面向对象高分辨率遥感影像目标提取

在空间遥感技术空前发展、空间数据质量和获取能力大幅提升的背景下，如何准确地从遥感数据中提取目标成为亟待解决的问题。本文提出了基于面向对象技术的高分辨率遥感影像目标提取方法，从影像分割、对象知识库构建、对象特征计算三个方面对该方法进行了介绍和讨论，并以道路目标提取为例，对该方法的有效性进行了验证。实验结果显示，本文提出的方法可以有效提升高分辨率遥感影像目标提取的准确性。

近年来，伴随着卫星通信等信息化科学的快速进步，遥感影像技术凭借数据量大、信息量丰富的独有特点，得到了迅猛发展，在农业、地质、海洋、军事等多个领域都展现出其重要甚至关键作用[1]。与此同时，人们对于精准、高效地提取识别遥感影像地物目标的需求也越来越迫切。高分辨率遥感影像， 具有更丰富的信息量、更高的空间分辨率、更低的光谱分辨率，以及更加明显的结构和纹理信息，能够提供更为详细的地物目标特征，在为目标识别与提取带来机遇的同时，也带来了新的挑战[2] [3]。

遥感影像目标提取是指根据遥感影像数据，通过一系列的图像处理和分析方法，将目标物体从背景中提取出来。传统的遥感影像目标提取方法多是基于像素级的图像分割和分类算法，即通过影像的光谱特征分类， 对每个像素点进行独立的处理和判断。

然而， 由于高分辨率遥感影像受光照变化、噪声干扰、地表地物遮挡等影响，影像目标呈现出较大的复杂性和多样性，单纯的像素级处理普遍存在识别度低、鲁棒性差等问题，难以满足应用需求。因此，更加符合人类视觉系统习惯的面向对象分析方法应运而生[4] [5]，并成为当前遥感影像技术应用的重要发展方向。

面向对象遥感影像目标提取技术是一种基于影像分割技术的目标提取和分类方法，通过将像素组织成具有语义信息的图像单元，实现对遥感影像中目标的准确识别和提取。与传统像素级目标提取方法相比，像素级提取方法忽略了像素之间的空间和语义关系，而面向对象提取方法则是将一组相邻的像素组成一个对象，即图像单元，通过对对象的分析和分类，在对传统光谱信息进行分析的基础上，更好的保留了影像目标的空间结构、纹理形状及空间关系等信息， 更好的保留了较好的空间连续性和语义一致性， 从而大幅提升了遥感影像目标提取的精度和准确度。然而，面向对象遥感影像目标提取技术也存在一些挑战和问题。因此，开展面向对象高分辨率遥感影像目标提取研究，对于提高目标提取准确度，具有重要的理论和实用价值。

2. 面向对象遥感影像目标提取技术 面向对象遥感影像目标提取技术的关键步骤，主要包括遥感影像分割、对象特征计算和分类提取。

首先，利用图像分割算法对遥感影像进行分割，形成一系列相互独立且具有一定空间连续性和语义一致性的图形区域；然后，以分割区域作为基本单元，构建目标特征向量，进行颜色、形状、纹理、光谱等具有特征区分性的提取， 并与预先定义好的目标类别进行匹配；最后， 借助机器学习和模式识别等方法， 对目标特征向量进行分类，实现高分辨率遥感影像目标的自动提取和识别。这种面向对象的提取方法， 不仅可以提高目标提取的质量和效率，还可以较好地保留目标的空间连续性和形状特征，使得提取结果更加符合实际应用需求。该方法的基本运用流程主要包括影像分割、对象知识库构建、对象特征计算， 以及初始目标提取和结果优化等，如图1 所示。