面向地理對象影像分析技術的研究進展與分析

顧海燕，李海濤，閆利，韓閃閃

（1.武漢大學 測繪學院，武漢 430079；2.中國測繪科學研究院，北京 100830；3.河北省第三測繪院，石家莊 050000）

1 引 言

面向地理對象影像分析技術GEOBIA代表了遙感與地理信息科學的發(fā)展趨勢，是地理信息科學中的一個正在發(fā)展的研究領域。其致力于研究如何分割遙感影像產生有意義的地理影像對象，在一定的光譜、時－空尺度上評估這些對象的特征，最終生成與GIS兼容格式的地理信息，使用戶針對地理相關問題，如全球氣候變化、資源管理、土地利用等，能夠有效地進行自動化、智能化解譯分析的技術和方法［1－4］。GEOBIA涉及影像分割、特征提取、影像分類以及以地球為中心框架的對象查詢與檢索技術，被認為是一個不斷發(fā)展的綜合性學科，涉及眾多學科方向，包括：遙感、地理信息系統(tǒng)、圖像處理、數(shù)據(jù)庫知識發(fā)現(xiàn)、地理空間信息統(tǒng)計、制圖、攝影測量、景觀生態(tài)學、地理學等［5］。

GEOBIA主要目標是發(fā)展與應用自動化或半自動化的影像解譯理論、方法和工具，以期提高影像解譯的準確度及效率，減少主觀性、人力、財力和物力［5－6］。其理論基礎是認知心理學、空間認知理論和特征分析理論等，將人工解譯與計算機的計算能力結合起來，使影像理解過程更加智能，準確度更高，可重復性更強，主觀因素減少，人力物力成本降低，更好地與現(xiàn)有地理信息軟件和技術相結合［3］。其最突出的特點是處理的最小單元不再是單個像素，而是由影像分割得到的同質影像對象［7］。具有以下優(yōu)勢：①綜合利用了多源信息，如GIS、DEM、景觀生態(tài)、人文地理專題數(shù)據(jù)等；②充分利用了遙感影像的光譜、幾何、紋理、拓撲、語義、時相等特征；③融合了當今影像分析方法，如監(jiān)督分類、模糊邏輯、基于規(guī)則的分類等［7－11］。

GEOBIA從提出至今已有10余年的歷史，受到了國內外眾多學者及研究機構的關注，Thomas Blaschke教授通過瀏覽數(shù)千篇論文摘要，820篇與OBIA相關的論文（其中，145篇期刊論文、84篇專著章節(jié)、近600篇會議論文），總結出OBIA的研究熱點是等級尺度、影像分割、變化檢測、精度評價，第一階段的發(fā)展是生成對象的算法、軟件及工具，當今最重要的發(fā)展是基于地理的智能信息以及影像處理的自動化［3，12］。

本研究在此基礎上，利用Web of Science數(shù)據(jù)庫，繼續(xù)分析2009年2月以來GEOBIA技術的發(fā)展，總結歸納現(xiàn)有技術方法，深入分析GEOBIA技術的原則、優(yōu)勢、劣勢、機遇與挑戰(zhàn)，積極探討需要深入研究的科學問題，為深入研究GEOBIA理論、方法和應用奠定基礎。

2 技術進展

以“object based image analysis”為關鍵詞，時間范圍是2000年至2014年，通過 Web of Science數(shù)據(jù)庫進行檢索，在攝影測量、遙感、光學、地質、環(huán)境、地理、信息科學、城市8個研究方向檢索到3712篇相關論文，每年的論文數(shù)量如圖1所示。

圖1 Web of Science數(shù)據(jù)庫中檢索到與OBIA相關的論文數(shù)量

按照期刊標題分析，了解到該研究最具影響力的論文發(fā)表在環(huán)境遙感 、國際遙感雜志、國際攝影測量與遙感雜志、IEEE地球科學與遙感等期刊上。Benz，U.C.，Blaschke，T.等發(fā)表的文章影響因子居于前5，如表1所示 （數(shù)據(jù)來自http：／／apps.webofknowledge.com／，截止2014年2月）。

