企业官网建设流程全解析

简介：面向对象分类是处理高分辨率遥感影像信息提取的主流技术之一，尤其适合解决“同物异谱、同谱异物”带来的光谱混淆问题。面向遥感影像分析初学者及ENVI软件使用者，文档系统梳理了从影像对象构建到特征提取的完整工作流。资源为单个Word文档，压缩包共1个文件，大小825KB，虽篇幅不大，但覆盖了多尺度分割、监督分类、基于规则分类等关键知识点。目前已有314人学习下载。文档以ENVI FX工具为操作主线，结合0.6米高分影像案例，逐步演示预处理、分割阈值调整、合并、属性计算、规则设置与分类输出；同时对比了传统基于光谱分类与面向对象分类的差异，有助于读者理解空间、纹理与光谱信息在影像分类中的综合应用，可直接用于课程学习、实验教学或日常遥感解译参考。

1. 面向对象分类：高分辨率影像信息提取的破局点

在高分辨率遥感影像里，“同物异谱、同谱异物”不是偶发现象，而是常态。一块屋顶可能因为光照角度、老化程度不同呈现完全不同的光谱值，而水泥地与某些建筑材料的波谱曲线几乎重合。传统基于像元的分类器只拿单个像元的光谱特征做判断，到了亚米级影像上，局部异质性被放大，椒盐噪声和错分率同步上升——这不是调参能解决的问题，是方法论层面的瓶颈。面向对象分类先把临近像元合并成有几何边界的“对象”，再基于对象的光谱、纹理、形状和上下文关系做判定，相当于把决策单元从“点”升级到“面”。本文以 ENVI 的 Feature Extraction（FX）模块为操作载体，梳理两套完整流程：基于规则的分类和基于样本的分类，重点拆解对象构建阶段的参数逻辑与分类阶段的属性组合策略，适合刚开始接触高分辨率影像信息提取、或者从基于像素方法转型的从业者。

2. 对象构建：分割与合并的参数逻辑

2.1 为什么先分割对象而不是直接分类

面向对象分类的第一步，是把影像切成有语义边界的图斑，这一步决定了后续分类精度的上限。FX 模块采用基于边缘的分割算法，通过检测相邻像元在亮度、纹理、颜色上的不连续性来定位边界，只需要一个尺度参数（Scale Level）就能控制分割粒度。尺度值调高，允许的异质性更大，分割出的图斑少而大；调低则图斑多而碎。在实际操作中，理想的尺度值应当让每个地物恰好被一个或少数几个图斑覆盖，既不过度分割导致同一屋顶碎成十几块，也不欠分割让道路和房屋粘连在一起。

分割完成后，FX 会生成一个 Region Means 图层，每个图斑内部填充该区域的平均光谱值，视觉上像“马赛克化”的影像。这个图层是分割效果的直观反馈，也是后续选样本、看规则响应时的重要参考层。一个常见的误区是直接从原图上判断分割效果，但原图的纹理细节会掩盖图斑边界是否贴合地物轮廓的真实情况，建议分割后先切换到 Region Means 图层检查。

2.2 分割与合并参数组合的实操建议

FX 提供两种分割算法，场景适配完全不同：

分割阈值和合并阈值需要联动调整。阈值设得太低，地物内部会出现大量碎片；太高则不同地物被粘连在一起。以文档中的 QB 0.6 米数据为例，分割阈值 40、合并阈值 90 的组合属于比较稳妥的起点，但不同影像的辐射特征差异很大，实际操作时应利用 Preview 窗口做多组对比。合并阶段有两个算法：Full Lambda Schedule 适合纹理复杂的大块区域（树林、云），它迭代合并光谱和空间信息相近的小斑块；Fast Lambda 则适用于颜色和边界大小相近的相邻段，计算更快。

