发布时间：
应该是中文核心期刊，国内学术机构承认，但外国不一定承认。
英文的有:《GPS SOLUTIONS》、《JOURNAL OF GEODESY》《Inside GNSS》《GPS World》《ISPRS J PHOTOGRAMM》《REMOTE SENS ENVIRON》《IEEE T GEOSCI REMOTE》《INT J APPL EARTH OBS》《REMOTE SENS》《GISCI REMOTE SENS》《IEEE GEOSCI REMOTE SENS LETT》《IEEE J-STARS》《SENSORS》...中文的有:《中国测绘》《中国土地科学》《国土与自然资源研究》《国土资源遥感》...可以上知网或者谷歌学术查询,有很多相关信息.
遥感学报 当然是国家核心期刊！一直都 核心期刊。比较难发
重要英文期刊：
2015年12月5日《遥感学报》收到EI Compendex评估办公室的正式通知，经过评估中心的严格评审，《遥感学报》自2016年起被EI Compendex数据库收录，成为迄今国内唯一一本被EI Compendex数据库收录的遥感类期刊，专业认可度很高！
一、实验目的
学习运用ENVI软件的相关功能从TM 多波段遥感影像数据中提取地表植被遥感信息——归一化植被指数NDVI、比值植被指数RV I和增强植被指数EVI的实际操作，以及对植被指数计算器的使用，加深对定量遥感植被信息类型及获取方式的了解。
二、实验内容
①归一化植被指数NDVI提取；②比值植被指数RVI提取；③增强植被指数EVI提取；④植被指数计算器操作。
三、实验要求
①掌握植被指数概念及意义；②了解归一化植被指数（NDVI）、比值植被指数（RVI）和增强植被指数（EVI）的计算公式及意义；③利用植被指数计算器对桂林市Landsat-5 TM 遥感影像进行植被指数计算。编写实验报告。
四、技术条件
①微型计算机：②桂林市Lands ta-5 TM 遥感影像；③ENVI软件；④ACDSee软件（ver.4.0以上）。
五、实验步骤
植被指数（Vegetation Indices，简称VI），是一种通过多波段遥感数据组合运算获得的，能够定量反映地面植被综合信息分布状况的数字参数。按照不同的数学物理模型设计，有多种植被指数算法，因而有不同的植被指数。它们各有其应用侧重面。本次实验只做三种用得较为普遍的植被指数，即归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI。这三种植被指数的公式已在“遥感地质学”课程中讲过，在此不赘述。在学习和使用植被指数时必须有一些基本的认识。
（1）健康的绿色植被在NIR 和R的反射差异比较大（图23-1），原因在于R对于绿色植物来说是强吸收的，NIR则是高反射、高透射的；
图23-1 植被光谱特征
（2）建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息；
（3）植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响。
所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算，未经大气校正的辐射亮度或者量纲为一的DN值数据不适合计算植被指数。本次实验选择桂林市Landsat-5 TM遥感影像，对比较常用的几种植被指数进行计算，具体操作步骤如下。
1.辐射校正
对桂林市Landsat-5 TM 遥感影像进行辐射校正，辐射校正方法参考本书“实验十九遥感图像辐射校正”。
2.归一化植被指数（NDVI）
归一化植被指数（Normalized Difference Vegetation Index，简写为NDVI），增加在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的差异，在植被茂密时灵敏度会降低，常用于检测植被生长状态、植被覆盖度等，计算公式为