表1 引用頻率排前5的論文

自2006年以來，已經成功開展了4次非常成功的國際GEOBIA會議，此專題會議每兩年召開一次，旨在討論GEOBIA的新理論、新方法、新手段、熱點難點問題、應用及發(fā)展等。此外，IEEE、ISPRS、ASPRS、ARCS、IGRASS等會議也報道了GEOBIA技術。

按照機構名稱分析，了解到奧地利薩爾茲保大學、巴西里約熱內盧天主教大學等國際研究機構正在從事這項研究，我國武漢大學、上海交通大學等高校及研究機構也開展了相關研究，如表2所示。

表2 GEOBIA研究機構

3 技術方法

GEOBIA技術首先通過影像分割技術得到多邊形對象，其次統(tǒng)計對象的光譜、紋理、形狀等特征，最后運用分類器實現(xiàn)面向對象分析。分割與分類這兩個過程是迭代的而非線性或嚴格的連續(xù)過程，因此GEOBIA是面向對象的遙感影像分析，而非簡單的分類，正是分析也才更接近人工解譯的過程，才能夠支持地理空間數(shù)據(jù)，而非影像數(shù)據(jù)的整合［16］。影像分析的循環(huán)迭代過程可以根據(jù)應用目的和待識別類型，調節(jié)各個過程的對象域和參數(shù)，引入合理的專家知識，使得分割精度、分類精度隨著迭代過程的進行不斷提高［13，17］。

GEOBIA技術具有面向對象、基于特征、迭代循環(huán)、知識融入、多尺度組織、可重復性、可移植性等特點［18］，涉及到的技術與方法包括影像分割、特征提取、面向對象分類、精度評價。

3.1 影像分割

影像分割是GEOBIA的基礎與關鍵步驟，通過分割方法將影像分為同質性對象，該對象是信息的載體，對其提取的特征是建立語義模型進行對象分類識別的基礎。分割算法一般需要滿足3個主要準則，即對象內部的同質性、對象形狀的同質性（分割邊界的簡化與分形屬性）、相鄰對象的分離性，這3個準則互相排斥，許多分割方法特別強調某一準則。根據(jù)分割思想不同，有基于邊緣檢測和區(qū)域增長2種，在GEOBIA中常用到的是基于區(qū)域增長的算法；根據(jù)分割方式不同，分割有自下而上的數(shù)據(jù)驅動的分割和自上而下的知識驅動的分割，自上向下方法由于只標識符合模型的像素或區(qū)域，通常只能獲得局部的結果，而自下向上的方法則對整個影像區(qū)域進行完全的劃分［14］。

目前，具有上千種分割方法，眾多方法在醫(yī)學、通信中得到廣泛應用，但大多數(shù)方法不能應用于遙感影像，主要原因是：①隨著多光譜與多尺度數(shù)據(jù)的增加，對算法的復雜性、冗余性、可靠性提出了更高的要求；②大量的輔助數(shù)據(jù)（GIS信息）加入到處理過程中，需要考慮GIS數(shù)據(jù)參與分割；③與其他應用相比較，遙感影像分割必須充分考慮到異質性對象的形狀、光譜、紋理等特征；④遙感影像具有尺度特征，需要用恰當?shù)某叨葋砻枋鲇跋駥ο蟆Ｒ虼耍嘣础⒍喾椒ā⒍喑叨鹊姆指钅Ｐ统蔀檫b感影像分割研究的主要目標［19］。

隨著高分辨率遙感影像的發(fā)展，出現(xiàn)了分型網(wǎng)絡演化、分水嶺、統(tǒng)計區(qū)域增長、水平集、均值漂移、最小熵等分割算法，針對人為反復調整分割參數(shù)的問題，出現(xiàn)了遺傳算法等自動化確定分割參數(shù)的方法，如奧地利薩爾茨堡大學地理信息中心研究團隊，基于eCognition軟件及對象的局部方差理論，開發(fā)了確定尺度參數(shù)的工具ESP，為影像分割及面向對象應用提供了穩(wěn)健的尺度參數(shù)工具［20］。針對分割算法優(yōu)劣的問題，出現(xiàn)了評價不同分割方法的文獻［21－22］，Marco Neubert和 Hendrik Herold開發(fā)了評價分割質量的網(wǎng)站［21］。針對大數(shù)據(jù)量分割問題，采用并行計算等技術解決大數(shù)量分割，提高了分割的速度。然而，影像分割仍然是個具有挑戰(zhàn)性的研究方向，需要從基礎理論出發(fā)，得到與自然本質相一致的影像對象或地理對象。

