影像信息提取之面向對象特征提取流程

1、“同物異譜，同譜異物”會對影像分類產生的影響，加上高分辨率影像的光譜信息不是很豐富，還有經常伴有光譜相互影響的現(xiàn)象，這對基于像素的分類方法提出了一種挑戰(zhàn)，面向對象的影像分類技術可以一定程度減少上述影響。本專題以ENVI中的面向對象的特征提取FX工具為例，對這種技術和處理流程做一個簡單的介紹。本專題包括以下內容：l 面向對象分類技術概述l ENVI FX簡介l ENVI FX操作說明1、面向對象分類技術概述面向對象分類技術集合臨近像元為對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數(shù)據(jù)的空間，紋理，和光譜信息來分割和分類的特點，以高精度的分類結果或者矢

2、量輸出。它主要分成兩部分過程：對象構建和對象的分類。影像對象構建主要用了影像分割技術，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法，這種方法綜合遙感圖像的光譜特征和形狀特征，計算圖像中每個波段的光譜異質性與形狀異質性的綜合特征值，然后根據(jù)各個波段所占的權重，計算圖像所有波段的加權值，當分割出對象或基元的光譜和形狀綜合加權值小于某個指定的閾值時，進行重復迭代運算，直到所有分割對象的綜合加權值大于指定閾值即完成圖像的多尺度分割操作。影像對象的分類，目前常用的方法是“監(jiān)督分類”和“基于規(guī)則（知識）分類”。這里的監(jiān)督分類和我們常說的

3、監(jiān)督分類是有區(qū)別的，它分類時和樣本的對比參數(shù)更多，不僅僅是光譜信息，還包括空間、紋理等對象屬性信息。基于規(guī)則（知識）分類也是根據(jù)影像對象的屬性和閾值來設定規(guī)則進行分類。表1為三大類分類方法的一個大概的對比。類型基本原理影像的最小單元適用數(shù)據(jù)源缺 陷傳統(tǒng)基于光譜的分類方法地物的光譜信息特征單個的影像像元中低分辨率多光譜和高光譜影像豐富的空間信息利用率幾乎為零基于專家知識決策樹根據(jù)光譜特征、空間關系和其他上下文關系歸類像元單個的影像像元多源數(shù)據(jù)知識獲取比較復雜面向對象的分類方法幾何信息、結構信息以及光譜信息一個個影像對象中高分辨率多光譜和全色影像速度比較慢表1 傳統(tǒng)基于光譜、基

4、于專家知識決策樹與基于面向對象的影像分類對比表2、ENVI FX簡介全名叫“面向對象空間特征提取模塊Feature Extraction”，基于影像空間以及影像光譜特征，即面向對象，從高分辨率全色或者多光譜數(shù)據(jù)中提取信息，該模塊可以提取各種特征地物如車輛、建筑、道路、橋、河流、湖泊以及田地等。該模塊可以在操作過程中隨時預覽影像分割效果。該項技術對于高光譜數(shù)據(jù)有很好的處理效果，對全色數(shù)據(jù)一樣適用。對于高分辨率全色數(shù)據(jù)，這種基于目標的提取方法能更好的提取各種具有特征類型的地物。一個目標物體是一個關于大小、光譜以及紋理（亮度、顏色等）的感興趣區(qū)域?？蓱糜冢簂  從影像中尤其是大

5、幅影像中查找和提取特征。l  添加新的矢量層到地理數(shù)據(jù)庫l  輸出用于分析的分類影像l  替代手工數(shù)字化過程具有易于操作（向導操作流程），隨時預覽效果和修改參數(shù)，保存參數(shù)易于下次使用和與同事共享，可以將不同數(shù)據(jù)源加入ENVI FX中（DEMs、LiDAR datasets、shapefiles、地面實測數(shù)據(jù)）以提高精度、交互式計算和評估輸出的特征要素、提供注記工具可以標識結果中感興趣的特征要素和對象等特點。3、ENVI FX操作說明ENVI FX的操作可分為兩個部分：發(fā)現(xiàn)對象（Find Object）和特征提?。‥xtract fea