# ENVI FX 批处理模式下，分割与合并参数的传入方式（IDL） ENVI_DOIT, 'ENVI_FX_DOIT', $ FID = fid, POS = pos, DIMS = dims, $ SCALE_LEVEL = 40.0, ; 分割阈值，控制图斑大小 MERGE_LEVEL = 90.0, ; 合并阈值，控制碎片归并程度 KERNEL_SIZE = 3, ; 纹理内核尺寸，3~19 SEGMENT_BANDS = pos, ; 参与分割的波段列表 VECTOR_FILENAME = 'output.shp'

代码里 SCALE_LEVEL 和 MERGE_LEVEL 是两个最敏感的参数。KERNEL_SIZE 作用于纹理属性计算，如果研究区地物纹理差异小、图斑面积大，可以适当增大到 5 或 7，但过大会模糊边界信息。SEGMENT_BANDS 默认使用全部波段，当某个波段噪声明显或与研究目标无关时，可以排除它来减少干扰。

2.3 精炼步骤与属性计算矩阵

分割合并之后，FX 还提供一个可选的 Thresholding 精炼步骤，对高对比度背景下的目标提取特别有效——例如明亮飞机停在灰色停机坪上。操作时选择对应的波段，调整阈值让目标区域被完整标记，精炼结果可以输出为掩膜，参与后续分类的权重计算。如果目标与背景对比度不高，这一步可以直接选择 No Thresholding 跳过。

属性计算阶段决定分类器能看到哪些信息。FX 默认计算四类属性：光谱（每个波段的最小值、最大值、均值、标准差）、空间（面积、周长、紧密度、矩形拟合度、延伸性等）、纹理（纹理范围、均值、方差、熵）和自定义属性（HSI 颜色空间、波段比值）。自定义属性里有两个高频选项：Color Space 选择 RGB 波段转换到 HSI 空间，三个通道分别代表色相、饱和度和亮度；Band Ratio 选择红和近红外波段计算 NDVI。对植被覆盖区的分类，NDVI 几乎必选，它可以干净利落地把植被从建筑和裸地中分离出来，大幅降低后续规则设计的复杂度。

3. 基于规则的分类：属性表达式的组合艺术

3.1 规则与属性表达式的逻辑关系

规则分类的核心思路，是用若干条属性阈值把目标地物从影像中“圈”出来。这里涉及两个层级的逻辑组合：同一个类别（Class）下的多条规则（Rule）之间是“与”的关系，而每条规则内部的属性表达式是“并”的关系。换句话说，多个规则必须全部满足，但同一条规则里的多个属性条件命中任意一个即可。这个设计意味着规则设计是有冗余空间的：对水体的描述，可以是“面积大于 500 像素”这条规则，也可以是“延长线小于 0.5 且 NDVI 小于 0.3”这条规则，两条规则任一命中即归为水体。

实际操作中最常踩的坑，是把规则的“与”逻辑理解成了“或”逻辑。比如同时设定 NDVI 小于 0.25 和面积大于 45 两条规则，结果是两个条件都必须满足才算命中，而不是满足其一即可。这在设计“剔除干扰地物”规则时尤其需要注意。

3.2 以居住房屋提取为例的规则构建流程

以 QB 影像中的居住房屋提取为例，先分析易错分的地物：道路（形状狭长、光谱偏亮）、植被（NDVI 高）、水泥地（反射率高）。针对这些干扰源逐条设计规则。

第一步，划分植被覆盖区和非覆盖区。在 Spectral 属性下选择 Normalized Difference 波段（前提是属性计算阶段勾选了红+近红外波段的 Band Ratio），设定 NDVI 小于 0.25 的阈值范围。通过勾选 Show Attribute Image 可以预览属性图像，辅助确定阈值。

规则1：NDVI < 0.25 规则2：Rectangular Fit 0.5 ~ 1.0（矩形拟合度，排除狭长道路） 规则3：Elongation < 3.0（延伸性，进一步排除线性地物） 规则4：Area > 45（面积下限，剔除小碎片） 规则5：Spectral Mean (GREEN) < 650（排除高反射水泥地）