3.2 特征提取

遙感影像特征主要包括光譜、形狀、紋理、語義等特征，光譜特征是遙感影像最主要的信息，其他特征可以通過光譜特征計算得到，常用的光譜特征有：均值、方差、最大值、最小值、飽和度、色調、亮度值、標準差、自定義特征等。形狀特征反映了影像上地物類型的幾何形狀，常用的形狀特征有：面積、周長、長寬比、寬度、長度、緊致度、形狀指數(shù)等［23］。紋理特征在遙感影像中占有非常重要的地位，是遙感影像各個像元空間上分布的表達。描述紋理常用的方法可分為四類：統(tǒng)計類型（如灰度共生矩陣法）、頻域類型（如小波濾波法）、模板卷積類型（如Laws紋理能量特征法）、模型類型（如馬爾科夫隨機場模型），常用的紋理特征有：同質性、對比度、熵、能量、相關性、非相似性等。

這些特征之間可能存在不相關的特征，也可能存在相互依賴關系，特征越多，容易引起維度災難，模型也會越復雜，推廣能力會下降，特征選擇能剔除不相關或冗余特征，從而達到減少特征個數(shù)，提高模型精確度，減少運行時間的目的。

特征選擇過程一般包括產生過程、評價函數(shù)、停止準則、驗證過程，產生過程是搜索特征子空間的過程，搜索算法分為完全搜索、啟發(fā)式搜索、隨機搜索三大類，評價函數(shù)的作用是評價產生過程所提供的特征子集的好壞，主要分為篩選器、封裝器兩大類。常用的評價函數(shù)包括：相關性、距離、信息增益、一致性、分類器錯誤率［24］。

3.3 面向對象分類

面向對象分類與像素級分類的區(qū)別是：分類對象是通過分割技術產生的同質性多邊形對象。面向對象分類方法主要包括語義建模分類、監(jiān)督分類、非監(jiān)督分類3類。

語義建模分類是根據(jù)語義網(wǎng)絡模型，利用貝葉斯概率模型、DS證據(jù)理論、模糊邏輯等方法進行分類，該方法具有系統(tǒng)性、經驗性、知識性，依賴專家知識進行類別建模，采用半自動探測方法和經驗描述特征，利用機器學習方法進行分類，全過程不僅需要監(jiān)督，而且需要主動產生式的人工操作［25－28］。

監(jiān)督分類思想與傳統(tǒng)的像素級監(jiān)督分類一致，需要采集樣本，根據(jù)對象特征，利用監(jiān)督分類器如最鄰近、最大似然、模糊邏輯、支持向量機、決策樹、隨機森林等完成分類。

非監(jiān)督分類思想與傳統(tǒng)的像素級非監(jiān)督分類一致，無需采集樣本，只需根據(jù)對象特征，利用非監(jiān)督分類器如ISODATA、BP、SOM等完成分類。

3.4 精度評價

GEOBIA精度評價不同于像素級分類結果的方法，需要從專題精度和空間精度兩個方面同時對分類結果進行評價，客觀反映分類精度。在專題精度方面，與傳統(tǒng)的基于像元的評價方法類似，通過選取識別對象中的一定數(shù)量的樣本，與實地點進行比較來判斷精度，利用總體精度、混淆矩陣、蒙特卡洛模擬方法等來評價；在空間精度方面，通過評價對象輪廓邊界合理性與準確性來評價分類精度，涉及到GIS疊加分析等技術方法。此外，一些分類方法如隨機森林提供了內置的評價精度的方法，如袋外誤差OOB，為精度評價提供了又一評價手段［29］。

4 GEOBIA分析

Hay和Castilla 2008年對GEOIBA技術進行了SWOT（strengths，weaknesses，opportunities，threats）分析［7，30］，本研究在此基礎上，結合最近5年的發(fā)展，深入分析了GEOBIA技術的原則、優(yōu)勢、劣勢、機遇與挑戰(zhàn)，探討了需要深入研究的科學問題。

4.1 GEOBIA原則

（1）多源數(shù)據(jù)——不僅包括對地觀測數(shù)據(jù)，還包括GIS數(shù)據(jù)、DEM、景觀生態(tài)、人文地理專題數(shù)據(jù)等。