6、tures），如圖1所示。 圖1 FX操作流程示意圖下面在ENVI5.0下的FX工具，以0.6米的QB圖像為例，介紹向對象信息提取的流程。下面我們。3.1 基于規(guī)則的面向對象信息提取該方法的工具為Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow第一步：準備工作根據(jù)數(shù)據(jù)源和特征提取類型等情況，可以有選擇地對數(shù)據(jù)做一些預處理工作。l  空間分辨率的調整   如果您的數(shù)據(jù)空間分辨率非常高，覆蓋范圍非常大，而提取的特征地物面積較大（如云、大片林地等

7、）。可以降低分辨率，提供精度和運算速度。可利用Toolbox/Raster Management/Resize Data工具實現(xiàn)。l  光譜分辨率的調整    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/Raster Management/Layer Stacking工具實現(xiàn)。l  多源數(shù)據(jù)組合    當您有其他輔助數(shù)據(jù)時候，可以將這些數(shù)據(jù)和待處理數(shù)據(jù)組合成新的多波段數(shù)據(jù)文件，這些輔助數(shù)據(jù)可以是DEM, lidar 影像, 和SA

8、R 影像。當計算對象屬性時候，會生成這些輔助數(shù)據(jù)的屬性信息，可以提高信息提取精度?？衫肨oolbox/Raster Management/Layer Stacking工具實現(xiàn)。l  空間濾波如果您的數(shù)據(jù)包含一些噪聲，可以選擇ENVI的濾波功能做一些預處理。這里直接在ENVI中打開qb_colorado.dat圖像文件。第二步：發(fā)現(xiàn)對象（1）        啟動Rule Based FX工具在Toolbox中，找到Feature Extraction，選擇/Feature Extrac

9、tion/Rule Based Feature Extraction Workflow，打開工作流的面板，選擇待分類的影像qb_colorado.dat，此外還有三個面板可切換：在Input Mask面板可輸入掩膜文件，在Ancillary Data面板可輸入其他多源數(shù)據(jù)文件，切換到Custom Bands面板，有兩個自定義波段，包括歸一化植被指數(shù)或者波段比值、HSI顏色空間，這些輔助波段可以提高圖像分割的精度，如植被信息的提取等自定義的屬性，在Normalized Difference和Color Space屬性上打鉤，如下圖所示，點擊Next； 圖2 輸入數(shù)據(jù)和屬性參數(shù)

10、選擇（2）        影像分割、合并FX根據(jù)臨近像素亮度、紋理、顏色等對影像進行分割，它使用了一種基于邊緣的分割算法，這種算法計算很快，并且只需一個輸入?yún)?shù)，就能產生多尺度分割結果。通過不同尺度上邊界的差異控制，從而產生從細到粗的多尺度分割。選擇高尺度影像分割將會分出很少的圖斑，選擇一個低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度決定了分類效果的精確度，我們可以通過preview預覽分割效果，選擇一個理想的分割閥值，盡可能好地分割出邊緣特征。有兩個圖像分割算法供選擇：l  Ed

11、ge， 基于邊緣檢測，需要結合合并算法可以達到最佳效果；l  Intensity: 基于亮度，這種算法非常適合于微小梯度變化（如DEM）、電磁場圖像等，不需要合并算法即可達到較好的效果。調整滑塊閥值對影像進行分割，這里設定閾值為40。注：按鈕是用來選擇分割波段的，默認為Base Image所有波段。影像分割時，由于閾值過低，一些特征會被錯分，一個特征也有可能被分成很多部分。我們可以通過合并來解決這些問題。合并算法也有兩個供選擇：l  Full Lambda Schedule，合并存在于大塊、紋理性較強的區(qū)域，如樹林、云等，該方法在結合