第二步剔除道路干扰。居住房屋近似矩形，而道路是典型的狭长形状，因此使用空间属性里的 Rectangular Fit（矩形拟合度），取值范围 0.5 到 1.0，矩形越规整数值越接近 1。同时组合使用 Elongation 属性，它计算最大直径与最小直径的比值，正方形约等于 1，矩形大于 1，道路通常大于 3，所以设定小于 3 的条件。

第三步处理水泥地干扰。居住房屋屋顶反射率通常低于水泥地，选择绿色波段的 Spectral Mean，设定小于 650 的阈值。这一步的物理依据是：QB 影像中绿色波段对建筑材料的区分度较高，而且屋顶的几何阴影效应在绿色波段表现稳定。属性阈值确定后，在 Advanced 面板设置类别归属算法：二进制（Binary）只有 0 和 1 两个结果，完全匹配或不匹配；线性（Linear）和二次多项式（Polynomial）允许通过 Tolerance 参数设置模糊归属程度。Tolerance 值越大，接近阈值的图斑被归入该类别的概率越高。默认 5 的 Tolerance 在大多数场景够用，只有当地物光谱特征高度接近时才需要调大。

3.3 规则文件的复用与共享

规则设置完成后可以保存为 .rul 文件，下次处理同区域或同传感器数据时直接导入，不必重新调参。这在项目批量交付时非常实用——不同批次影像的辐射差异会带来阈值漂移，但以 .rul 文件为基准，只需微调 NDVI 和 Spectral Mean 阈值即可完成适配，比从头构建规则节省大量时间。规则文件的本质是 XML 格式的属性约束集，可以用文本编辑器打开查看和修改，但建议还是在 FX 界面里调整，避免格式错误导致无法导入。

4. 基于样本的分类：从人工经验到统计决策

4.1 样本选择的操作要点

基于样本的分类走的是监督分类路线，但和传统基于像元的监督分类有本质区别：传统方法对比的是像元光谱，FX 对比的是对象的多维属性——一个对象有几十个特征值，相当于把样本从“点”扩展成了“面”上的多维向量。样本选择的准确性直接决定分类结果。建议先在分割后的 Region Means 图层上浏览一遍图斑与地物的对应关系，再切回原图选样本，这样既能看清真实地物，又能确认图斑边界是否贴合。

选样本时每个类别控制在 15 到 30 个样本之间比较合理。样本太少，分类器学不到该类别的完整特征分布；太多则可能混入次类别（比如把深色屋顶混入阴影样本）。FX 支持把样本保存为 ShapeFile，下次处理同类数据可以直接加载，这是一个经常被忽略的高效功能。如果项目有实测矢量数据（如地面调查的房屋边界 shp），也可以直接作为训练样本导入。

4.2 属性选择与分类算法的匹配

样本选完后进入 Attributes Selection 面板，默认全选所有属性。属性数量不是越多越好：纹理属性在高分辨率影像上有区分力，但在分割质量差的时候会增加噪声；空间属性里的 MAINDIR（主方向）对道路等线性地物有效，对随机分布的房屋则贡献有限。当类别间的光谱差异主要靠 NDVI 区分时，保留 Spectral 和 Customized 相关属性即可，剔除纹理属性可以缩短训练时间并降低过拟合风险。

FX 提供三种分类算法，参数敏感性差别很大：

KNN 的 K 值是最常被忽略的参数。默认值 1 意味着只参考最近邻的 1 个样本，对噪声极其敏感。K 值调大到 5 左右，分类决策会参考 5 个邻近样本，抗噪能力显著提升，但过大（如超过 20）可能导致小类别被周围的大类别吞并。文档数据集的实操经验是把 K 设为 5，兼顾噪声抑制和边界保留。SVM 的核函数选择上，Linear 适合线性可分数据，Radial Basis（RBF）适合非线性分布，后者的 Gamma 参数默认取输入波段数的倒数，通常不需要修改；Penalty 默认值 100 控制样本错分与决策边界复杂度的平衡，当分类结果出现大量碎片时可以提高 Penalty，当模型过拟合（训练精度高、验证精度低）时降低它。