（2）多種特征——不僅充分利用了遙感影像的光譜、幾何、紋理、拓撲、語義、時相等特征，而且能夠集成多類型專家知識。

（3）多尺度分析——不同地物具有不同的尺度，場景由不同大小、形狀和空間位置的對象組成，等級之間和內部的多尺度分析是非常重要的。

（4）可重復性——傳統(tǒng)人工解譯過程是不可重復的，知識不能有效積累。而在GEOBIA中，知識通過建立并保存過程中參數(shù)和規(guī)則來達到可重復性［22］，不同的解譯人員，應用同樣的參數(shù)可以得到同樣的結果，這樣可追蹤性強，結果可信度高。

（5）可移植性——分為2種情況：①在一定區(qū)域、一定時間、一定類型數(shù)據(jù)上建立的分割、規(guī)則參數(shù)，可以用到其他類似區(qū)域、相近時間、類似數(shù)據(jù)上；②在研究數(shù)據(jù)的小部分代表性數(shù)據(jù)上建立分割、規(guī)則參數(shù)可以用到整個研究區(qū)域數(shù)據(jù)上，減少建立過程參數(shù)的消耗［31］。

（6）普適性——建立滿足 GIS開源標準的GEOBIA服務，為用戶提供網(wǎng)絡化在線服務，實現(xiàn)全球地理信息的集成與共享。

4.2 GEOBIA優(yōu)勢

（1）GEOBIA技術建立了RS與GIS之間的聯(lián)系，是地理信息科學中的一個新興的和正在發(fā)展的研究領域，日益被認為是一個不斷發(fā)展的綜合性學科，具有深厚的理論基礎，在城市監(jiān)測、災害監(jiān)測、景觀生態(tài)等領域得到廣泛應用。

（2）將影像分割為對象，能夠很好地與矢量GIS集成在一起，克服了像素級分類的椒鹽噪聲及其轉為矢量格式的缺陷，符合人類認知自然場景的規(guī)律。

（3）綜合利用了多源信息，如 GIS、DEM、景觀生態(tài)、人文地理專題數(shù)據(jù)等；充分利用了遙感影像的光譜、幾何、紋理、拓撲、語義、時相等特征；融合了當今主流的影像分析方法，如建模分類、監(jiān)督分類、非監(jiān)督分類等。

4.3 GEOBIA劣勢

（1）需要人為調整分割參數(shù)，很難驗證分割的質量，分割仍然是個病態(tài)問題，沒有唯一的解決方案，如改變異質性測量準則可以得到不同的分割對象，即使人工解譯也不能準確描述地理對象。

（2）很難確定哪些特征是非常重要的，不同的數(shù)據(jù)類型及不同的場景條件限制了分類規(guī)則集的應用，特征選擇、規(guī)則集構建成為制約GEOBIA自動化發(fā)展的關鍵因素。

（3）由于GEOBIA綜合性強，涉及的理論知識較多，缺乏對GEOBIA理論的深入研究與分析，需從理論角度綜合分析GEOBIA，解決目前存在的分割、特征優(yōu)選等關鍵問題。

4.4 GEOBIA機遇

（1）GEOBIA被認為是一個不斷發(fā)展的綜合性學科，涉及眾多學科方向，建立的 Wiki促進了該技術在國際間的交流與發(fā)展。各種商用軟件及開源庫的出現(xiàn)，為使用者與研究者提供了平臺基礎。

（2）隨著并行計算、云計算、大數(shù)據(jù)技術的發(fā)展，GEOBIA能夠解決大數(shù)據(jù)量問題，能夠滿足海量數(shù)據(jù)對影像分析速度的要求。

（3）隨著人工智能、機器學習的發(fā)展，GEOBIA朝著自動化、智能化方向發(fā)展。

（4）根據(jù)現(xiàn)有開源GIS程序標準、規(guī)則和方法，集成不同的平臺和數(shù)據(jù)類型，吸納不同領域專家知識，實現(xiàn)地理信息的集成與共享。