12、光譜和空間信息的基礎上迭代合并鄰近的小斑塊；l  Fast Lambda: 合并具有類似的顏色和邊界大小相鄰節(jié)段。設定一定閾值，預覽效果。這里我們設置的閾值為90，點Next進入下一步。Texture Kernal Size：紋理內核的大小，如果數(shù)據(jù)區(qū)域較大而紋理差異較小，可以把這個參數(shù)設置大一點。默認是3，最大是19。注：這一步是可選項，如果不需要可以按照默認的0直接跳過。 圖3 圖像分割、合并這時候FX生成一個Region Means 影像自動加載圖層列表中，并在窗口中顯示，它是分割后的結果，每一塊被填充上該塊影像的平均光譜值。接

13、著進行下一步操作。目前，已經完成了發(fā)現(xiàn)對象的操作過程，接下來是特征的提取。第三步：根據(jù)規(guī)則進行特征提取在規(guī)則分類界面。每一個分類有若干個規(guī)則（Rule）組成，每一個規(guī)則有若干個屬性表達式來描述。規(guī)則與規(guī)則之間是與的關系，屬性表達式之間是并的關系。同一類地物可以由不同規(guī)則來描述，比如水體，水體可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述規(guī)則就不一樣，需要多條規(guī)則來描述。每條規(guī)則又有若干個屬性來描述，如下是對水的一個描述：l  面積大于500像素l  延長線小于0.5l  NDVI小于0.25對道路的描述：l &#

14、160;延長線大于0.9l  緊密度小于0.3l  標準差小于20這里以提取居住房屋為例來說明規(guī)則分類的操作過程。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Class properties下修改好類別的相應屬性。 圖4 規(guī)則分類面板1)        第一條屬性描述，劃分植被覆蓋和非覆蓋區(qū)。在默認的屬性Spectral Mean上單擊，激活屬性，右邊出現(xiàn)屬性選擇面板，如圖所示。選擇Spec

15、tral，Band下面選擇Normalized Difference。在第一步自定義波段中選擇的波段是紅色和近紅外波段，所以在此計算的是NDVI。把Show Attribute Image勾上，可以看到計算的屬性圖像。通過拖動滑條或者手動輸入確定閾值。在閾值范圍內的在預覽窗口里顯示為紅色，在Advanced面板，有三個類別歸屬的算法：算法有二進制、線性和二次多項式。選擇二進制方法時，權重為0或者1，即完全不匹配和完全匹配兩個選項；當選擇線性和二次多項式時，可通過Tolerance設置匹配程度，值越大，其他分割塊歸屬這一類的可能性就越大。這里選擇類別歸屬算法為Liner，分類閾值Toleranc

16、e為默認的5，如下圖 圖5 對象屬性面板 圖6 歸屬類別算法和閾值設置2)        第二條屬性描述，剔除道路干擾居住房屋和道路的最大區(qū)別是房屋是近似矩形，我們可以設置Rectangular fit屬性。在Rule上右鍵選擇Add Attibute按鈕，新建一個規(guī)則，在右側Type中選擇Spatial，在Name中選擇Rectangular fit。設置值的范圍是0.51，其他參數(shù)為默認值。注：預覽窗口默認是該屬性的結果，點擊All Classes，可預覽幾個屬性共同作用

17、的結果。同樣的方法設置Type：Spatial；Name：AreaArea>45Type：Spatial；Name：ElongationElongation<33)        第三條屬性描述，剔除水泥地干擾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：Spectral Mean，Band：GREENSpectral Mean (GREEN)<650。點擊All Classes，最終的rule規(guī)則和預覽圖如下圖所示。注：單擊按鈕，打開

