面向对象的遥感影像分类研究
８
科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
２０１０ ＮＯ．３４
Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
研 究 报 告
科技创新导报遥感影像可以利用图像光谱亮度值进行分类，往往分类精度不高，因为没有考虑象元与其周围象元之间的联系（如图像空间特征，形状特征以及上下文联系）。传统分类方法是以单个象元为分类单元进行分类的。分类方法有监督分类法和非监督分类法等。从分类技术角度看，由于受空间分辨率的制约，传统的遥感影像信息提取只能依靠影像的光谱信息，且是在像素层次上的分类；所以仅仅依靠像素的光谱信息进行分类，着眼于局部像素而忽略邻近整片图斑的纹理、结构等信息，必然会造成分类精度的降低。在分类方法中人工目视解译虽然分类精度高，但耗时、工作量大，在大尺度影像分类时效率较低，因而并不适用。如最大似然分类法［１］，它是把象元归于归属类别最大的类别中。神经网路分类法，是模拟人脑神经中枢的分类法。元胞自动机的分类法［２］，用以模拟在时空具有离散特征的各种现象。决策树分类法，是基于空间数据挖掘和知识发现的监督分类法。以及空间逐步寻优模型、模糊集、分层聚类法等，在一定程度上提高了分类精度，但这些方法时基于像素层次，不能突破传统分类方法的局限性，也不能满足用户的需求。
近年来，国内外学者从图像分割单元对遥感分类方法进行了探索性的研究，取得了一些进展，Ａｐｉｎ等的斑块分类方法，以及基于对象的模糊规则分类［３］等。
遥感图像分类，根据曹宝的研究可划分为３个层次：１）基于象元层次的分类方法；２）基于对象或基元层的遥感分类，其中面向对象方法属于该层；３）基于知识的分类。
１ 面向对象的遥感图像分类方法
随着技术的发展，基于面向对象影像
分割的分类算法应运而生，其最重要的特点就是分类的最小单元是由影像分割得到的同质影像对象（图斑），而不再是单个像素，可以实现较高层次的遥感图像分类和目标地物提取。通过该方法对遥感图像进行分割，首先同质区域（或基元），再根据遥感图像分类或目标地物提取的具体要求，检测和提取目标地物的各种特征（如光谱、形状、大小、结构、纹理、阴影、空间位置、相关布局等），从而达到对遥感图像进行分类或目标地物提取的目的。面向对象的影像分类技术通过影像的多尺度分割来获得对象，分类时不仅依靠对象对应地物的光谱特征，更多的是要利用其几何信息和结构信息，后续的图像分析和处理也基于对象进行［４］。
１．１影像分割
影像分割是面向对象分类的基础，该技术诞生于１９７３年，最早应用于图像纹理特征的提取中，目前图像分割研究已成为国内外研究的热点，目前较常用的分割算法主要有基于纹理特征分割、基于知识影
像分割、分形网络演化（ＦＮＥＡ）分割等算法，考虑到分割后对象特征异质性最小，采用分形网络演化方法进行影像分割。
１．１．１基于边界的分割算法基于边界的分割算法可以分为两类：一类是先检测目标的边缘点，然后组成目标的边界来实现分割，如：微分算子、Ｈｏｕｇｈ变换等；另一类是先确定边界的起始点，然后根据某种策略进行顺序搜索，确定目标的边界来实现分割，如：边界跟踪、曲线拟合等。这种分割方法适合处理区域内部异质性小而且边界变化明显的情况，尤其适合对特定目标的提取。但对于遥感影像信息提取而言，自然环境复杂多样，各环境要素之间的变化大部分是渐变的，这种方法很难对整景遥感影像进行合理的分割，因此不适宜采用基于边界的方法对遥感影像进行分割。
１．１．２基于区域的分割方法
基于区域的分割方法是利用区域内特征的相似性把影像划分为一系列有意义区域的处理方法。