4.5 GEOBIA挑戰(zhàn)

（1）GEOBIA 的自動化與智能化發(fā)展，對GEOBIA模型提出了新的要求與挑戰(zhàn)，需要運用地理本體、地理認知、機器學習等理論方法，構建集影像分割、特征提取、影像分類、專家知識于一體的多尺度GEOBIA模型，實現(xiàn)該技術的自動化與智能化。

（2）特征優(yōu)選及分類規(guī)則集構建仍然是費時且具有挑戰(zhàn)性的工作，需要運用人工智能、機器學習等理論方法，實現(xiàn)特征的自動選擇與分類規(guī)則集的自動構建。

（3）由于不同專家具有不同的解譯分析經驗，將會得到不同的分析結果，因此，需綜合利用不同的專家知識，將人工解譯與計算機的計算能力結合起來，使GEOBIA綜合性更強、準確度更高。

（4）GEOBIA不確定性分析，如影像分割、尺度問題、采集樣本、人類認知、專家知識等帶來的解譯質量的不確定性。

4.6 需要深入研究的科學問題

（1）由于難以確定合適的分割參數(shù)，分割得到的對象與實際地物存在不一致，且分類本身是個反反復復的過程，需要反復試驗才能確定特征及相應閾值，消耗了解譯者的精力，因此，如何建立GEOBIA自動化模型，靈活控制整個分析過程，提高解譯分析的精度和效率，是GEOBIA需解決的科學問題之一。

（2）由于不同專家具有不同的解譯分析經驗，將會得到不同的分析結果，因此，如何綜合利用不同的專家知識，將人工解譯與計算機的計算能力結合起來，使 GEOBIA 綜合性更強、準確度更高，是GEOBIA需解決的科學問題之二。

（3）GEOBIA存在許多不確定性，如分割是個病態(tài)問題，沒有唯一的解決方案，以及難以準確描述地理對象。因此，如何從地理本體、地理認知等理論角度，解決GEOBIA不確定性，是GEOBIA需解決的科學問題之三。

5 結束語

本文分析了GEOBIA技術的發(fā)展，描述了一般流程，總結歸納了現(xiàn)有影像分割、特征提取、面向對象分類、精度評價等技術方法，深入分析了GEOBIA技術的原則、優(yōu)勢、劣勢、機遇與挑戰(zhàn)，探討了需要深入研究的科學問題，為深入研究GEOBIA理論、方法和應用奠定了基礎。

［1］ELISABETH A，F(xiàn)RIEKE M B，STEVEN M.Introduction to the GEOBIA 2010special issue：From pixels to geographic objects in remote sensing image analysis［J］.International Journal of Applied Earth Observations and Geoinformation，2012，15：1－6.

［2］ARVOR D，DURIEUX L，ANDRES S，et al.Advances in geographic object－based image analysis with ontologies：A review of main contributions and limitations from a remote sensing perspective［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，82：125－137.

［3］BLASCHKE T.Object based image analysis for remote sensing［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2010，65（1）：2－16.

［4］BLASCHKE T，HAY G J，WENG Q，et al.Collective sensing：Integrating geospatial technologies to understand urban systems—an overview［J］.Remote Sensing，2011，3（8）：1743－1776.

［5］WIKI.GEO－object－based image analysis［DB／OL］.http：／／wiki.ucalgary.ca／page／GEOBIA，2013－5.

［6］Definiens Imaging GmbH.Developer 8reference book［R］.Munich，Germany：Definiens Imaging GmbH，2011.

［7］HAY G J，CASTILLA G.Geographic object－based image analysis（GEOBIA）：A new name for a new discipline［M］.In Object－Based Image Analysis：Spatial Concepts for Knowledge－driven Remote Sensing Applications，New York，USA：Springer－Verlag，2008，Chapter 1.4：75－89.

［8］DURO D C，F(xiàn)RANKLIN S E，DUBE M G.A comparison of pixel－based and object－based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT－5HRG imagery［J］.Remote Sensing of Environment，2012，118：259－272.

［9］LALIBERTE A S，RANGO A，HAVSTAD K M，et al.Object－oriented image analysis for mapping shrub encroachment from 1937to 2003in southern New Mexico［J］.Remote Sensing of Environment，2004，93（1－2）：198－210.

［10］Li H T，Gu H Y，Han Y S，et al.Object－oriented classification of high－resolution remote sensing imagery based on an improved colour structure code and a support vector machine［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2010，31（6）：1453－1470.

