传统基于像元的遥感影像分析方法大都 只是针对影像的光谱特征 ，仅从光谱特 征出发进行遥感影像的分析处理所能得 到的信息是极其有限的 。
基于特征基元的面向对象方法
无论是对高分辨率遥感影像的信息提取 还是地物目标识别，特征基元提取往往 是关键的前期工作，进而才能在此特征 基元的基础上进行特征的表达和组合， 完成信息提取和目标识别。
图像的最小单元不再是单个的像素，而 是一个个对象，后续的图像分析和处理 也都基于对象进行。
面向对象的遥感分类方法的关键是图像分割， 也就是，如何准确地、有效地提取图像上几何 信息和结构信息。
图像分割是将图像划分为互不相连的区域，每 个区域具有相同的属性，这种属性可以是灰度、 纹理或其他属性。
分辨率 全色 5或2.5m
多光谱10m
全色： 1 米 多光谱： 4 米
全色0.61-0.72m 多光谱2.44-2.88m
全色0.5米 多光谱1.8米
重访周期 26天
2.9天 1-6天 1.1天
Quickbird影像
Worldview-2影像
2.信息提取
高空间分辨率遥感影像海量数据、复杂 细节和尺度依赖的特点决定了高分辨率 遥感影像处理的技术难点 。
1 0 1
8邻域定义的模板：
1 1 1
h8,1
h4,1
2h4,2 3
131
8
1
1 1 1
或者
2 1 2
h8,2
h4,22h4,1 3
131
4
1
2 1 2
IKONOS图像的Laplacian实验结果
结论
如何充分的有效利用高分辨率遥感图像的光谱 信息和空间结构信息，是高分辨率遥感数据处 理方法的关键。
明冬萍等.高分辨率遥感影像信息提取与目标 识别技术研究[J].测绘科学.
祝振江.基于面向对象分类法的高分辨率遥感 影像矿山信息提取应用研究[D].北京地质大学 （北京）资源与环境遥感.
波谱范围
绿色0.50~0.59μm 红色 0.61- 0.68μm 近红外 0.78 - 0.89μm 短波红外 0.78- 0.89μm 全色 0.48 - 0.71μm
蓝色 0.45-053 μm 绿色 0.52-0.61 μm 红色 0.64-0.72 μm 近红外 0.77-0.88 μm 蓝：0.45-0.52μm 绿： 0.52-0.66μm 红： 0.63-0.69μm 近红外： 0.76-0.9μm 蓝 0.45-0.51μm 绿 0.51-0.58μm 红 0.63-0.69μm 近红外0.77-0.895μm
图像分割主要有边缘检测和区域生长两个方面。
基于边缘分割算法的实验
Laplacian算子是一种二阶导数算子。 数字图像函数的Laplacian值是借助各种模板
卷积实现的。
通常的模板是一种3×3模板
4邻域定义的模板：
0 1 0
1 0 1
h4,1=
1
4
1
或
1 2 h4，2=
0
4
0
0 1 0
目录
1.高分辨率遥感卫星 2.遥感影像信息提取
1. WorldView
比较
传感器
Spot-5
两台HRG 一台HRS 一台VGT
IKONOS
全色波段 多光谱
Quickbird
全色波段 多光谱
Worldview-2
全色波段 多光谱
可尝试探索新的多尺度多层次分割算法，将有 关信息（如纹理信息）或约束条件加入分割过 程中。
可尝试建立可靠的分割结果评价标准：基于具 体应用（特征提取和面向对象分类）、基于地 面参考数据的评价方法。
参考文献
宫鹏等.高分辨率影像解译理论与应用方法中 的一些研究问题[J].遥感学报.
赵书河.高分辨率遥感数据处理方法实验研究 [J].地学前缘.