（１）区域生长法。区域生长方法是根据同一地物区域内像元的相似性来聚集像元的方法，从初第二章面向对象信息提取方法可技术面向对象高分辨遥感影像信息提取始区域（如小区域甚至是单个像元）开始，将相邻的具有同样性质的像元或其它区域归并到目前的区域中从而逐步生长区域，直至没有可以归并的像元或其它小区域为止。区域内像元的相似性度量可以包括光谱平均值、纹理、形状、位置等信息。区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的影像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间的开销都比较大。这种分割方法对种子点的选择有很大依赖，不同的种子点设置一般会有不同的
面向对象的遥感影像分类研究①
管珍 曹广超 易俊柱
（青海师范大学 西宁 ８１０００８）
摘 要：在基于传统的遥感影像分类方法的基础上，结合面向对象分析理论与方法，提出了面向对象的遥感影像的分类方法，通过实验分析探讨了面向对象影像分类的关键技术。包括多尺度的分割，分类器的建立，包括最近邻分类和模糊聚类分类。实验表明，面向对象的分类方法较传统基于像素分类法有较高的精度，具有很大的发展潜力。关键词：面向对象的影像分类 图像分割 分类器 尺度中图分类号：ＴＰ７５３文献标识码：Ａ文章编号：１６７４－０９８Ｘ（２０１０）１２（ａ）－０００８－０４Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｍｅｔｈｏｄ ｏｆ ｒｅｍｏｔｅ ｉｍａｇｅ，ｃｏｍｐｏｓｅｄ ｗｉｔｈ ｔｈｅ ａｎａｌｙｓｉｓ ｔｈｅｏｒｉｅｓ ａｎｄ ｍｅｔｈｏｄ ｏｆ ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｉｓ ｔｅｘｔ ｐｏｉｎｔｅｄ ｏｕｔ ａｎｄ ｄｉｓｃｕｓｓｅｄ ｔｈｅ ｋｅｙ ｓｋｉｌｌｓ ｏｆ ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂｙ ｅｘｐｅｒｉｍｅｎｔａｌ ａｎａｌｙｓｉｓ，ｗｈｉｃｈ
ｉｎｃｌｕｄｉｎｇ ｍｕｌｔｉ－ｓｃａｌｅ ｓｅｇｍｅｎｔａｔｉｏｎ，ｔｈｅ ｂｕｉｌｔ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅ ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔ ｃｌａｉｍｅｄ ｔｈａｔ， ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｉｍａｇｅ ｅｌｅｍｅｎｔ－ｂａｓｅｄ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ，ｔｈｅ ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｈａｓ
ａ ｂｅｔｔｅｒ ａｃｃｕｒａｃｙ ａｎｄ ａ ｐｏｔｅｎｔｉａｌ ｄｅｖｅｌｏｐｉｎｇ ｆｕｔｕｒｅ．
Ｋｅｙ
Ｗｏｒｄｓ：ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｉｍａｇｅ ｓｅｇｍｅｎｔ；Ｃｌａｓｓｉｆｉｅｒ；ｓｃａｌｅ
表１ 基于像素分类和面向对象分类的不同
①管珍（１９８１—），女，硕士研究生，专业：地图学与地理信息系统，方向：遥感与地理信息系统应用。
９
科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ研 究 报 告
２０１０ ＮＯ．３４
Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ科技创新导报
分割结果，而且在不同地物之间过渡平缓的情况下会把不同类型的区域合并到一个区域。
（２）分裂、合并混合法。这种分割思想是先从整幅影像开始通过不断分割得到各个区域。实际应用中常常把影像分割成任意大小且不重叠的区域，然后再合并或者分裂这些区域以满足分割的要求。通常用的是一种利用四叉树表达的简单分裂合并算法。１．２多尺度分割技术
１．２．１多尺度分割的概念
不同目标在影像上具有的尺度是不同
的，因此不同的分析目的所关注的尺度也会不同，１ｍ分辨率的遥感影像可以用来分析房屋，而１０００ｍ分辨率的可能只能用来分析大区域植被覆盏，特定的目标分析要在特定的尺度上来进行。