NDVI=（NIR-R）/（NIR+R） （23-1）
式中：NIR为近红外波段的反射率；R为红光波段的反射率。NDVI值的范围是－1～1，负值表示地面覆盖有云、水、雪等，对可见光高反射；0 表示有岩石或裸土等，NIR 和R 近似相等；正值表示有植被覆盖，且随覆盖度增大而增大，一般绿色植被区的范围为0.2～0.8。
对于Landsat-5 TM 遥感影像TM3 0.62～0.69μm为红波段，TM4 0.76～0.96μm为近红外波段。
3.比值植被指数（RVI）
比值植被指数（Ratio Vegetation Index，简写为RVI），在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的比值，在植被茂密时灵敏度会降低，其计算公式为
RVI=NIR/R （23-2）
RVl值的范围是0～30，绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。一般绿色植被区的范围为2～8。
对于Landsat-5 TM 遥感影像TM3 0,62～0,69μm 为红波段，TM4 0.76～0.96μm 为近红外波段。
4.增强植被指数（EVI）
增强植被指数（Enhanced Vegetation Index，简写为EVI），通过加入蓝波段以增强植被信号，解决土壤背景和大气气溶胶散射对茂密植被的影响，常用于植被茂密区域，计算公式为
遥感地质学实验教程
EVI值的范围是－1～1，一般绿色植物区的范围为0.2～0.8。
对于Landsat-5 TM 遥感影像TM3 0.62～0.69μm 为红波段，TM 4 0.76～0.96μm 为近红外波段，TM1 0.45～0.52μm 为蓝波段。
5.植被指数计算器
ENVI提供植被指数计算器，它可以根据输入图像的波段情况，选择能够计算的植被指数，并提供生物物理学交叉检验功能，能够提高植被指数的计算精度。
输入的图像必须包含中心波长信息，必须经过辐射校正。由于阴影区没有足够光能量，阴影区域的植被指数往往不准确。对于经过FLAASH 大气校正的桂林市Landsat-5 TM 遥感数据，植被指数计算器的操作如下：
（1）在ENVI主菜单栏中选择“Spectral>Vegetation Analysis>Veget ation Index Calcularot”，在数据输入对话框中选择经过了FLAASH大气校正的桂林市Landsat-5 TM 遥感数据，点击【OK】按钮，打开“Vegetation Indices Parameters”对话框（图23-2）。
图23-2 植被指数参数设置对话框
（2）在“Vegetation Indices Parameters”对话框中，“Select Vegetation Indices”列表中显示这个数据能够计算的所有植被指数，可以根据实际需要进行选择。
（3）生物物理学交叉检验功能（Biophysical Cross Checking）：默认为“On”，如果要将计算得到的植被指数用于植被分析工具，则选择“Off”。
（4）选择输出路径及文件名，单击【OK】按钮，执行植被指数计算。
6.结果记录
利用植被指数计算器对桂林市Landsat-5 TM 遥感影像进行植被指数计算，比较几种植被指数模型对植被信息提取效果，用W ORD文档记录，取名为《不同植被指数模型对植被提取效果比较》，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①辐射校正在植被指数计算中有何作用？不进行辐射校正就进行植被指数计算可以吗？为什么？②根据归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI的数学模型，并结合其图像，分析这三种遥感植被信息的差异与特点。
实验报告格式见附录一。
