1.简介
自2008年以来，世界人口的一半以上（33亿人）生活在城市。到2030年，这一数字将增至近50亿[1]. 在欧洲，目前约75%的人口居住在城市地区，欧盟四分之一以上的土地被城市建成区覆盖。不仅因为人口增加，也因为生活方式的改变，建成区正在迅速增长。人们倾向于使用更多的空间，这就是为什么在过去20年里，虽然人口只增加了6%，但建筑面积却增加了20%。这种城市蔓延主要发生在人口密度高和经济活动频繁的地区[2]. 城市增长最明显的物理证据之一是密封表面类型的扩散增加[三]. 因此，封闭表面分布是监测城市蔓延及其对环境影响的一个有趣指标[4]. 最近，许多研究集中于利用卫星图像绘制密封表面[5]. 卫星图像确实是监测城市动态的一个有趣的数据来源。他们有一个高重复周期，这为建立变化分析的时间序列提供了机会。此外，卫星图像中的光谱信息可用于自动化图像解释过程，并制定描述城市发展各种特征的指标。与视觉判读相比，自动图像判读仍然是许多操作应用程序中的标准方法，它的时间和劳动消耗也更少。 在过去的十年里，已经发射了各种新的卫星平台，搭载了高空间分辨率的多光谱传感器，如Ikonos和Quickbird。与陆地卫星ETM+或SPOT-HRV等传统传感器相比，空间分辨率的提高大大提高了卫星遥感在城市应用中的潜力。然而，与Ikonos和Quickbird等传感器提供的更高层次空间细节的优势相反，这些传感器产生的图像的解释提出了新的挑战，尤其是在城市地区。由于图像的高空间分辨率，像素大多小于需要区分的城市物体。因此，在大多数情况下，一个高分辨率像素不包含涉及对象整体的信息，而仅包含作为对象一部分的特定材质的信息。不同建筑材料的使用，这些材料的使用年限，以及方向和照明的差异，导致类内光谱异质性较高。高分辨率光学成像的另一个限制是光谱分辨率低。可用光谱带的数量很少——通常是蓝色、绿色、红色和近红外波段——阻碍了仅基于光谱信息的类别分离。类别的异质性和类别之间的光谱混淆也阻碍了高分辨率光学传感器用于密封表面测绘。先前的研究指出，密封表面的不均匀性导致了与裸露土壤的许多混淆[6]. 此外，深色建筑材料、阴影和水往往难以区分[7-9]. 上述结果是，在城市地区等复杂环境中，传统的基于像素的光谱分类方法通常无法准确绘制土地覆盖图，尤其是密封表面。分类器的输入在空间上仅限于单个像素，这妨碍了解释过程。基于上下文的方法，不仅考虑到场景的光谱特性，而且考虑到空间特性，可能有助于更好地分离光谱上相似的表面类型，因此也可能有利于密封表面的高分辨率映射。
1.1基于上下文的方法
为了考虑图像上下文，提出了各种后分类方法，并将其应用于城市制图目的，包括简单多数过滤器[10]或基于核的重新分类[11]结构模式识别技术[12]或使用基于上下文的规则[6,9]. 作为后分类方法的替代方法，有关像素周围环境的信息也可以用于分类过程本身。一些技术，如使用灰度共生矩阵[13-14]，使用基于边缘的度量作为分类中的额外输入[15-16]，纹理谱编码方法[17]，基于Dempster-Shafer证据理论的上下文相关聚合方案[18]几何活动特征的使用[19]已被提议。然而，在基于像素的分类方法中包含上下文需要对计算纹理或上下文度量的窗口大小进行任意设置。窗口大小不当会大大降低分类精度[14]. 虽然已经提出了多分辨率方法来处理可变规模和支持的问题[14,19-22]传统的基于像素的分类方法的一个主要缺点是，常规窗口与图像中有意义对象的实际边界不一致，特别是在空间复杂的场景中。它解释了为什么近年来基于对象的分类方法得到了更多的关注，特别是在城市地区的制图方面。 1.2面向对象的方法