多尺度分割在生成影像对象的过程中压缩高分辨率影像，但把高分辨率像元的信息保留到低分辨率的影像（分割后的影像）上，在影像信息损失最小的前提下将影像成功的分割成为有意义的影像多边形。影像分析的不同主题都有其特定的空间尺度，每一个主题都需要分割所生成的影像
对象用最恰当的尺度来描述与传递影像的最佳信息，因此在影像分析中总是希望在适宜的尺度上进行。多尺度分割中采用不同的分割尺度生成不同尺度影像对象层，使得具有固定分辨率的影像数据可以有不同尺度的数据结构组成，从而构成了一个与地表实体相似的层次网络结构．实现了原始像元信息在不同空间尺度间的传递，以适应特定的应用需求［５］（表１）。
１．２．２基于异质性最小原则的区域合并算法
多尺度影像分割采用异质性最小的区域合并算法，影像分割中像元的合并开始于影像中任意一个像元，先将单个像元合并为较小的影像对象，再将较小的影像对象合并成较大的多边形对象，分割过程中多边形对象不断增长的异质性最小，实现整幅影像在给定分割尺度阈值的情况下所有影像对象的平均异质性最小。它是一个从下到上、逐级合并的过程。区域合并方法的基本思想是将具有相似性质的像元集合起来构成区域多边形，先对每个需要分割的区域找一个种子像元作为生长的起点，然后将种子像元周围邻域中与种子像元有相同或相似性质的像元合并到种子像元所在的区域中，将这些新的像元当作新的种子像元继续进行上面的过程，直到没有满足条件的像元，这样一
个区域就生成了。
为了保证影像分割生成的
多边形对象内部的同质性与相邻多边形对
象的异质性的适宜程度，在区域合并的分割
过程中需要考虑两个标准：设置类似像元合
图１ ｅＣｏｇｎｉｔｉｏｎ工作流程图
原始影像 ｌｅｖｅｌ ２ ｌｅｖｅｌ ３
Ｌｅｖｅｌ ３
ｌｅｖｅｌ ４ 影像分类器
图２
并的准则与确定停止像元合并的条件，这两个标准在分割过程中控制像元的归属，因此标准设置的合理与否直接影响分割后影像对象有效性［６］。
１．３多尺度分割参数的选择
多尺度分割是给影像对象一个特定的尺度，根据指定的光谱和形状的同质准则，使整幅影像的同质分割达到高度优化的程度。要得到满意的结果，在多尺度分割过程中，各个参数的选择是非常重要的。主要的分割参数有：各波段权重、分割尺度、光谱因子和形状因子（其中，形状因子又包括紧密度和光滑度）。
１．３．１各波段权重的选择
影像各波段权重的设置是影响分割结果质量的重要因素之一。可以根据各个波段对分割结果的贡献程度而取不同的权重。某个波段的权重越高，在分割过程中这个层的信息使用的越多，对分割结果的影响越大。因此，对分割贡献小或无贡献的波段，则赋予较小的权重或权重为０，同时也要考虑波段之间的相关性，以减少信息的冗余度，提高分割的质量和速度。
１．３．２分割尺度选择
影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值，决定生成最小多边形的级别大小，与空间分辨率是两个不同的概念。多尺度影像分割表示在分割过程中可采用不同的分割尺度值，所生成的对象大小取决于分割前确定的尺度值，分割尺度值越大，所生成的对象层内多边形面积就越大而数目越小，反之亦然。
影像分割时尺度的选择是很重要的，它直接决定影像对象分割的质量以及信息提取的精度。对于一种确定的地物类型，最优分割尺度值是指分割后的对象（多边形）能将这种地物类型的边界显示十分清楚，并且能用一个对象或几个对象表示出这种地物，既不能太破碎，也不能边界模糊（即不出现混合对象），能够很好的表达这种地物类别特有的各种特征，使得该地物类别能够很好的与其它地物类别区分开来［７］。
１．３．３均质性因子的选择
一般来讲，均质性包括光谱和形状两个属性因子，其中形状因子又包括光滑度和紧密度两个因子。大多数情况下，光谱因子是生成对象最重要的因子，而形状因子的参与有助于避免影像对象过于破碎，同时可以避免“同物异谱”和“同谱异物”现象，以及“椒盐噪声”的污染，从而提高分类精度。光谱因子，即影像的像元光谱值。传统的信息提取方法就是完全依靠像元的光谱值来进行的，也就是不考虑形状因子而将光谱因子设最为［１］。