18、“房屋.rul”,可以導入預先設置的規(guī)則。圖7 房屋提取規(guī)則與結果第四步：輸出結果    特征提取結果輸出，可以選擇以下結果輸出：矢量結果及屬性、分類圖像及分割后的圖像、還有高級輸出包括屬性圖像和置信度圖像、輔助數(shù)據(jù)包括規(guī)則圖像及統(tǒng)計輸出，如下圖所示。 圖8 輸出結果     這里我們選擇矢量文件及屬性數(shù)據(jù)一塊輸出，規(guī)則圖像及統(tǒng)計結果輸出。點擊Finish按鈕完成輸出?？梢圆榭捶课菪畔⑻崛〉慕Y果和矢量屬性表圖9房屋信息提取的矢量結果和屬性表類似的思路可以提取道路、林地、草地等

19、分類，這里就不一一例舉。3.2 基于樣本的面向對象的分類該方法的工具為Toolbox /Feature Extraction/Example Based Feature Extraction Workflow。在Toolbox中找打該工具，雙擊打開流程化的面板，前面兩步和第一種方法的前兩步完全一致，選擇數(shù)據(jù)和發(fā)現(xiàn)對象，在此不一一贅述。我們直接看特征提取這部分：基于樣本的圖像分類。第三步：基于樣本的圖像分類經過圖像分割和合并之后，進入到監(jiān)督分類的界面，如下圖所示： 圖10 監(jiān)督分類界面1)      

20、60; 選擇樣本對默認的一個類別，在右側的Class Properties中，修改顯示顏色、名稱等信息。 圖11 修改類別屬性信息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Region Means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，可以在這個樣本上點擊左鍵刪除。一個類別的樣本選擇完成之后，新增類別，用同樣的方法修改類別屬性和選擇樣本。在選擇樣本的過程中，可以隨時預覽結果。可以把樣本保存為shp文件以備下次使用。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。這里我們建立5個類別：道路、房屋、草地、林地、水

21、泥地，分別選擇一定數(shù)量的樣本，如下圖所示。圖12 選擇樣本2)        設置樣本屬性   切換到Attributes Selection選項。默認是所有的屬性都被選擇，這些選擇樣本的屬性將被用于后面的監(jiān)督分類。可以根據(jù)提取的實際地物特性選擇一定的屬性。這里按照默認全選。圖13 樣本屬性選擇3)        選擇分類方法切換到Algorithm選項。FX提供了三種分類方法：K鄰近法

22、（K Nearest Neighbor）、支持向量機（Support Vector Machine ，SVM）和主成分分析法（Principal Components Analysis ，PCA）。圖14 分類方法K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維空間的歐幾里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近鄰法產生更小的敏感異常和噪聲數(shù)據(jù)集，從而得到更準確地分類結果，它自己會確定像素最可能屬于哪一類。在K參數(shù)里鍵入一個整數(shù)，默認值是1，K參數(shù)是分類時要考慮的臨近元素的數(shù)目，是一個經驗值，不同的值生成的分類結果差別也會很

23、大。K參數(shù)設置為多少依賴于數(shù)據(jù)組以及您選擇的樣本。值大一點能夠降低分類噪聲，但是可能會產生不正確的分類結果，一般值設到3-7之間就比較好。支持向量機是一種來源統(tǒng)計學習理論的分類方法。選擇這一項，需要定義一系列參數(shù)：a)Kernel Type下拉列表里選項有 Linear，Polynomial，Radial Basis，以及 Sigmoid。n  如果選擇Polynomial，設置一個核心多項式（Degree of Kernel Polynomial）的次數(shù)用于SVM，最小值是1，最大值是6。n  如果選擇Polynomial or S

24、igmoid，使用向量機規(guī)則需要為Kernel指定 the Bias ，默認值是1。n  如果選擇是 Polynomial、Radial Basis、Sigmoid，需要設置Gamma in Kernel Function參數(shù)。這個值是一個大于零的浮點型數(shù)據(jù)。默認值是輸入圖像波段數(shù)的倒數(shù)。b）為SVM規(guī)則指定the Penalty參數(shù)，這個值是一個大于零的浮點型數(shù)據(jù)。這個參數(shù)控制了樣本錯誤與分類剛性延伸之間的平衡， 默認值是100。Allow Unclassified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，默認是允許有未