在面向对象方法中，用于计算纹理或上下文信息的视场不是用户定义的人工窗口。相反，图像是根据光谱均匀性标准划分为对象的。在对象级别，可以定义几何、纹理和上下文变量。与光谱信息一起，这些变量可以用作分类过程的输入。由于使用了额外的、特定于对象的非光谱信息，面向对象方法有望用于高分辨率场景的分类，这些场景具有类内光谱异质性强和类间光谱混淆的特点[23-26]. 不同的研究表明，与基于像素的分类相比，基于对象的分类方法可以显著提高分类结果[27-30]. 对于面向对象方法中的分段步骤，已经提出了不同的方法[31-35]. 理想情况下，分割过程产生的对象应与真实对象相对应。当一个真实世界对象包含多个图像段时，会发生过度分割，而分割不足意味着一个图像段包含不同的真实世界对象。虽然过度分割可以在接下来的分类步骤中弥补，但分割不足的情况并非如此。因为一个段包含不同的真实世界对象，所以在接下来的分类步骤中使用的分类器将无法为整个段分配一个正确的目标类。至少有一部分段将被错误分配。因此，分割不足直接导致分类错误，因此必须避免。这强调了正确选择分割级别的重要性。这个选择并不总是直截了当的。使用eCognition®软件分割高分辨率遥感数据[36]报告的不规则边界和低对比度地区出现的故障段。根据异质性容忍度[37]获得了定义两个真实世界对象之间的过渡区的独立图像段，而不是清晰地描绘两者之间的边界。使用的多遍分割算法[38]很难将被阴影和树木覆盖的密封表面清晰地分开。[39]报道了在城市地区高分辨率卫星图像分割中出现的同时包含密封表面和草坪的片段。目前还没有自动化方法可以成功地为城市场景分析选择最佳分割级别[40-41]. 因此，选择权主要留给用户，用户通过修改分割参数和目视检查分割结果的迭代过程，寻求最佳解决方案[24]. 1.3非参数分类
一旦获得了最佳分割，并且用一组基于对象的特征描述了图像片段，就可以对片段进行分类。由于参数分类器对非光谱特征施加的类分布约束很少得到满足，因此首选非参数分类算法。通常使用最近邻分类器[30,42]. 在所有的非参数分类方法中，尽管机器学习方法（如决策树和神经网络）往往比更传统的分类器产生更高的精度，特别是在复杂地形中[43-46]. 与最近邻分类器相比，这些更复杂的学习算法考虑了训练数据的全谱分布。 决策树是许多分割的后续，每个分割都由一个二进制决策组成。输入数据通过分支传递，以表示目标类之一的叶结尾。每次拆分都对应于一个精心制定的规则，用于将满足制定条件的训练数据与其余训练数据分离。由于其直观的简单性，决策树很容易被用户解释。已经开发了几种树木构建方法[47-49]. 近年来，决策树算法越来越多地用于城市地区高分辨率卫星场景的基于对象的土地利用/覆盖分类[7,19,50]. 人工神经网络受到人类解释能力的启发，试图模拟大脑中的复杂过程。提取输入数据和预期分类输出之间的相关关系，而无需将它们置于严格的规则中。从决策机制未知的意义上说，这使该过程成为一种黑盒。许多类型的网络结构都被用于图像分类，包括径向基函数神经网络[51]、ARTMAP[52-54]，学习矢量量化[55]和自组织地图[20,56]. 图像分类中使用最广泛的人工神经网络范例是使用反向传播学习算法的多层感知器[57]. 多层感知器神经网络（MLP）由多层节点组成。在训练过程中，这些节点“学习”输入数据和输出类之间的关系。然后，通过网络处理输入数据，使用所得知识对图像进行分类。MLP越来越多地用于城市地区的土地利用/土地覆盖分类[9,19,45,58-59]. 虽然最近在使用高分辨率卫星数据对城市地区进行基于对象的土地覆盖分类方面做了大量工作，但很少有研究对同一数据集上不同类型分类器或不同分类策略的性能进行比较。参考[19]比较了决策树和多层感知器分别使用基于窗口和基于对象的分类特征以及结合使用这些特征对半城市环境中人造物体进行分类的性能。在所有测试的分类场景中，使用多层感知器获得的结果略好于使用决策树。参考[50]比较了基于Ikonos影像的城市土地利用面向对象制图的不同决策树分类策略。这项研究的结果表明，一个一对一的分类程序是连续进行的，每次从剩余的观察数据集中分离出一个类，并从最容易分离的类开始，与一步获取用于分离所有类的分类规则的过程相比，该过程提供了更准确的结果。 1.4研究目标