形状因子，由光滑度和紧密度构成。光滑度描述的是影像目标边界和一个正第二章面向对象信息提取方法与技术面向对象
高分辨遥感影像信息提取方形的相似程
度，通过平滑边界来优化影像对象：紧密度
可以根据较小的差别把紧凑的目标和不紧
凑的目标区分开，通过聚集度来优化影像
对象。光滑度和紧密度两个形状因子并不
是对立的，即通过紧密度优化过的对象也
会具有光滑的边界。进行参数设置时，应该
充分了解到光谱信息是影像数据中所包含
的主要信息，应该充分利用光谱信息，倘若
形状因子权重太高的话会导致光谱均质性
的损失，这不利于信息的提取。因此在进行
影像分割时要遵循两条原则；一是尽可能
的将光谱因子的权重设的较大；二是对于
那些边界不很光滑但聚集度较高的影像对
象使用尽可能大的形状因子。
１．４影像对象分类技术
影像分割与信息提取这两个影像处理
过程是相互影响的循环过程，影像分割完
成后，利用影像对象的属性信息建立样本
训练区，实现类别信息的提取，反过来，在
类别信息提取后，通过成果分析可促进影
像分割运算处理法则的改进。在许多应用
中，需要的几何信息与感兴趣的对象是通
过类别提取与影像分割这一相作用的循环
一步步提取出来的。
１．４．１标准最邻近分类方法
标准最邻近法类似于传统分类方法中
的监督分类，是通过选择样本的方法来进
行影像的分类，但这种方法针对的是分割
后形成的影像对象，而不是单个像元，所用
的分类特征比单个像元丰富的多，因此分
类精度比较高。其原理是通过选择的样本
统计该样本类的特征，以这个特征为中心，
以未分类对象中包含且用于分类的特征与
样本类特征之“差”为距离，该对象距离那
个样本类最近，就被分到那个类别中。
１．４．２模糊数学分类方法
遥感影像的计算机分类分为硬分类和
软分类。硬分类（Ｃｒｉｓｐ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）是分类
器给每一个像元只赋予唯一类别的分类方
法。与硬分类相对应，每一个像元有可能被
赋予多个类别的分类方法称为软分类（Ｓｏｆｔ
Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）。很显然，硬分类忽略了混合
像元的影响，遥感中把包含多种地物类型
的像元称为混合像元，把只包含一种地物
类型的像元称为纯像元，混合像元越多，硬
分类的精度就会越低。模糊分类就是一种
典型的软分类方法，它是以模糊集合论为
基础，针对不确定事物的分析方法。它对像
元进行分类时，不是硬性地把它归为某一
类，而是把此像元的类型特征值转换成０与
１之间的模糊值，以此来表明对于某一类的
隶属度。
１．４．３特征选择和特征分析
在进行模糊分类之前，我们需要对影像
分割后的每个对象或者区域进行特征提取，
提取出每个对象或者区域的各种特征。一般
来说少量的特征很难表达出一个类别的本
质特征，人们提取出各种各样的特征的最终
目的是为了从不同角度尽可能多的综合描
述某一种类别区别于其它类别的最本质的
特征。但是针对具体问题，实验也证明并不
是越多特征就会导致最好的结果出现。随着
特征维数的增加，会带来较多的问题。存在
问题如下： （１）维数增高时，数据的计算量增
大，运算速度会变慢，这样在实际应用中的
时效性较难满足； （２）一些特定的地物或者
类别不需要较多的维数就可以完全和其它
类型的地物区分开，太多的特征反而可能会
降低这些地物分类的精度； （３）受分类其本
身的限制，使得分类的特征维数并不能任意
第二章面向对象信息提取方法与技术面向
对象高分辨遥感影像信息提取的高，太高的
特征维数也会降低分类精度［８］。
２ 面向对象的影像信息提取
２．１信息提取方法
来解译图像的信息并不在单个像元中
而是在图像对象和其相互关系中；ｅＣｏｇｎｉｔｉｏｎ
采用多分辨率对象分割方法生成图像对象，
提高了分类信息的信噪比；基于对象的分类
技术不同于纯粹的光谱信息分类。图像对象
