错误与分类刚性延伸之间的平衡，默认值是100。
Allow Unclassified是允许有未分类这一个类别，将不满足条件的斑块分到该类，默认是允许有未分类的类别。
Threshold 为分类设置概率域值，如果一个像素计算得到所有的规则概率小于该值，该像素将不被分类，范围是0~100，默认是5。
?主成分分析法（Principal Components Analysis ，PCA）
主成分分析是比较在主成分空间的每个分割对象和样本，将得分最高的归为这一类。这里我们选择K邻近法，K参数设置为5，去掉Allow Unclassified选项。
点击Next，输出结果。
影像信息提取之——面向对象特征提取
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。
面向对象分类之图像分割
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为例
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。
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
遥感专题讲座——影像信息提取(四、面向对象特征提取)
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
面向对象影像分类(样本模式)
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：
遥感的面向对象分类法
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
监督分类和面向对象分类流程
监督分类和面向对象分类流程 高分一号城市绿地现状调查与分析实现教程将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。第一章数据预处理因为处理数据是高分一号影像，处理软件为，因为以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置，然后就可以打开高分影像了图二图三为了加快数据处理的速度，是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图：
图四辐射校正分为辐射定标和大气校正打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件；辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：高分一号多光谱影像参数设置高分一号全色影像参数设置大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
基于面向对象和规则的遥感影像分类研究
第31卷第4期2006年4月武汉大学学报?信息科学版 G eomatics and Information Science of Wuhan University Vol.31No.4Apr.2006 收稿日期:2006201215。 项目来源:R GC Grant 资助项目(CU H K.4251/03H );国家自然科学基金资助项目(40201036);测绘遥感信息工程国家重点实验室 开放研究基金资助项目(W KL (03)0102)。 文章编号:167128860(2006)0420316205文献标志码:A 基于面向对象和规则的遥感影像分类研究 陈云浩1,2 冯 通2 史培军1 王今飞3 (1 北京师范大学资源学院,北京市新街口外大街19号,100875) (2 香港中文大学地理与资源管理系,香港新界沙田)(3 加拿大西安大略大学地理系,加拿大,N6A 5C2) 摘 要:讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象,建立对象的层次结构,计算对象的光谱特征、几何特征、拓扑特征等,利用对象、特征形成分类规则,并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例,对该方法进行了验证。关键词:面向对象;多尺度分割;规则;分类中图法分类号:TP753;P237.4 面向像元的分类方法实际上是以像元为基本 单元,利用其光谱(颜色)信息进行信息的提取与归并。虽然许多数学方法如各种神经网络方法[1]、模糊分类[2]、改进的最大似然分类[3]等的引入提高了分类的精度,然而从根本上讲,基于像元的分类方法仍相当于图像理解过程的第一层次,即仅利用基本像元的特征进行识别,对于色调空间分布等较为复杂的关系没有考虑。自从IKO 2NOS 、Quickbrid 等高空间分辨率影像出现以来,传统的利用面向像元的影像分类技术就面临着许多挑战[4]。针对上述情况,许多考虑地物空间特征的遥感影像分类方法得以发展,如支持向量机[5]、上下文分类[6]、纹理分类[7]等。在分类过程中,考虑了地物的纹理、形状、尺寸等空间特征,以像元的空间特征辅助光谱信息,以提高分类精度。显然,此类方法应属于图像理解的第二层次。虽然利用纹理等信息可以辅助分类,然而在很多情况下,只有图像被分割为同质对象时,图像分析的结果才有意义[8,9]。本文正是利用了面向对象的分类思想,在对遥感影像进行多尺度分割的基础上,探讨面向对象分类策略、分类规则的建立方法。 1 面向对象分类原理 所谓面向对象方法,通过对影像的分割,使同质像元组成大小不同的对象。