面向对象遥感影像检索，面向对象的影像分析方法

面向遥感图像分类基于注意力机制,你有哪些了解算法?

改进过的平行管道方法基于每个图像波段内两类之间累积百分比直方图的最大差值自动分离已知目标类，这种分离值和图像波段都是自动选择的。他利用改进过的平行管道分类对TM遥感数据进行了森林覆盖分类，结果取得了较好的效果，提高了分类的精度。

计算机图像分类方法，常见的有两种，即监督分类和非监督分类。监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。

比较常用的就是多尺度分割算法；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”。

其算法描述可见于一般的统计模式识别文献中。 一般通过简单的聚类方法得到的分类结果精度较低，因此很少单独使用聚类方法进行遥感数据专题分类。

相关问答

Q1: 面向对象的遥感影像分类方法有哪些

在高分辨率遥感影像上，利用植物的光谱来区分植被类型，可比较直接的确定乔木、灌木、草地等类型。根据热红外影像解译标志，白天林地呈暗灰至灰黑色，晚上呈浅灰色调，草地在夜晚呈黑色调或暗灰色调。

非监督分类最常用的统计方法是聚类分析，聚类分析是按照像元之间的相似程度来进行的一种多元统计分析方法。监督分类的缺点在于会有大量的像元没有分类。

目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。

常用的遥感数据的专题分类方法有多种，从分类判别决策方法的角度可以分为统计分类器、神经网络分类器、专家系统分类器等；从是否需要训练数据方面，又可以分为监督分类器和非监督分类器。

其采用一种基于遥感影像的多尺度分割方法，可以生成任意尺度的、属性信息相似的影像多边形 ( 对象) ，运用模糊数学方法获得每个对象的属性信息，以影像对象为信息提取的基本单元，实现分类和信息提取。

到目前为止，面向对象的方法是一种比较理想的方法，可以建立一个与现实世界相匹配的地面模型。面向对象的处理方法中最重要的部分是图像分割。随着地球观测任务的逐步细化，高分辨率的遥感卫星图像得到了越来越广泛的应用。

Q2: 面向对象分类方法的优势

) 面向对象的遥感影像分类方法能够充分表达对象之间的语义信息，是促进遥感影像分类方法向着更高层次发展的有力工具和坚实基础。

优点：易维护 采用面向对象思想设计的结构，可读性高，由于继承的存在，即使改变需求，那么维护也只是在局部模块，所以维护起来是非常方便和较低成本的。

多态性允许每个对象以适合自身的方式去响应共同的消息。多态性增强了软件的灵活性和重用性。

Q3: 面向对象遥感图像分类与基于像素遥感图像分类相比有什么区别

协方差作为描述X和Y相关程度的量，在同一物理量纲之下有一定的作用，但同样的两个量采用不同的量纲使它们的协方差在数值上表现出很大的差异。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板。

这个问题比较大，写本书都没什么问题。我简单讲吧，就是分类的尺度不同。面向对象是基于设定的地物单元分类，考虑多种因素的综合关系，像素一般仅仅针对像素本身的灰度值分类。

面向对象的遥感高空间分辨率影像空间信息更加丰富，地物目标细节信息表达的更加清楚。

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。

与传统的基于像元的分类方法相比，面向对象的遥感影像分类方法具有以下优势：1) 能够较好地解决噪声问题。

关于面向对象遥感影像检索和面向对象的影像分析方法的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。