《遥感学报》的前身是1986年创刊的《环境遥感》，她诞生于中国遥感事业的初创时期，是随着中国遥感事业的发展而成长起来的第一本遥感刊物。创刊以来，《遥感学报》结合中国遥感事业不同时期的重点和需要，刊登了大量国内最新科研成果和国家重点支持的研究项目的成果论文，对中国遥感科学技术的发展和人才培养发挥了巨大作用，成为目前中国遥感和地理信息科学领域最有影响的学术期刊。作为中国遥感领域唯一一本国家级综合性学术期刊，《遥感学报》致力于报道遥感领域及其相关学科具有国际、国内先进水平的研究报告和阶段性研究简报以及高水平的述评。着重反映本领域的新概念、新成果、新进展。内容涉及遥感基础理论，遥感技术发展及遥感在农业、林业、水文、地矿、海洋、测绘等资源环境领域和灾害监测中的应用，地理信息系统研究，遥感与GIS及空间定位系统（GPS）的结合及其应用等方面。《遥感学报》已被中国以下数据库收录为来源期刊或核心期刊：国际：l 斯高帕斯数据库（Scopus）l 俄罗斯文摘杂志（AJ）l 波兰哥白尼索引（IC）l 日本科学技术文献数据库（JST）l 美国乌利希期刊指南(UPD)l 美国剑桥科学文摘（CSA）l 中国科技论文统计与分析(年度研究报告)l 中国科学引文数据库(CSCD)l 中国学术期刊网络出版总库(CAJD)l 中国学术期刊文摘l Chinese Science Abstracts(A辑)l 中国电子科学文摘l 中文核心期刊要目总览l 中国学术期刊(光盘版)l “中国学术期刊综合评价数据库”通俗点说就是既是国家核心期刊也是sci检索期刊资料来源：
《遥感学报》是中国科学院遥感应用研究所、中国地理学会遥感分会主办的专业学术性期刊，《中文核心期刊要目总览》（2011版）收录，《中国科学引文数据库》（CSCD）（2013-2014）收录。属于高层次的核心期刊。
性质不一样，遥感学报四国内中文期刊中遥感类最好的期刊，测绘通报则是测绘方面较强，侧重点不一样，如果你是高遥感的，建议遥感学报，这个在遥感方面认可度很高的。
测绘学报、测绘通报
按中文核心期刊目录介绍，测绘学类的期刊排序如下：1.测绘学报 2.武汉大学学报.信息科学版 3.测绘通报 4.测绘科学5.地球信息科学6.大地测量与地球动力学7.遥感学报 8.测绘学院学报 (改名为:测绘科学技术学报)
三个都是北大中文核心期刊遥感学报是被SCI收录的。算是这三个中最好的吧中国图像图形学报，好像计算机图像处理方面投的比较多吧，三个中第二吧遥感技术与应用，三个当中比较一般吧，但也是中文核心期刊
遥感学报发一篇论文什么水平，因为他是上学了，老师教写作文了，所以他就写了一篇作文出来了，证明这个孩子还是有天才的
三个都是北大中文核心期刊遥感学报是被SCI收录的。算是这三个中最好的吧中国图像图形学报，好像计算机图像处理方面投的比较多吧，三个中第二吧遥感技术与应用，三个当中比较一般吧，但也是中文核心期刊
有必要。根据查询相关资料信息，遥感学报属于国家核心期刊，专业认可度很高，同时也很难发。遥感学报由中国科学院遥感应用研究所、中国地理学会环境遥感分会主办，是中科双效期刊。
按中文核心期刊目录介绍，测绘学类的期刊排序如下：1.测绘学报 2.武汉大学学报.信息科学版 3.测绘通报 4.测绘科学5.地球信息科学6.大地测量与地球动力学7.遥感学报 8.测绘学院学报 (改名为:测绘科学技术学报)
杂志分为：核心期刊（也有双核心期刊）、国家级期刊、省级期刊，但是没有省级核心期刊这一说法 核心期刊对作者有一定要求，一般不接受本科生论文发表，如果是国家级期刊，倒是可以发表
杨大志
（河南省国土资源厅信息中心 郑州 450016）
摘 要：本文采用面向对象分类的方法，使用专业遥感图像分类软件 eCognition 4.0，以河南省临颍县为研究区，对处理后的临颍县 SPOT 5 影像进行多层次分割及合并，根据分类体系定义相应知识库，进行土地利用信息提取研究，探讨该方法在高空间分辨率遥感影像应用于土地利用 / 土地覆被自动分类中的应用潜能，为高分辨率影像用于土地利用分类信息提取提供新的技术手段。
关键词：eCognition SPOT5 自动分类 土地利用