该研究报告的主要目的是利用高分辨率卫星图像，确定一种精确的城乡边缘密封表面测绘方法。使用多层感知器（MLP）和决策树（DT）学习算法，在覆盖比利时根特市部分地区的城市边缘地区的Ikonos图像上测试了两种不同的面向对象分类场景，以区分六个主要目标类别。在第一个场景中，我们可以称之为标准方法，构建了一个神经网络（或一个决策树），将图像对象分配给不同的要区分的陆地覆盖类别。在第二个场景中，探索了全层次分类策略的潜力。在这种方法中，土地覆盖分类模型不是一步建立的，而是定义了一系列分类模型，以连续地将每个土地覆盖类别从其余类别中分离出来。在这两种方法中，都使用了Definiens®中的29种光谱和纹理特征。出于比较原因，还应用了使用最近邻分类的基准情景，仅使用4个多光谱波段和这些波段的标准偏差作为输入。使用由三个形态不同的试验点组成的验证数据集，对不同分类方案进行了精度比较。验证数据是通过对高密度住宅区、低密度建成区和农村地区的详尽视觉图像解释获得的。
特别注意图像中阴影的存在。由于隐藏了底层的地面覆盖物，阴影会导致大量信息丢失。尤其是在城市地区，那里的地表标高有明显变化，阴影效应可能会很显著。处理阴影可以细分为以下两个子问题：[8]：阴影检测和阴影消除。尽管阴影落在不同的陆地覆盖类型上，但它们具有不同的光谱特征，并且在分类阶段可能与其他类别区分开来[60-61]. 为了避免阴影区域被错误地归因于其他暗物质，例如水或深色人造表面，常用的方法是在分类中添加阴影作为单独的类[62]. 在通过定义分类后阴影重新分配程序获得初始分类后，阴影区域可以重新分配到目标陆地覆盖类别之一。这可以通过应用基于上下文的规则来实现[63]或通过执行新分类[9]. 本研究采用后一种方法，以与其他类的相对边界作为输入。 2.研究区域和数据
研究区域位于根特市西南部。它被Ikonos图像的正方形子集覆盖(图1，底部）于2003年8月5日收购。图像子集包括东北部的高密度居民区、东南部的较开放、低密度建成区和西部的农村地区。全色图像波段的空间分辨率为1米，四个多光谱波段的分辨率为4米。通过基于主成分分析的平移锐化，多光谱带的分辨率提高到1米。 佛兰德斯地理信息局（AGIV）提供了一幅2002年1:12000的大规模航空照片马赛克，分辨率为25厘米，覆盖根特研究区。航空照片用于促进从Ikonos图像中视觉收集训练和验证数据。
3.方法
3.1. 分类方案、训练数据的选择和准确性评估策略
为了绘制研究区域的陆地覆盖图，将密封表面与其他覆盖类型分开，我们将其分为六类。城市地区主要由密封表面覆盖。由于研究区域具有许多红色屋顶的特点，密封表面类别可以从视觉和光谱上分为两个不同的子类：一类由红色屋顶、带有红色砾石的网球场、跑道和其他红色表面组成，另一类包括所有其他人造表面，如沥青、，混凝土等大多呈灰色。其他被区分的类别包括水、植被、裸露土壤和其他阴影类别。为了能够覆盖灰色和红色类的全部光谱异质性，我们进行了初始无监督聚类，以选择代表这两个密封表面类不同特征的训练样本。最终的培训集包括六个班中每个班的150个培训样本，在整个研究区域内均匀分布。
基于一组随机选择的点位置，对不同分类场景的性能进行了首次精度评估。然而，这种传统的基于点的验证方法无法揭示各种面向对象分类策略在结果上的明显差异。因此，我们通过目视解释三个具有不同城市密度的形态不同的试验点，生成了广泛的地面实况数据集：一个高密度建成区，一个城市边缘的低密度建成区和一个农村试验点。Ikonos图像上总共有4990个多边形被数字化。图1（顶部）显示了三个站点的数字化多边形。对于阴影所覆盖的视觉解释中的每个多边形，也登记了潜在的陆地覆盖类型。该信息用于评估分级后阴影重新分配程序的准确性。为了最大限度地减少视觉图像解释中的不确定性造成的边界影响，通过缓冲操作屏蔽了栅格化版本多边形地图中的边界像素，并且在验证过程中没有考虑这些像素。表1列出了每个目标类的验证像素总数。 3.2. 细分