25、分類的類別。Threshold 為分類設置概率域值，如果一個像素計算得到所有的規(guī)則概率小于該值，該像素將不被分類，范圍是0100，默認是5。    主成分分析是比較在主成分空間的每個分割對象和樣本，將得分最高的歸為這一類。這里我們選擇K鄰近法，K參數(shù)設置為5，點擊Next，輸出結果。最終結果的輸出方法和基于規(guī)則的一樣。3.3 直接輸出矢量該方法的工具為Toolbox/Feature Extraction/Segment Only Feature Extraction Workflow。操作方法參考前面的第一和第二步驟，第三步直接選擇路

26、徑輸出分割柵格結果和矢量結果。從以上的實際操作可以看到，ENVI FX擴展模塊操作具有易于操作（向導操作流程），隨時預覽效果和修改參數(shù)。4、小結    基于像元的分類方法，依據(jù)主要是利用像元的光譜特征，大多應用在中低分辨率遙感圖像。而高分辨率遙感圖像的細節(jié)信息豐富，圖像的局部異質性大，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質性大的影響和干擾。而面向對象分類方法可以高分辨率圖像豐富的光譜、形狀、結構、紋理、相關布局以及圖像中地物之間的上下文信息，可以結合專家知識進行分類，可以顯著提高分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對

27、高分辨率影像來說，還是一種非常有效的信息提取方法，具有很好的應用前景。5、ENVI FX操作說明（補充）ENVI FX的操作可分為兩個部分：發(fā)現(xiàn)對象（Find Object）和特征提?。‥xtract features）。3.1 準備工作根據(jù)數(shù)據(jù)源和特征提取類型等情況，可以有選擇的對數(shù)據(jù)做一些預處理工作。l空間分辨率的調整如果您的數(shù)據(jù)空間分辨率非常高，覆蓋范圍非常大，而提取的特征地物面積較大（如云、大片林地等）?？梢越档头直媛?，提供精度和運算速度?？衫肊NVI主界面->Basic Tool->Resize Data工具實現(xiàn)。l光譜分辨率的調整如果您處理的是高光譜數(shù)據(jù)，可以將不用的

28、波段除去?？衫肊NVI主界面->Basic Tool->layer stacking工具實現(xiàn)。l多源數(shù)據(jù)組合當您有其他輔助數(shù)據(jù)時候，可以將這些數(shù)據(jù)和待處理數(shù)據(jù)組合成新的多波段數(shù)據(jù)文件，這些輔助數(shù)據(jù)可以是DEM, lidar 影像, 和SAR 影像。當計算對象屬性時候，會生成這些輔助數(shù)據(jù)的屬性信息，可以提高信息提取精度?？衫肊NVI主界面->Basic Tool->layer stacking工具實現(xiàn)。l空間濾波如果您的數(shù)據(jù)包含一些噪聲，可以選擇ENVI的濾波功能做一些預處理。3.2 發(fā)現(xiàn)對象(一)打開數(shù)據(jù)在ENVI Zoom中打開Processing > Fe

29、ature Extraction。如圖2所示，Base Image 必須要選擇，輔助數(shù)據(jù)（Ancillary Data）和掩膜文件（Mask File）是可選。這里選擇ENVI自帶數(shù)據(jù)envidatafeature_extraction qb_colorado,它是0.6米的快鳥數(shù)據(jù)。(二)影像分割FX根據(jù)臨近像素亮度、紋理、顏色等對影像進行分割，它使用了一種基于邊緣的分割算法，這種算法計算很快，并且只需一個輸入?yún)?shù)，就能產生多尺度分割結果。通過不同尺度上邊界的差異控制，從而產生從細到粗的多尺度分割。選擇高尺度影像分割將會分出很少的圖斑，選擇一個低尺度影像分割將會分割出更多的圖斑，分割效果的好