［11］MYINT S W，GOBER P，BRAZEL A，et al.Per－pixel vs.object－based classification of urban land－cover extraction using high spatial resolution imagery［J］.Remote Sensing of Environment，2011，115（5）：1145－1161.

［12］CAMARGO F F，ALMEIDA C M，COSTA G A O P，et al.An open source object－based framework to extract landform classes［J］.Expert Systems with Applications，2012，39（1）：541－554.

［13］BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi－resolution，object－oriented fuzzy analysis of remote sensing data for GIS－ready information［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，58（3－4）：239－258.

［14］BURNETT C，BLASCHKE T.A multi－scale segmentation／object relationship modelling methodology for landscape analysis［J］.Ecological Modelling，2003，168（3）：233－249.

［15］WALTER V.Object－based classification of remote sensing data for change detection［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，58（3－4）：225－238.

［16］BLASCHKE T，LANG S J，HAY G.Object－based image analysis－spatial concepts for knowledge－driven remote sensing applications［M］.Heidelberg：Springer，2008：106－238.

［17］BAATZ M S A.Multiresolution segmentation－an optimization approach for high quality multi－scale image segmentation［M］.Karlsruhe：Wichmann Verlag，2000：120－156.

［18］HUSSAIN M，CHEN D M，CHENG A，et al.Change detection from remotely sensed images：From pixel－based to objectbased approaches［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，80：91－106.

［19］LI H T，GU H Y，HAN Y S，et al.An efficient multi－scale SRMMHR （statistical region merging and minimum heterogeneity rule）segmentation method for high－resolution remote sensing imagery［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2009，2：67－73.

［20］DRAGUT L，TIEDE D，LEVICK S R.ESP：A tool to estimate scale parameter for multi resolution image segmentation of remotely sensed data［J］.International Journal of Geographical Information Science，2010，24（6）：859－871.

［21］NEUBERT M，HEROLD H，MEINEL G.Evaluation of remote sensing image segmentation quality－further results and concepts［DB／OL］.http：／／www.isprs.org／proceedings／xxxvi／4－c42／papers／OBIA2006＿Neubert＿Herold＿Meinel.pdf，2013－5－15.

［22］NUSSBAUM S，MENZ G.Object－based image analysis and treaty verification：New approaches in remote sensing－applied to nuclear facilities in Iran［M］.New York，USA：Springer－Verlag，2008.

［23］MARTHA T R，KERLE N，VANWESTEN C J，et al.Segment optimization and data－driven thresholding for knowledgebased landslide detection by object－based image analysis［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49：4928－4943.

［24］DASH M，LIU H.Feature selection for classification［J］.Intelligent Data Analysis，1997，1（1－4）：131－156.

［25］FORESTIER G，PUISSANT A，WEMMERT C，et al.Knowledge－based region labeling for remote sensing image interpretation［J］.Computers，Environment and Urban Systems，2012，36（5）：470－480.

［26］LANG S.Object－based image analysis for remote sensing applications：Modeling reality－dealing with complexity［M］.In Object－Based Image Analysis：Spatial Concepts for Knowledge－driven Remote Sensing Applications，New York，USA：Springer－Verlag，2008，Chapter 1.1：1－25.

［27］TONJRS R，GLOWE S，BUCKNER J，et al.Knowledge－based interpretation of RS images using semantic nets［J］.Photogrammetric Engineering＆ Remote Sensing，1999，65（7）：811－821.

［28］于靜.基于目視解譯的城市遙感影像語義結構研究［D］.北京：中國科學院研究生院，2008.

［29］PUISSANT A，ROUGIER S，STUMPF A.Object－oriented mapping of urban trees using random forest classifiers［J］.International Journal of Applied Earth Observation and Geoinformation，2014，26：235－245.

［30］HAY G J，CASTILLA G.Object－based image analysis：Strengths，weaknesses，opportunities and threats（SWOT）［DB／OL］.http：／／www.isprs.org／proceedings／XXXVI／4－C42／Papers／01＿Opening%20Session／OBIA2006＿Hay＿Castilla.pdf，2013－5－15.

［31］張春曉.高分影像認知模型及應用研究［D］.北京：中國科學院研究生院，2010.