思考对象，而不是像素¶

如果你只需点击一个按钮就可以数字化图像中的所有功能，那将是多么不可思议的事情？

除此之外，您还可以通过单击按钮对每个功能进行分类？

听起来像魔术吗？ 但是，这两个过程是在**基于对象的图像分析（OBIA）**中执行的分割和分类。

让我们检查一下它是什么，以及如何使用它来更有效和准确地完成工作。

细分是分类的关键¶

人类视觉感知几乎总是优于计算机视觉算法。

例如，当你的眼睛看到一条河流时，你就知道它是什么。但电脑无法识别湖泊中的河流。

…还是可以？

基于传统像素 image classification 为每个像素指定一个土地覆盖类别。所有像素的大小、形状都相同，没有任何相邻像素的概念。

然而，obia将一个小像素的图像分割成矢量对象。分割不是以每像素为基础，而是自动为您数字化图像。

基于对象的图像分析（OBIA）分割是一个将相似像素分组为对象的过程。

分割的作用是复制你的眼睛在做什么。

但是有了这些分割的物体，你就可以利用它的光谱、几何和空间特性来划分土地覆盖。

OBIA分类使用物体的形状、大小和光谱特性对每一个物体进行分类。

否则，当你使用传统的图像分类技术时，你经常会在分类结果中看到一种“盐和胡椒”的外观。

综上所述，OBIA的两个基本原则是：

分解 ：将图像分解为表示陆基特征的对象。

分类 ：使用这些对象的形状、大小、空间和光谱特性对其进行分类。

让我们深入研究这两个概念。

通过分段生成有意义的对象¶

分割图像时，该过程将像素分组以形成对象。突然，土地覆盖特征开始出现，类似于你的眼睛如何处理周围环境。

对于这张50厘米分辨率的图像， 多分辨率分割 算法分解图像 ECognition Definiens Developer。根据您的紧凑性和形状设置，这是obia的初步步骤。

你希望这些物体有多大？有一个比例参数，您可以估计它来生成更有意义的对象。

此外，还可以为要分段的所有层配置权重。这意味着您不仅需要按红色、绿色或蓝色分割，还可以分割DEM、DSM、NIR甚至激光雷达强度。

基于定制图像对象融合的可裁剪识别多分辨率分割

同样， segment mean shift ARCGIS是一种基于对象的图像分析的替代方法。然而，你没有像Trimble Ecognition那样多的选择。

例如，在运行进程时，不能设置多个层的权重。你能做的就是设置光谱和空间细节，以及最小的像素尺寸。有了一点痕迹和错误，我们使用栅格计算器设置自定义权重，使用一个NDSM和红色带作为输入。

基于分段平均移位算法的ARCGIS分割

划分土地覆盖特征¶

分割图像之后，是时候对每个对象进行分类了。现在可以进行分类了，因为每个对象都有与其相关联的统计信息。例如，您可以根据几何图形、面积、颜色、形状、纹理、相邻等对对象进行分类。

当选择在Arcgis中受到限制时，这就是真正的力量在于Trimble Ecognition。在这个例子中，似乎有无数的统计数据来对建筑物进行分类。但是哪个统计数据是正确的呢？

obia中的每个对象都有相关的统计信息。右边是所选建筑的图像对象信息，包括其形状、大小和光谱特征。

不可否认，没有**最好**使用OBIA对土地覆盖特征进行分类的方法。然而，分析人员经常使用这些统计数据来使用OBIA对土地覆盖进行分类：

WATER 扁平（低NDSM），聚集成凹陷（高TWI或低TPI），具有低温（热红外-TIRS）和高近红外吸收（负 NDVI ）

TREES 具有不同的高度（高NDSM标准偏差）和高近红外反射（高NDVI）。

BUILDINGS 通常为矩形（高矩形拟合），高（高NDSM）和高坡度。

GRASS 较短（低ndsm），平坦（低ndsm标准差），近红外反射率中等（中等ndvi）。

ROADS 反射大量的光（高RGB），它们是平的（低NDSM），具有高的光强度，并且具有低或负的NDVI。

识别最终分类结果

您可以设置规则集，这是一组预定义的步骤，用于对对象进行分段和分类。与ArcGIS中的模型生成器类似，它会逐步执行每个过程，直到完成。

或者，Trimble Ecognition具有 nearest neighbor classification 根据定义的样本添加和分类。

更清晰的图像=更高级的图像分类¶

1972年，陆地卫星1号引发了我们如何监测地球的革命。随着美国政府放松对高分辨率的监管 satellite data 更清晰的图像的上升趋势是非常显著的。

它不仅是像WorldView或Planet Labs这样的卫星，而且是 LiDAR 无人驾驶飞机也在健康上升。我们对图像的分类方式已经从无人监督发展到了更复杂的**基于对象的图像分类**。

当一个像素包含多个建筑物时， Landsat-1 场景中，不需要做基于对象的图像分析。然而，新一代的高分辨率数据需要基于对象的图像分析。

例如，一个陆地卫星1号的场景无法从公园的建筑物之间辨认出来。在这种情况下， unsupervised and supervised classification 就够了。但现在，您可以使用obia对高分辨率数据进行细分和分类，以获得更有意义的土地覆盖。这是遥感界的趋势。

否则，传统的图像分类技术会给出不需要的盐和胡椒分类。

无监督分类与无用斑点分类

基于对象的图像分析¶

奥比亚从细胞生物学家解剖图像扫描开始。 GEOBIA (基于地理对象的图像分析) 区别于它的医学起源。

更清晰的图像、更多的光谱带和大量的数据采集可以帮助解决今天的问题。

为了理解所有这些信息，我们需要OBIA或基于对象的图像分析来为我们自动化一些工作。

随着每一天的过去，卫星在轨道上静静地收集大量的数据……但是如果你不知道如何使用卫星数据，那么卫星数据有什么好处呢？

奥比亚是关于大规模生产的。您可以创建一个规则集，运行它并根据需要编辑您的分类。