1、“.....也是信息提取的重要环节，它实现了基于遥感数据的地理信息提取。目前应用较多的遥感解译方法体上有两种基于像元和面向对象。基于像元的分类方法是种传统的分类方法，至今应用较为广泛，技术上发展的也比较成熟，主要包括两种，监督分类和非监督分类。监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是种自底向上的数据驱动方法。比较常用的监督分类法有最小距离法费歇尔线性判别分类法最大似然比分类法平行六面体法马氏距离法波谱角度制图以及二进制编码方法等。常用的非监督分类法有分类集群法波谱特征曲线图形识别法平行管道分类动态聚类法第页共页，和法。监督分类监督分类又称训练分类法......”。

2、“.....再用训练好的分类器对未知地区影像数据进行自动分类的方法，即用被确认类别的样本像元去识别其他未知类别像元的过程。这种分类方法可以根据实际的目的来决定所分的类别数量，能避免大量的数据冗余结合分类者的实际知识及经验来控制训练样本的选择，能过提高分类精度。非监督分类非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻定义其自然相似光谱集群组的过程，其前提是假定影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，仅需极少的人工初始输入......”。

3、“.....再统计特征的差别来达到分类目的，最后对已分出各个类别的实际属性进行确认。经过长期发展，目前已形成了近百种不同的监督分类方法。由于非监督分类不需要分析者选择训练样本，只需要其具有对非监督分类所得结果的解释能力，故对分析者的经验要求较低主观因素影响小，在非监督分类过程中只需要分析者预先定义几个参数，如分类数目分类类别等。即使分析者对图像有很强的看法偏差，也不会对分类结果有很大影响，因此非监督分类可以产生比监督分类更均质的图像与监督分类相比，非监督分类不需要分析者对研究区域有很好的了解，因而可以节省大量的人力时间等在非监督分类中，独特的覆盖量很小的类别也能够被识别......”。

4、“.....基于面向对象的提取方法高分辨率图像的光谱分辨率并不高，往往其几何纹理的信息丰富，图像地物景观的结构形状纹理和细节等信息都非常突出。由于基于像元的遥感影像信息提取方法存在着不可忽视的弊端和局限，对于高分辨率遥感影像来说，必然会影响分类的精度和数据的利用率。面向对象的分类方法成为种主要的第页共页地面分类的方法，在分类时不能仅依靠其光谱特征，更多的是要利用其几何信息和结构信息。高分辨率影像的纹理形状结构等细节信息丰富，但其光谱分辨率较低。传统的基于像元的影像分类，主要是根据单个像元的光谱特性，仅局限于对图像低层次的理解，孤立地考虑单个像元的灰度特征......”。

5、“.....如地物的空间分布形状尺寸纹理特征，地物之间的拓扑关系以及上下文信息等。因此，在运用传统的基于像元的分类方法对高分辨率影像进行信息提取时，无法得到满意的效果。为了解决这问题，于是，我们提出了面向对象的分类方法，其基本原理是分类时不仅依靠地物的光谱特征，更多的是根据像元的形状颜色纹理等几何特征和结构信息，把具有相同特征的象素组成个对象，然后根掘每个对象的特征进行分类。面向对象的分类基本分析单元不再是单个像元，而是更有实际意义的影像对象。影像对象是与像元相对应的影像分析单元，由影像的多尺度分割而形成的由若干个同质像素组成的集合体，对象的大小由分割尺度决定......”。

6、“.....这样能更好的利用地物目标的几何特征。面向对象的遥感图像分类方法的本质是以对象或基元为分类或检测的最小单元，从较高层次对象层次对遥感图像进行分类，以减少传统的基于像元层次分类方法语义信息的损失率，使分类结果含有为每类地物建立模糊规则如表，并分别赋予相应的类，选择模糊隶属度函数分类器进行分类，在第层上提取行道树，同时在非植被信息中，可提取房屋和道路。第二层首先将植被分为草地和林地两个父类，再分别为浓密草地稀疏草地有林地疏林地四个子类声明样本，运用最邻近分类器进行分类，这样浓密草地稀疏草地有林地和疏林地都可以区分出来。第三层对非植被信息中的裸地和水体进行提取。对每层特定的目标进行提取后......”。

7、“.....将各层中提取的植被信息合并到个层中，即可得到植被分类的结果图。浓密草地稀疏草地其他疏林地行道树有林地第页共页图植被分类结果图基于像元的信息提取对于高分辨率遥感影像来说，面向对像的分类方法有着许多方面的优点，为了验证面向对像的方法在高分辨率影像信息提取中的优越性，我们采用传统的基于像元的分类方法对高分辨率影像进行分类试验，最后将二者的分类结果与精度进行比较，从而验证结论的科学性。基于像元的分类方法有很多种，我们采用支持向量机的方法对高分辨率影像中的九类地物进行分类实验，分类结果如图所示。所谓支持向量机的方法就是种基于统计学理论而提出来的种机器学习方法......”。

8、“.....支持向量机的方法由于采用了结构风险最小化原理，较好的解决了人工神经网络等方法的网络结构难以确定过学习和欠学习以及局部极小等问题，因此被认为是目前针对小样本的分类和回归问题的最佳方法。它更适合于遥感图像分类和盐渍化信息检测。图基于像元的分类结果精度评定及结果分析我们采用了面向对象的分类方法和基于像元的分类方法对对影像进行分类实验，其中面向对象方法分别进行多尺度分割提取。精度评价见表表。实验结果表明面向对象的多尺度分割对植被进行信息提取，分类总精度可达，而用基于像元的方注进行分类，分类精度只有，信息提取的精度较低......”。

9、“.....我们可以看出使用面向对象的方法进行地物提取精度明显第页共页高于基于像元的分类提取方法。多尺度分割的方法使得各类地物在分割后融合的效果达到了理想的状态，综合分类效果达到了最佳。面向对象的多尺度分割提取方法给了我们想要的结果。结论与展望本文采用面向对象的分类方法......”。