30、壞一定程度決定了分類效果的精確度，我們可以通過預覽分割效果，選擇一個理想的分割閥值，盡可能好地分割出邊緣特征。調整滑塊閥值對影像進行分割，這里設定閾值為30，點擊Next按鈕，這時候FX生成一個Region Means 影像自動加載圖層列表中，并在窗口中顯示，它是分割后的結果，每一塊被填充上該塊影像的平均光譜值。接著進行下一步操作。注：按鈕是用來選擇分割波段的，默認為Base Image所有波段。(三)合并分塊影像分割時，由于閾值過低，一些特征會被錯分，一個特征也有可能被分成很多部分。我們可以通過合并來解決這些問題。FX利用了 Full Lambda-Schedule算法。這一步是可選項，如果

31、不需要可以直接跳過。設定一定閾值，預覽效果。這里我們設置的閾值為95，點Next進入下一步。(四)分塊精煉FX提供了一種閾值法（Thresholding）進一步精煉分塊的方法。對于具有高對比度背景的特征非常有效（例如，明亮的飛機對黑暗的停機坪）?？梢詫⒕珶捊Y果生成掩膜圖層（Mask），按鈕可以修改基于哪個波段。這里我們就直接選擇No Thresholding（default），點擊Next進入下一步操作。(五)計算對象屬性計算4個類別的屬性：光譜、空間、紋理、自定義（顏色空間和波段比）。其中“顏色空間”選擇三個RGB波段轉換為HSI顏色空間，“波段比”選擇兩個波段用于計算波段比（常用紅色和近紅

32、外波段）。各個屬性的詳細描述參考ENVI/IDL提供的Feature_Extraction_Module.pdf文檔。這里我們按照默認全選擇，Color Space 選擇RGB，Band Ratio選擇紅色和近紅外波段，點擊Next按鈕進行下一步操作。目前，已經完成了發(fā)現(xiàn)對象的操作過程，接下來是特征的提取。3.3 特征提取如圖7所示，有三種特征提取方法供選擇，分別是監(jiān)督分類、規(guī)則分類和直接矢量輸出。(一)輸出矢量選擇Export Vectors，進入圖8界面，選擇保存路徑，屬性信息也可選擇輸出輸出完成會出來一個報表。不關閉FX浮動面板，在ENVI Zoom中將得到的矢量特征加載顯示。點擊Pre

33、vious按鈕，回到圖7界面。(二)監(jiān)督分類在圖7界面中選擇Classify by selection examples，下一步到如圖8所示界面。1)選擇樣本在ENVI Zoom中，切換到Select方式，雙擊Feature_1，打開一個類別的屬性，如圖10所示，修改顯示顏色、名稱等信息。在分割圖上選擇一些樣本，為了方便樣本的選擇，可以在ENVI Zoom的圖層管理中將原圖移到最上層，選擇一定數(shù)量的樣本，如果錯選樣本，可以在這個樣本上點擊左鍵刪除。一個類別的樣本選擇完成之后，新增類別，用同樣的方法修改類別屬性和選擇樣本。在選擇樣本的過程中，可以隨時預覽結果。可以把樣本保存為xml文件以備下次使

34、用。2)設置樣本屬性在圖9中，切換到Attributes選項。默認是所有的屬性都被選擇，可以根據(jù)提取的實際地物特性選擇一定的屬性。這里我們按照默認全部選擇。3)選擇分類方法在圖9中，切換到Algorithm選項。FX提供了兩種分類方法：K鄰近法（K Nearest Neighbor）和支持向量機（Support Vector Machine ，SVM），如圖12所示。這里我們選擇K鄰近法，K參數(shù)設置為5，點擊下一步，輸出結果。4)輸出結果特征提取結果可以以兩種格式輸出，矢量和圖像，如圖12所示。矢量可以是所有分類以單個文件輸出或者每一個類別分別輸出；圖像可以把分類結果和規(guī)則結果分布輸出。這里我