土地资源利用状况调查、土地资源动态监测是土地管理工作的一个重要内容。近年来，随着空间遥感技术的发展，高分辨率遥感影像在土地资源调查、土地资源动态监测等领域中的应用日益广泛。高分辨率遥感数据与多光谱和高光谱分辨率数据相比，具有空间信息丰富、地物几何结构和纹理信息更加明显，波段较少的特点。对于高分辨率的遥感影像来说，利用传统的面向像元的图像分类方法来提取土地利用分类信息，易造成分类精度低，空间数据大量冗余以及资源的浪费。实际上，靠传统的面向像元的遥感图像分类法来提取土地利用信息已不能满足实际运用的要求。因此，基于高分辨率遥感影像土地利用分类信息提取必须根据其特点采取新的技术方法，建立起图像数据与目标特性之间的物理—机理联系，而不仅仅是统计联系，才能充分挖掘高分辨率遥感影像所包含的信息，这是高分辨率卫星影像信息处理成败的关键。面向对象分类技术作为一种新的遥感影像很好地解决了这个问题，而 eCognition 软件正是基于面向对象方法的影像分类技术。本文就是基于该软件以河南省临颍县土地利用分类信息提取为例对该方法进行了探讨。
1 研究区概况和资料收集
研究选取河南省临颍县作为研究区。临颍县位于河南省中部，颍河上游，属漯河市，面积821 km2，人口 65.76 万，辖 15 个乡（镇），362 个行政村。临颍县地处颍河冲积平原，西北部较高，东南部稍低。图 1 是河南省临颍县 SPOT 5 遥感影像图。
本研究主要收集了如下资料：
（1）影像数据。本次遥感图像分类采用数据为 SPOT 5（2.5 m 分辨率）影像数据，景带号为279/281 和 279/282，接收时间为 2004 年 9 月。两景数据采用 ERDAS 8.7 软件进行处理，通过配准校正融合，选择克拉索夫斯基椭球体和高斯－克吕格投影，通过裁切，得到临颍县遥感影像数据。
（2）矢量数据。近年的土地利用数据库数据。
（3）其他资料。与研究区有关的行政区划、农、林等方面的文献资料。
通过近年的土地利用数据库数据和影像数据研究可以发现临颍县土地利用类型较丰富，主要以农用地为主，地物类型比较全面，是研究土地利用 / 土地覆被的较好选择。
图1 河南省临颍县 SPOT 5 遥感影像图
2 面向对象分类方法简介
面向对象的分类方法是一种智能化的自动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象。目标对象比单个像素更具有实际意义，特征的定义和分类均是基于目标对象进行的。通常面向对象的分类方法包括两个步骤：多分辨率分割和模糊逻辑分类。
eCognition 软件采用面向对象的遥感影像解译思想，首先根据像元光谱信息、局部区域纹理信息以及形状和尺度参数自动将影像分割为若干相对同质的区域，称为影像对象（ImageObjects），为下一步分类提供信息载体和构建基础，所有后续的分类工作都基于这些影像对象进行，分类结果避免了斑点噪声而具有很好的整体性，改变了以往面向像素进行分类的传统。同时，软件提供最邻近法和模糊隶属度函数两种解译方法。
本研究就是采用面向对象的分类方法，以 eCognition 中 membership functio（n隶属度函数）为主，模仿目视解译过程，从遥感信息机理与地学规律的综合分析入手，综合其他辅助信息进行分类。通过对辅助资料、外业调查成果以及软件的学习得到了临颍县各类典型地物分类的知识，并以相应的形式表示这些知识，集成影像亮度值、亮度值关系和几何形状以及纹理、邻近关系等特征，对试验区土地利用 / 覆被进行分类。
3 分类体系和技术流程
3.1 分类体系
根据临颍县土地利用实际情况，参照历年土地利用分类标准，本次信息提取分类采取的分类体系如图 2 所示。
图2 研究区地物类型
3.2 技术流程