还包含了许多的可用于分类的一些其他特
征：形状、纹理、相互关系、上下关系［９］。
ｅＣｏｇｎｉｔｉｏｎ在进行分类处理之前需要进
行图像预处理，使其更利于图像分割及信
息提取。图像的预处理基于像素级别进行，
包括图像的几何校正、信息增强、平滑滤
波、锐化、波段合成增强处理及多类信息源
融合处理等，其流程如图１。
２．２数据收集与处理
本文选取德国德绍城的遥感影像为数
据源，该影像显示了城市用地，乡村用地分
布，这一地区有河流经过。对该数据进行预
处理，进行假彩色合成。本次实验在综合分
析了数据所包含的信息和地物类型的基础
上，综合运用了多尺度分割、基于分类的分
割技术、手工分割和对象融合技术、掩膜技
术等高级面向对象分类技术。由于只有３个
波段，各波段以相同的权重参与分割和分
类全过程。不同的类别可以使用不同的分
割参数进行最佳分割。通过特征观察，河流
在绿波段的光谱均值小于１，同时形状指数
大于３，根据这一特征可以很好的将河流提
取出来。其他地类尽量选取较好的分类规
则，根据分类策略在ｅＣｏｇｎｉｔｉｏｎ中通过多尺
度分割一步一步的不断细分类。对于波谱
信息差别大或者几何、纹理信息差别明显
的地物类别可以通过隶属度函数来分类。
有林地、灌木林地、疏林地等波谱和纹理信
（下转１２页）
１０科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
的抗高血压治疗方案，这两种药物均可降低伴高肾素水平、低肾素水平或肾素水平正常的高血压患者，对老年患者和黑人高血压患者单独使用ＡＣＥＩ无效时，应用固定剂量的利尿剂和ＡＣＥＩ均有效。
３．１．２利尿剂和－受体阻滞剂联用
虽然，噻嗪类利尿剂和－受体阻滞剂合用时，由于－受体阻滞剂能抵消噻嗪类利尿剂轻度激活交感作用，而噻嗪类利尿剂又能抵消－受体阻滞剂轻度贮钠作用，从而增强加压作用。对代谢的影响属剂量依赖性的，目前推荐氢氯噻嗪用量为６．２５ｍｇ／ｄ～１２．５ｍｇ／ｄ。
３．１．３利尿剂和ＣＣＢ联用
这两类药物均是目前常用的有效降压药，国内实践中常常联用，但尚有争议。使用利尿剂初期其降压作用与减少细胞外液容量及心输出量有关，长期用药可降低血管阻力。ＣＣＢ（二氢吡啶类）降压作用主要与扩张外周血管有关，长期用药后，全身外周阻力下降３０％～４０％，肺循环阻力也下降。３．２以ＡＣＥＩ为主的联用方案
３．２．１ＡＣＥＩ和ＣＣＢ联用
ＡＣＥＩ和ＣＣＢ联用是ＪＮＣ－７推荐的用于高血压伴糖尿病患者的联用方案。高血压合并糖尿病患者药物的选择，除了考虑降压疗效外，还需注意降压药对心血管的危险因素和糖尿病代谢控制及其他并发症的影响，此方案有利于并发糖尿病、肾病的患者。另外，已证明联用可有效减少蛋白尿，保护血管，防治左心室肥厚及减少踝部水肿。最近研究也证实，联用可提高血压控制
率、患者依从性及生活质量［２］。
３．２．２ＡＣＥＩ和－受体阻滞剂联用
由于ＡＣＥＩ及－受体阻滞剂均作用于肾
素－血管紧张素系统，因而一般认为二者联
用理论上获益不大，或较ＡＣＥＩ与其他类联
用效果差，但Ｂｅｌｔｚ等及其他研究均显示，联
用西拉普利与普萘洛尔后２４ｈ动态血压监
测证实二者合用有累加效应，人血流动力
学方面联用较理想。现已认识ＡＣＥＩ对非经
典途径之ＡＴ阻断不全，而－阻滞剂可减少
这一途径的底物，年轻患者高交感活性与
高肾素者、心肌梗死后患者、左室肥厚者可
能获益更大，可减少肾素分泌治疗肾血管
性高血压，对心脑肾有保护作用且能减轻
心肌肥厚，阻止和逆转心血管重构。
３．２．３ＡＣＥＩ和ＡＲＢ联用
ＡＲＢ有与ＡＣＥＩ相似的抗高血压作用，
能通过减轻心脏的后负荷，治疗充血性心
力衰竭，其阻滞ＡⅡ的促心血管细胞增殖肥
大作用，能防治心血管的重构，有利于提高
抗高血压与心力衰竭的治疗效果。但它缺
乏ＡＣＥＩ的缓激肽－ＮＯ途径的心血管保护
作用，也无增敏胰岛素和降低血浆纤维蛋
白原的作用。ＡＣＥＩ和ＡＲＢ联合使用对糖尿
病肾病的作用比单独使用其中之一更为有
效，与单一用药相比，苯那普利和缬沙坦联
合应用的降蛋白作用额外增加４３％［５］。