4.3 输出选项与结果评估

分类完成后进入输出环节，FX 支持矢量与栅格两种输出形式。矢量输出可附带对象属性表，每个图斑的面积、周长、各波段均值等指标都会写入属性字段，可以直接在 GIS 里做进一步的空间分析。栅格输出包括分类结果和规则图像，规则图像反映每个对象归入各类别的置信度，可以用来筛掉低置信度图斑。

# 输出矢量的属性表结构（示例字段） OBJECT_ID AREA LENGTH AVGBAND_1 AVGBAND_2 AVGBAND_3 CLASS_NAME 1 84.3 32.5 512.4 386.7 298.2 Building 2 17.8 18.9 201.5 245.3 118.6 Vegetation

这里 AREA 和 LENGTH 的单位与影像的 Map 单位一致，如果影像没有地理参考则默认以像素为单位。CLASS_NAME 字段的值与样本类别的命名保持一致，后续在 GIS 里做专题制图时可以直接用这个字段做符号化。

5. 批处理调用与实战技巧

FX 的完整处理流程做实一次之后，会发现在多景影像、多期数据的项目中效率瓶颈在重复劳动上。ENVI 提供了 ENVI_FX 批处理函数，可以在 IDL 里把整个流程脚本化。核心参数包括 SCALE_LEVEL、MERGE_LEVEL、KERNEL_SIZE、THRESHOLD_LOWER/UPPER（阈值提取的上下限）、RULESET_FILENAME（规则文件路径）和 VECTOR_FILENAME（矢量输出路径）。

; 批处理调用示例：多景影像使用同一套分割合并参数和规则文件 pro batch_fx files = ['scene1.dat', 'scene2.dat', 'scene3.dat'] for i = 0, n_elements(files)-1 do begin ENVI_OPEN_FILE, files[i], r_fid=fid ENVI_FILE_QUERY, fid, dims=dims, ns=ns, nl=nl pos = indgen(4) ; 假设使用 4 个波段 ENVI_DOIT, 'ENVI_FX_DOIT', $ fid=fid, pos=pos, dims=dims, $ scale_level=40.0, merge_level=90.0, kernel_size=3, $ ruleset_filename='house.rul', $ vector_filename='output_' + strtrim(i,2) + '.shp', $ /export_attributes, /export_raster endfor end

批处理脚本里几个容易被忽略的细节。一是 DIMS 参数必须显式传入，否则函数默认只处理当前显示范围，可能导致输出结果只有局部区域。二是 SEGMENT_BANDS 如果没有指定，默认使用全部波段，但某些波段参与分割反而会引入噪声，建议在 pos 里显式选定参与分割的波段。三是 RULESET_FILENAME 传入 .rul 文件后，规则里的阈值会直接生效，如果新影像的辐射特征与规则制定时的影像差异较大，需要先做直方图匹配预处理。

批处理之外，有一类实用小技巧值得分享：把 FX 分割得到的分割图斑与 GIS 里的道路中心线叠加，可以快速发现欠分割区域——如果某条道路被分割成几十段，说明合并阈值偏低，需要上调 MERGE_LEVEL。这类“分割质量检查”不需要跑完整分类流程，用 Segment Only Feature Extraction Workflow 单独输出分割矢量即可，检查通过后再进入正式分类。番外技巧：利用 HSI 颜色空间的 Saturation（饱和度）波段做水体提取，比单纯用 NDWI 更稳定——因为水体在不同传感器上的近红外响应差异较大，但可见光波段的饱和度特征相对一致。把 Saturation 属性加入规则后，分类器对水体边界的定位精度通常会有明显提升。

本文还有配套的精品资源，点击获取