使用 eCognition 软件对研究区 SPOT 5 影像数据进行土地利用信息提取研究分如下几步进行：首先是把处理好的影像数据输入到软件中，定制分割参数，对其执行分割，生成影像对象；其次是根据研究区地物类型创建分类层次结构；再次是确定合适的分类方法（包括最邻近法和模糊隶属度函数两种方法），选取相应地物类型样本或者分类特征，构建知识库，执行分类，并可根据目视解译结果和事先准备的调查区资料对分类结果进行人工干预，进一步提高分类精度；接着对分类结果进行分类精度评价；最后是把分类结果输出，输出的格式可以为所需要的相应的矢量格式或栅格格式。本研究的技术流程图如图 3 所示。
图3 研究技术流程图
4 主要分类过程
4.1 定制分割参数
分割参数的定制相当重要，它关系到每一个分类对象的大小，直接影响到最后的分类结果。通过多次试验，本次分类决定采用多层次分割的方法进行：水体和非水体信息的提取以分割参数为 80 进行，其他参数均为默认；分类体系中其他类别信息的提取在首次分割基础上，以分割参数为 65，其他参数也为默认对非水体进行多重分割，来进行其他地物类型的分类。
4.2 制定分类策略，创建类层次结构
在进行分类之前，首先要参照研究区地物类型，分析每种地物类型特征及其相互之间的关系，制定合适的分类策略，创建类层次结构。可利用的研究对象属性特征包括色调、形状、面积 / 大小和纹理等特征，各对象之间关系包括与父对象之间、与子对象之间以及与邻对象之间的关系三种类型。对象属性特征选取正确与否及其在多大程度上被正确表达对分类结果有着重要影响，它决定了最后分类正确与否和其精度。面向对象的分类方法可以模仿人类大脑认知过程，充分利用每种地物类型特征，按照由简单到困难的顺序逐步剥离提取分类体系中每种地物信息。通过研究本次分类所要提取信息自身特征及其相互之间的关系，制定本次分类的分类策略，创建了类层次结构，如图 4 所示。
图4 类层次结构示意图
4.3 分类特征的选取
根据创建的类层次结构，选取合适的对象属性，对对象属性进行定义，提取出相应对象的土地利用信息。本次分类采用以下几步进行：
第一步是提取水体信息。分割参数设为 80，对影像进行分割，分割后，在整个研究区均匀选取样本，采用标准最邻近方法（standard nearest neighbor）对遥感影像进行分类（类似于监督分类），提取水体信息。在此基础上，依据水体的形状特征，把水体分为河流水面和坑塘水面两类。根据实验，长宽比大于 3 是河流，小于 3 的是坑塘。
● 河流（Length/width ＞ 3）
● 坑塘（Length/width ＜ 3 或者 not 河流）
第二步是提取植被信息，并进一步把植被分为耕地和林地。首先把提取出的水体信息保护起来，在首次分割的基础上对非水体进行再分割，分割参数设为 65，其他参数为默认值，把非水体分为植被和非植被两类，然后根据耕地和林地的不同特征把其信息提取出来。
植被和非植被信息提取依据：
● 非植被（Stdde（v1）＞ 11）
● 植被（not 非植被）
林地和耕地信息提取依据：
● 林地（Max.Diff ＞ 0.62）
● 耕地（not 林地）
第三步是对非植被信息进一步细分，从中提取出主要交通道路、城镇居民点工矿和裸地（已收获耕地）信息。首先从非植被信息中提取出交通道路和非交通道路信息，然后把非交通道路细分为裸地（已收获耕地）和城镇居民点工矿两类。
交通道路和非交通道路信息提取依据：
● 交通道路（Length/width ＞ 6）
● 非交通道路（not 交通道路）
裸地（已收获耕地）和城镇居民点工矿提取依据：
● 裸地（Rel.border to 植被 neighbour objects ＞ 0.7）
● 城镇居民点工矿（not 裸地）
此时，分类体系中的所有类别信息已经全部提取出来，可根据实际情况对分类结果进行手工编辑，进一步删除一些过小对象和纠正一些错分信息。当分得的各类信息结果都比较满意后，进行基于分类的融合，把小对象合并为大的对象，通过手工编辑和基于分类的融合后，得到最终分类结果，如图 5 所示。
图5 遥感影像分类结果图
4.4 分类精度评价
