一、关于数据

本次测试主要采用的数据是：8波段数据中的绿光波段、红光波段、第8波段（Cirrus）。主要影像数据信息如下：

图1 原始影像数据

图2 水域矢量样本点分布（紫色圆点）

二、数据处理

1. 基于“水域”的样本矢量点进行缓冲区分析，得到了更准确的地物样本。

图3 矢量样本点缓冲区范围（黄色）

2. 基于样本矢量进行自动化的分割与分类。用多阈值分割算法，把影像值为0的分类为“背景”。

图4 基于矢量分割算法

图5 基于矢量分类算法

3. 利用样本点创建水域样本和非水域样本。

图6 生成目标样本算法

4. 基于“水域样本”进行CNN卷积神经网络模型创建，训练模型，保存模型、应用模型的操作。

图7 目标物样本热度图（红色为目标物）

5. 面向对象OBIA分析技术。

    （1）首先对影像进行多尺度分割。

图8 基于多尺度分割算法

    （2）利用隶属度函数进行阈值分类。

图9 隶属度函数阈值表

    （3）利用OBIA面向对象技术，基于地物的波段均值特征，利用assignclass算法进行分类，主要如下所示：

图10 “水域”整体分类效果

图11 放大后效果

6. 基于影像对象层级，利用影像对象平滑算法对“水域”类型进行优化。

图12 “水域”边缘平滑前

图13 影像对象平滑结果

        最后利用导出算法得到带有字段属性（例如：面积、周长、明亮度、对象形状）等等的分类结果。除此之外，我们也提供了将影像对象转化为矢量对象（convert imageobjects to vector objects）后继续对分类结果进行平滑的算法，例如矢量简化算法等等（vector simplification），更好的提高分类结果的精度。