35、們選擇單個文件以及屬性數(shù)據(jù)一塊輸出，分類圖像和規(guī)則圖像一塊輸出。點擊Next按鈕完成輸出，同時可以看到整個操作的參數(shù)和結果統(tǒng)計報表。(三)規(guī)則分類在圖7界面中選擇Classify by creating rules，點擊Next，到圖15規(guī)則分類界面。每一個分類有若干個規(guī)則（Rule）組成，每一個規(guī)則有若干個屬性表達式來描述。規(guī)則與規(guī)則直接是與的關系，屬性表達式之間是并的關系。同一類地物可以由不同規(guī)則來描述，比如水體，水體可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述規(guī)則就不一樣，需要多條規(guī)則來描述。每條規(guī)則又有若干個屬性來描述，如下是對水的一個描述：l面積大于500像素l延長線小

36、于0.5lNDVI小于0.3對道路的描述：l延長線大于0.9l緊密度小于0.3l標準差小于20這里以提取居住房屋為例來說明規(guī)則分類的操作過程。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。雙擊Feature_1圖標，修改好類別的相應屬性。1)第一條屬性描述，劃分植被覆蓋和非覆蓋區(qū)雙擊rule，打開對象屬性選擇面板，如圖16所示。選擇Customized->bandratio。FX會根據(jù)選擇的波段情況技術波段比值，比如這里在屬性計算步驟中選擇的Ratio Band是紅色和近紅外波段，所以此時計算的是NDVI。把ShowAttribute Image勾上，可

37、以看到計算的結果，通過ENVI Zoom工具查看各個分割塊對應的值。點擊Next按鈕，或者雙擊bandratio，進入bandratio屬性設置對話框.通過拖動滑條或者手動輸入確定閾值。Fuzzy Tolerance是設置模糊分類閾值，值越大，其他分割塊歸屬這一類的可能性就越大。歸類函數(shù)有線性和S-type兩種。這里設置模糊分類閾值為默認的5，歸屬類別為S-type，值的范圍為00.3，勾選Show Rule Confidence Image可以預覽規(guī)則圖像。點擊Ok完成此條屬性描述。2)第二條屬性描述，去除道路影響居住房屋和道路的最大區(qū)別是房屋是近似矩形，我們可以設置Rect_fit屬性。點

38、擊按鈕或者雙擊rule，選擇Spatial->rect_fit。設置值的范圍是0.51，其他參數(shù)為默認值。同樣的方法設置Spatial->Area: Fuzzy Tolerance=0, 90<Area<1100Spatial->elongation(延長): elongation<33)第三條屬性描述，去除水泥地影響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。Spectral->avgband_2: avgband_2<50。類似的思路可以提取道路、林地、草地等分類，這里就不一一例舉。最終結果的輸出方式和監(jiān)督分類一樣。

39、3.4 批處理操作ENVI提供了ENVI_FX 函數(shù)，具體語法如下：ENVI_DOIT, ENVI_FX_DOIT , A_FID=array , A_POS=array , BR_BANDS=array, CENTERLINE_OPTIONS=array , CONF_THRESHOLD=floating point , CS_BANDS=array, DIMS=array, FID=file ID , /EXPORT_ATTRIBUTES , /EXPORT_RASTER , /INVERSE_MASK, KERNEL_SIZE=long integer , M_FID=file ID ,

40、 MERGE_LEVEL=floating point, POS=array, R_FID=variable , RASTER_FILENAME=string or string array , /RAW_ATTRIBUTES, RAW_FILENAME=string , REFINE_BAND=integer , /REFINE_INVERSE , /REFINE_MASK, RULESET_FILENAME=string, SCALE_LEVEL=floating point , SEGMENT_BANDS=array, SMOOTHING_THRESHOLD=floating point , TD_FILENAME=string, THRESHOLD_LOWER=floating point , THRESHOLD_UPPER=floating point, VECTOR_FILENAME=string , VECTOR