得到分类结果后，要根据分类得到的结果进行分类精度评价。评价采用如下方法进行：在分割后的影像上均匀随机选取每个地类的目标对象，选取的目标对象数目根据分类结果得到的每个地类的目标对象数目而定，进行自动统计，得到统计结果。统计结果见表 1。
表1 分类结果精度评价表
续表
通过分类结果精度评价表可以发现，自动分类的最后分类精度超过了 80%，这对于研究区来讲，分类结果还是比较令人满意的。同时，根据统计结果可以得到如下结论：耕地、城镇居民点、坑塘、河流信息提取的效果较好，相对而言，裸地和道路信息提取比较困难，林地信息由于同耕地信息相近，提取起来也有相当的难度，还有待于今后进一步研究。
5 总结和讨论
通过研究表明，采用面向对象方法进行图像解译和信息的自动提取与面向像元方法相比具有较强优势。面向对象的分类方法可以灵活运用地物本身的几何信息和结构信息，纹理信息以及上下层关系信息、邻近关系信息等，更主要的是可以加载人的思维，构建知识库，从而提高了分类的精度，为各种不同地物的分类提供了更多的依据，比如通过影像的形状和纹理特征可以有效地识别河流、道路、建筑物的形状。利用 eCognition 对高分辨率遥感图像进行土地利用自动分类，快速简便，而且能够达到较高精度，节省了大量的人力物力，为大面积土地利用调查和监测提供了新的科学方法。
参 考 文 献
eCognition 3 Made in German［yZ］
Sun Xiaoxia.2004.An object-oriented classification method on high resolution satellite dat［aZ］.Istanbul
丁晓英.2005.eCognition 在土地利用项目中的应用［J］.测绘与空间地理信息，2（86）：116～120
杜凤兰.2004.面向对象的地物分类方法分析与评价［J］.遥感技术与应用，1（91）：20～23
刘亚岚，阎守邕，王涛，等.2002.遥感图像分区自动分类方法研究［J］.遥感学报，（65）：357～362
孙晓霞，张继贤，刘正军.2006.利用面向对象的分类方法从 IKONOS 全色影像中提取河流和道路［J］.测绘科学，3（11）：62～63
（2006 年度中国土地学会年会大会交流）
杨大志 付洛玲 段嵘峰 曹千红 管相荣
（河南省国土资源厅信息中心，郑州，450003）
摘要：本文采用面向对象分类的方法，使用专业遥感图像分类软件eCognition4.0，以河南省临颍县为研究区，对处理后的临颍县SPOT5影像进行多层次分割及合并，根据分类体系定义相应知识库，进行土地利用信息提取研究，探讨该方法在高空间分辨率遥感影像应用于土地利用/土地覆被自动分类中的应用潜能，为高分辨率影像用于土地利用分类信息提取提供新技术手段。
关键词：eCognition；SPOT5；自动分类；土地利用
土地资源利用状况调查、土地资源动态监测是土地管理工作的一个重要内容。近年来，随着空间遥感技术的发展，高分辨率遥感影像在土地资源调查、土地资源动态监测等领域中的应用日益广泛。高分辨率遥感数据与多光谱和高光谱分辨率数据相比，具有空间信息丰富、地物几何结构和纹理信息更加明显、波段较少的特点。对于高分辨率的遥感影像来说，利用传统的面向像元的图像分类方法来提取土地利用分类信息，易造成分类精度低，空间数据大量冗余以及资源的浪费［1～2］。实际上，靠传统的面向像元的遥感图像分类法来提取土地利用信息已不能满足实际运用的要求。因此，基于高分辨率遥感影像土地利用分类信息提取必须根据其特点采取新的技术方法，建立起图像数据与目标特性之间的物理—机理联系，而不仅仅是统计联系，才能充分挖掘高分辨率遥感影像所包含的信息，这是高分辨率卫星影像信息处理成败的关键［3］。面向对象分类技术作为一种新的遥感影像很好地解决了这个问题，而eCognition软件正是基于面向对象方法的影像分类技术。本文就是基于该软件以河南省临颍县土地利用分类信息提取为例对该方法进行了探讨。
1 研究区概况和资料基础
