城镇建筑的分类信息是人口统计和经济学等建模的主要输入参变量。从遥感数据自动提取建筑物信息,对地图更新、城市建模、城镇增长分析和变迁监测等应用领域具有重要意义,是遥感与摄影测量领域的研究热点与难点。虽然随着航空领域技术的成熟和各种高分辨率卫星传感器的推出,拍摄的地面影像质量越来越高,但研究表明,建筑分类的难度并未随着影像分辨率的增高而减小。这是因为建筑所用材料有限,在遥感图像呈现的波谱特征相似,难以区分,再加上建筑结构不以类别而设计,因而在图像上也不能以图斑形状识别不同类型的建筑。目前,大多数研究只是将所有建筑类别归为不透水表面的一部分从城市下垫面中分割,或是分为建筑类与非建筑类(如道路、水泥地等),或是在某个特定场景中,提取具有典型特征的一类建筑(如坍塌建筑区、金融区)。为解决上述难题,实现多建筑类别自动提取,本文提出在城镇遥感图像的建筑分类中加入波谱-位置联合分析(Spectral Location Combined Analysis,SLCA)和对象-场景关联分析(Object Scene Correlation Analysis,OSCA),以改善分类精度。SLCA属于基于像素和邻域的分析。考虑到同类元素不仅在特征空间聚集,而且也在地理空间聚集的特性,设计空间密度描述符,将这种特性以邻域密度的形式赋予单个像元,因而SLCA也可被称为邻域分析。OSCA属于基于对象的分析。它通过把相邻对象的关联程度量化为对象关联描述符,将目标周围的场景信息加入分类过程。由于OSCA主要分析相邻对象的邻近程度,所以也可将其称为邻近分析。为检验两种算法的有效性与普适性,本文选取了上海地区的6幅试验影像,包括3幅彩红外航片及3幅真彩色合成影像;时间段为2000年至2015年。使用由空间密度描述符、场景关联描述符与常规描述符(如NDVI)一同构建分类特征空间,对遥感图像分类。对比试验表明,当建筑分为厂房、低矮民居、多层住宅小区和高层建筑,4类时,相较于仅使用常规描述符,使用上述两种分析算法的全局精度平均提高了 11.37%。本文选用BP神经网络完成分类任务,利用输出的隶属度矩阵,对分类结果解模糊和做分类后处理,可使全局精度平均上升3.28%。