正是由于对象内部的光谱差异小,所以对任一对象可以忽略其纹理等空间信息,而从光谱和形状两方面刻画。利用对象的空间特征和光谱特征进行分类,可以有效地克服基于像元层次分类的不足[10]。面向对象的分类方法主要包括影像分割、对象层次结构、分类规则和信息提取。1.1 影像分割 多尺度影像分割从任一个像元开始,采用自下而上的区域合并方法形成对象。小的对象可以经过若干步骤合并成大的对象,每一对象大小的调整都必须确保合并后对象的异质性小于给定的阈值。因此,多尺度影像分割可以理解为一个局部优化过程,而异质性则是由对象的光谱(spec 2t ral )和形状(shape )差异确定的[11],形状的异质性则由其光滑度和紧凑度来衡量[11]。显然,设定了较大的分割尺度,则对应着较多的像元被合并,因而产生较大面积的对象。
面向对象图像分类
【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。
遥感影像分类实验报告
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
面向对象的高分辨率遥感影像分类
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
面向对象分类之图像分割资料
22,蹒跚：腿脚不灵便，走路缓慢摇摆的样子。 23.蓦地：突然。 24.拘谨：言行过于谨慎，拘束。 25,颀长：身材高。 26.孔武有力：勇武而有力量。 27.悉意：全心全意。 28.翩然：形容动作轻快。 29.孕育：用来比喻酝酿新事物。 30.销声匿迹：消失声音，藏起形迹。 31.俯首贴耳：形容非常驯服恭顺。 32.怠惰：懒惰。 33.情致：情趣兴致。 34.描摹：用语言文字表示人或事物的形象，情状和特 性。 35.孤寂：孤独寂寞。 36.少见多怪：由于见识少，遇见平常的事物都感到奇 怪。 37.涵养：蓄积并保持。 39.目不识丁：形容人不识字。 40.饱学之士：指学识丰富的人。 41 .委实：实在。 42.不胜枚举：例子很多，无法——列出。胜，能够承担或承受。 43.雅俗共赏：文化高的人和文化低的人都能欣赏。
44■无稽之谈：毫无根据的说法。稽，杳考。 45.可望而不可即：只能够望见而不可能接近。即，靠近，接触。 46.絮叨：翻来覆去地说。 47.撺掇：从旁鼓动别人做某事。 48.依稀：隐隐约约。 49.宛转悠扬：形容笛声的曲折飘荡，优美动听。 50.弥散：弥漫消散。 51.漂渺：隐隐约约，若有若无。 52.晦暗：昏暗，这里是迷惘，糊涂的意思。 54.叹为观止：赞美看到的事物好到了极点。 55.谐谑：滑稽而略带戏弄。 56.粗犷：豪爽，直率。 57.左右逢源：比喻做事情得心应手，怎样进行都很顺利。 58.丰赡：内容丰富。 第三册 1.锐不可当：不可抵挡。 2.业已：已经。 3.路漫漫其修远「兮，吾将上下而求索：修远，漫长。修。长。 4.座右铭：放在座位右边的用以自警的文字。 5.淳朴：朴实， 6.豁亮：宽敞明亮。
面向对象遥感影像分类以宝鸡市为例
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_______________________
面向对象影像分类
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：
遥感影像分类实验报告
遥感影像分类实验报告
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择
b、file->new projection ，打开Create Project和Import Image Layers两个对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
eCognition8.9面向对象分类详细步骤
基于Nearest Neighbor 的面向对象监督分类 1. 启动eCognition 8.9，选择Rule Set Mode ，Ok 。 2. 新建Project ：File →New project ，或者工具栏上的新建按钮。 在弹出的对话框中选择要添加的文件l8_rs_wgs84_sub.img ，点Ok ，可以看到它包含8个分辨率为30m 的图层，双击每个图层可以修改它的图层名，利于分辨。然后点图层窗口右边的Insert ，在弹出的对话框中选择l8_pan_rs_wgs84_sub.img 文件，Ok 后将Pan 波段添加进来。最后，点Thematic Layer Alias 窗口右边的Insert 按钮，选择2002 forest types UTM WGS84.shp 文件，Ok 后将森林类型专题图添加进来，双击该矢量层，将图层名修改为Foresttype ，最终效果如下图： D E N G _0316
Project Name 等按默认，点Ok ，回到主界面，图像按前3个波段RGB 显示，如下图： 为了更好的辨别地物类型，点击工具栏上的图层显示编辑按钮，在弹出的对话框中点击修改RGB 为NIR ，Green ，Blue 显示： D E N G _03 16
如果取消勾选左下角No layer weights ，还可以设置不同波段的比重，在调整不同波段的比重时，在数值上左击鼠标增加比重，右击鼠标减少比重，如下图： 点Ok 进行波段显示调整后的效果如下，然后保存这个Project 为l8_rs_wgs84_sub.dpr 。 D E N G _03 16