研究选取河南省临颍县作为研究区。临颍县位于河南省中部，颍河上游，属漯河市，面积821km2，人口65.76 万，辖15个乡镇，362个行政村。临颍县地处颍河冲积平原，西北部较高，东南部稍低。图1是河南省临颍县SPOT5遥感影像图。
本研究主要以下述资料为研究基础。
1.1 影像数据
本次遥感图像分类采用数据为SPOT5 （2.5 m分辨率）影像数据，景带号为279/281和279/282，接收时间为2004年9月。两景数据采用Erdas 8.7软件进行处理，通过配准校正融合，选择克拉索夫斯基椭球体和高斯—克吕格投影，通过裁切，得到临颍县遥感影像数据（见图1）。
图1 河南省临颍县 SPOT5 遥感影像图
1.2 矢量数据
近年的土地利用数据库数据。
1.3 其他资料
与研究区有关的行政区划、农、林等方面的文献资料。
通过近年的土地利用数据库数据和影像数据研究可以发现临颍县土地利用类型较丰富，主要以农用地为主，地物类型比较全面，是研究土地利用/土地覆被的较好选择。
2 面向对象分类方法简介
面向对象的分类方法是一种智能化的自动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象［4］。目标对象比单个像素更具有实际意义，特征的定义和分类均是基于目标对象进行的。通常面向对象的分类方法包括两个步骤：多分辨率分割和模糊逻辑分类［5］。
eCognition软件采用面向对象的遥感影像解译思想。首先根据像元光谱信息、局部区域纹理信息以及形状和尺度参数自动将影像分割为若干相对同质的区域，称为影像对象（Image objects），为下一步分类提供信息载体和构建基础［6］，所有后续的分类工作都基于这些影像对象进行，分类结果避免了斑点噪声而具有很好的整体性，改变了以往面向像素进行分类的传统。同时，软件提供最邻近法和模糊隶属度函数两种解译方法。
本研究就是采用面向对象的分类方法，以eCognition 中membership function （隶属度函数）为主，模仿目视解译过程，从遥感信息机理与地学规律的综合分析入手，综合其他辅助信息进行分类。通过对辅助资料、外业调查成果以及软件的学习得到了临颍县各类典型地物分类的知识，并以相应的形式表示这些知识，集成影像亮度值、亮度值关系和几何形状以及纹理、邻近关系等特征，对试验区土地利用/覆被进行分类。
3 分类体系和技术流程
3.1 分类体系
根据临颍县土地利用实际情况，参照历年土地利用分类标准，本次信息提取分类采取的分类体系如图2所示。
3.2 技术流程
使用eCognition软件对研究区SPOT5影像数据进行土地利用信息提取研究分如下几步进行：①把处理好的影像数据输入到软件中，定制分割参数，对其执行分割，生成影像对象；②根据研究区地物类型创建分类层次结构；③确定合适的分类方法（包括最邻近法和模糊隶属度函数两种方法），选取相应地物类型样本或者分类特征，构建知识库，执行分类，并可根据目视解译结果和事先准备的调查区资料对分类结果进行人工干预，进一步提高分类精度；④对分类结果进行分类精度评价；⑤把分类结果输出，输出的格式可以为所需要的相应的矢量格式或栅格格式。本研究的技术流程如图3所示。
图2 研究区地物类型
图3 研究技术流程图
4 主要分类过程
4.1 定制分割参数
分割参数的定制相当重要，它关系到每一个分类对象的大小，直接影响到最后的分类结果。通过多次试验，本次分类决定采用多层次分割的方法进行：水体和非水体信息的提取以分割参数为80进行，其他参数均为默认；分类体系中其他类别信息的提取在首次分割基础上，以分割参数为65，其他参数也为默认对非水体进行多重分割，来进行其他地物类型的分类。
4.2 制定分类策略，创建类层次结构
在进行分类之前，首先要参照研究区地物类型，分析每种地物类型特征及其相互之间的关系，制定合适的分类策略，创建类层次结构。可利用的研究对象属性特征包括色调、形状、面积/大小和纹理等特征，各对象之间关系包括与父对象之间、与子对象之间以及与邻对象之间的关系三种类型。对象属性特征选取正确与否及其在多大程度上被正确表达对分类结果有着重要影响，它决定了最后分类正确与否和其精度。面向对象的分类方法可以模仿人类大脑认知过程，充分利用每种地物类型特征，按照由简单到困难的顺序逐步剥离提取分类体系中每种地物信息。通过研究本次分类所要提取信息自身特征及其相互之间关系，制定本次分类的分类策略，创建了类层次结构，如图4所示。