４ 发展方向
基于晚近许多优良的抗高血压药大量
涌现，一些不良反应显著的药物，包括神经
节阻滞剂、中枢交感神经抑制剂，直接血管
扩张剂及抗肾上腺素能神经药一般已极少
使用，而更多地选用钙通道阻滞剂、ＡＣＥ抑
制剂、－受体阻滞剂和－受体阻滞剂。噻嗪
类利尿剂一般仅作辅助药。新型的钙通道
阻滞剂有近二十种，但用于治疗高血压的
主要为双氢吡啶类（即硝苯啶类），如伊拉地
平。许多新型的ＡＣＥ抑制剂分子中无巯基
成份，且有长效和强效特点，如雷米普利。
新型的－阻滞剂有近二十余种，其中以西利
洛尔为最佳，该药对血脂，肾功能和支气管
平滑肌无不良影响或有改善作用。
另外，本文介绍了一些降压药物的两
两有效组合，联合应用成效甚好，必要时可
考虑３、４种药合用。相信随着医药卫生事业
和循证医学的发展，抗高血压治疗的前景
会越来越好。另外，对高血压患者要加强宣
传教育，使其对抗高血压治疗重视起来，以
提高血压控制率，减少并发症，增强对靶器
官的保护，提高患者的生活质量，降低远期
心血管死亡率。
参考文献
［１］庞素秋，王国权，周金生，等．联合用药
治疗高血压进展及评价［Ｊ］．海峡药学，
２００２．
［２］王营忠，高燕，刘兆英．循证高血压临床
研究［Ｊ］．医院综述，２００２．
［３］胡大一，马长生．心脏病学实践［Ｍ］．北
京：人民卫生出版社，２００５．
息差别较小，需要多个特征才能区分，这样可以通过最临近分类器通过选择合理的样本进行分类。最临近分类的样本需要通过“选择样本－分类”这样一个不断循环迭代的过程进行样本优化，最终得到的分类结果精度达到了８５％以上，可以得到很好的分类结果，如图２所示。
３ 结语
本文通过应用面向对象方法对区域土地利用与覆被变化进行监测，不仅提高了图像信息提取的准确性和精度而且减少了图像处理的时间。通过本文的研究，可以得出以下结论：
（１）面向对象遥感影像分类的基础是影像分割。影像分割的结果直接影响信息提取的准确性和可靠性。分割阈值的设定是关键，阈值的大小需要进行多次试验，才能获得较好的结果，然后根据研究区地物的分布特点及研究人员的实践经验来确定。
（２）面向对象分类方法不仅利用地物本身的光谱信息，而且充分利用地物的空间信息，包括形状、纹理、面积、大小等要素。
影像的信息量得到了提高，信息提取的可
靠度随之提高。（３）面向对象遥感影像分类
的过程中，特征空间的构建是难点，关系到
分类结果的精度。这一不断循环迭代的过
程大大提高了遥感影像信息提取的精度。
参考文献
［１］李双成，郑度．人工神经网络模型在地
学研究中的应用进展［Ｊ］．地球科学展，
２００３，１８（１）：６８－６９．
［２］周成虎，孙战利，谢一春．地理元胞自动
机研究．北京：科学出版社，１９９９．１－
１６３．
［３］曾建航，魏萌，王靳辉，尚怡君，基于知
识的遥感影像模糊分类方法［Ｊ］．测绘科
学技术学报，２００８，２５（３）：１７２－１７５
［４］杜凤兰，田庆久，夏学齐，等．面向对象
的地物分类法分析与评价［Ｊ］．遥感技术
与应用，２００４，１９（１）：２０～２３．
［５］尹作霞，杜培军．面向对象的高光谱遥
感影像分类方法研究．遥感应用，２００７，
４（１）：２９－３３．
［６］章毓晋．图象分割［Ｍ］．北京：科学出版
社，２０００．１－４．
［７］苏理宏，李小文，黄裕霞．遥感尺度问题
研究进展［Ｊ］．地球科学进展，１６（４）：５４４－
５４８．
［８］王培法，王丽，冯学智，肖鹏峰．遥感图
像道路信息提取方法研究进展［Ｊ］．遥感
技术与应用，２００９（３）．
［９］孙晓霞，等．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（１）：６２－６３．
［１０］田金苓，易正晖．土地利用遥感分类技
术探讨［Ｊ］．科技创新导报，２０１０，９：１７．
［１１］刘镇．遥感影像瓦片金字塔模型［Ｊ］．科
技创新导报，２００８，６：１９９．
（上接１０页）
１２科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