随着对地观测技术的不断突破,高分辨率遥感影像不断发展和丰富。包含大量细节信息的高分辨率遥感影像作为数据基础,使得面向对象的图像分析方法在高分辨率遥感图像处理领域得到了广泛的应用,并逐步成为高分辨率图像处理的主要方法之一。相较于传统的基于像元的分类,面向对象的分类可以更大程度地利用图像丰富的光谱、形状和纹理信息、避免可能的“椒盐现象”,但基于单一尺度的面向对象分类很难充分提取各类地物的细节信息,因此基于多尺度的面向对象多层次分类成为研究热点。以往的多层次分类方法,在信息提取方面一般利用阈值法或隶属度函数进行分类规则的建立。本文以GF-2影像为例,选取长春市北湖部分区域作为研究区,阐述面向对象分类的关键技术,提出一种基于分类器的面向对象多层次分类方法:首先,利用ESP尺度评价算法计算最优分割尺度的可能值,以目视判别选取各地物的最优尺度,并根据各地物最优尺度建立多层次结构;其次,利用递归特征消除法进行初步优化,剔除特征空间中的冗余特征;利用相关性矩阵计算特征之间的相关性,剔除相关性高且重要性排序靠后的特征,实现二次优化,保证各个特征的独立性;最后,利用分类器提取各层的地物信息、实现层与层之间的继承,得到最终分类结果;并与传统的单层次分类方法进行对比分析。文中单层次分类方法采用分割质量函数定量计算全局最优分割尺度,以此建立单层次结构,利用分类器及优化后的特征空间进行单层次分类。为避免分类器引起的精度偏差,实验分别以土地分类中效果良好的CART决策树算法与随机森林算法进行单层次分类及多层次分类,最终对四种分类结果进行精度评价。研究成果如下:1)最优分割尺度的计算。采用分割质量函数定量计算全局最优分割尺度;采用ESP(Estimation of Scale Parameter)尺度评价算法计算最优尺度的可能值,并通过目视判别分别确定了试验区内地表覆盖建筑、植被、水体、裸地、道路及阴影的最优分割尺度,并以此建立多层次结构,作为后续信息提取的基础。2)特征空间的优化方法。选取土地利用分类中常用的特征构建初始特征空间,利用递归特征消除法进行初步优化,剔除Border index、Asymmetry、Area、Elliptic fit、Roundness、Length/Width等特征;利用相关性矩阵计算特征之间的相关性,剔除相关性高且重要性低的特征,如NDVI、NDWI、SAVI、Ratio Green、Ratio Red,达到二次优化的目的,最终得到优化的特征空间。3)面向对象的多层次分类。为比较不同算法的分类精度,本文分别以CART决策树算法以及随机森林算法进行分类。实验表明基于CART决策树的单层次分类总体精度为0.7001,Kappa系数为0.6497,基于随机森林的单层次分类总体精度为0.7346,Kappa系数为0.6823;基于CART决策树的多层次分类总体精度为0.7950,Kappa系数为0.7543,基于随机森林的多层次分类总体精度为0.8586,Kappa系数为0.8304。在土地利用分类中,无论单层次分类还是多层次分类,基于随机森林算法的分类精度均高于CART决策树算法。本文的面向对象多层次分类方法,基于分类器分类而非基于规则分类,实现了自动化分类。该方法相较传统的单层次分类方法,用于土地利用分类精度和效果更好,具有理论意义和实用价值。