图4 类层次结构示意图
4.3 分类特征的选取
根据创建的类层次结构，选取合适的对象属性，对对象属性进行定义，提取出相应对象的土地利用信息。本次分类采用以下几步进行：
（1）提取水体信息 分割参数设为80，对影像进行分割，分割后，在整个研究区均匀选取样本，采用标准最邻近方法（Standard Nearest Neighbor）对遥感影像进行分类（类似于监督分类），提取水体信息。在此基础上，依据水体的形状特征，把水体分为河流水面和坑塘水面两类。根据实验，长宽比大于3是河流，小于3的是坑塘。
（2）提取植被信息，并进一步把植被分为耕地和林地 首先把提取出的水体信息保护起来，在首次分割的基础上对非水体进行再分割，分割参数设为65，其他参数为默认值，把非水体分为植被和非植被两类，然后根据耕地和林地的不同特征把其信息提取出来。
（3）对非植被信息进一步细分，从中提取出主要交通道路、城镇居民点工矿和裸地（已收获耕地） 信息 首先从非植被信息中提取出交通道路和非交通道路信息，然后把非交通道路细分为裸地（已收获耕地）和城镇居民点工矿两类。
此时，分类体系中的所有类别信息已经全部提取出来，可根据实际情况对分类结果进行手工编辑，进一步删除一些过小对象和纠正一些错分信息。当分得的各类信息结果都比较满意后，进行基于分类的融合，把小对象合并为大的对象，通过手工编辑和基于分类的融合后，得到最终分类结果如图5所示。
图5 遥感影像分类结果图
4.4 分类精度评价
得到分类结果后，要根据分类得到的结果进行分类精度评价。评价采用如下方法进行：在分割后的影像上均匀随机选取每个地类的目标对象，选取的目标对象数目根据分类结果得到的每个地类的目标对象数目而定，进行自动统计，得到统计结果。统计结果如表1所示。
表1 分类结果精度评价表
通过分类结果精度评价表可以发现，自动分类的最后分类精度超过了80%，这对于研究区来讲，分类结果还是比较令人满意的。同时，根据统计结果可以得到如下结论：耕地、城镇居民点、坑塘、河流信息提取的效果较好；相对而言，裸地和道路信息提取比较困难；林地信息由于同耕地信息相近，提取起来也有相当的难度，还有待于今后进一步研究。
通过研究表明，采用面向对象方法进行图像解译和信息的自动提取与面向像元方法相比具有较强优势。面向对象的分类方法可以灵活运用地物本身的几何信息和结构信息，纹理信息以及上下层关系信息、邻近关系信息等，更主要的是可以加载人的思维，构建知识库，从而提高了分类的精度，为各种不同地物的分类提供了更多的依据，比如通过影像的形状和纹理特征可以有效地识别河流、道路、建筑物的形状。利用eCognition对高分辨率遥感图像进行土地利用自动分类，快速简便，而且能够达到较高精度，节省了大量的人力物力，为大面积土地利用调查和监测提供了新的科学方法。
参考文献
丁晓英.eCognition在土地利用项目中的应用［J］.测绘与空间地理信息，2005，28 （6）：116～120
刘亚岚，阎守邕，王涛等.遥感图像分区自动分类方法研究［J］.遥感学报，2002，6 （5）：357～362
孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路［J］.测绘科学，2006，31 （1）：62～63
eCognition 3 Made in Germany ［Z］
Sun Xiaoxia.An object－oriented classification method on high resolution satellite data ［Z］.ACRS2004，Istanbul
杜凤兰.面向对象的地物分类方法分析与评价［J］.遥感技术与应用，2004，19 （1）：20～23