基于对象的分类方法的第一步是图像分割。根据光谱输入和使用的分割方法，定义的图像对象将有所不同。已经提出了几种分割方法，但总的来说，区域生长技术往往会给出更好的结果[37,64-65]. 在本研究中，我们使用了Definiens®中实现的区域增长分割算法。该方法对像素进行迭代分组，直到超过预定义的异质性阈值[66]. 测试了输入变量和参数设置的不同组合，以最佳地描绘不同类之间的对象边界。将四个多光谱带和NDVI作为输入变量，在我们尝试分类的六个类别中，有五个类别的分割结果令人满意。然而，红色物体的轮廓看起来轮廓很差，或者根本看不到。基于绿色和红色光谱带之间的比率的分割方法可以更好地勾勒出图像中的红色表面。然而，这种分割结果远不是描述其他类别的最佳结果。因此，分割分两步进行。首先，根据绿色和红色光谱带之间的比率进行分割。使用生成的线段，通过应用一个分类模型（见下文）将红色曲面与其他类分离。为了区分其他类别，进行第二次分割(图2)根据四个多光谱带和NDVI，为剩余区域（未归类为红色表面）生成。在第二个分割步骤中获得的图像对象被分配到其余五个类中的一个，应用五种不同的分类场景。 我们故意选择了一个相对较低的异质性阈值，以确保这六个类之间的边界得到正确识别。从中可以看出图2这会导致过度分割，并自动限制使用大小、形状和邻域信息进行分类的潜力。然而，由于我们感兴趣的是确定广义的土地覆盖类型，而不是城市物体，如房屋、停车场、道路等。我们没有期望从尺寸/形状相关信息中获得太多信息来区分这些土地覆盖类型。通过增加异质性阈值，我们观察到，正如我们肉眼观察到的那样，不同类型土地覆盖之间的边界并没有很好地被分段结构所描绘。这就是为什么我们选择了一个相对较低的参数。 3.3. 分类算法
作为基准场景，使用4个多光谱波段和这些波段的标准偏差作为输入，执行标准最近邻分类。然而，最近邻分类器不考虑训练数据的全谱分布。这可能会妨碍在复杂的城市或城乡环境中进行分类，因为属于同一类的图像对象通常具有相当不同的属性。尤其是裸露土壤和密封表面等类别可能具有相当异质的光谱和纹理特征[14]. 因此，我们应用了两种更复杂的非参数分类算法，它们考虑了训练数据的全谱分布：决策树（DT）和多层感知器（MLP）。 DT通常用于其简单性，因为分类器在分类过程中做出的决策很容易解释。他们的表现与MLP进行了比较，MLP在对城市等复杂环境进行分类时取得了良好的结果[9,19,45,59]. 将用两个分类器获得的分类结果与基准最近邻分类进行比较。在本研究中，我们使用了See5.0®软件[49]对于DT分类，NeuralWorks Predict®v3.12用于MLP分类，Definiens®软件用于最近邻分类。 3.4. 功能选择
面向对象的分类除了提供光谱信息外，还提供了将纹理、大小、形状和邻域特征作为分类过程的输入的机会。根据目标类，需要从这些可能的输入特性中选择一组最佳的输入变量。如前所述，为确保正确识别六个类别之间的边界，故意选择相对较低的异质性阈值，限制了大小、形状和邻域信息的潜力。因此，只有光谱和纹理特征被视为分类的可能输入变量。选择了Definens®中的29项功能用于分类过程(表2). 从可能的输入特征集合中，为DT和MLP分类场景中的每个步骤选择一个最佳特征子集。对于DT和MLP，我们使用了软件中嵌入的特征选择算法：See5.0®中DT的“winnow”函数和NeuralWorks Predict®中MLP的遗传算法。为了建立MLP模型，我们首先利用Predict中的变量选择选项训练了一个网络。然后，只使用先前选择的变量作为输入特征，训练一个新的MLP。为了避免MLP对训练集的特定特征过于拟合，将训练集划分为训练子集和测试子集。当训练子集用于模型的实际训练时，测试子集用于在发生过拟合之前中断训练过程。训练和测试数据之间的比率设置为60/40。对于DT构造，除了“winnow”选项外，还使用了增强功能。使用此函数可以构造多个DT，每个DT都会给之前DT中错误分类的训练样本赋予更多权重。对于每个输入案例，不同的DT都会投票给特定的目标类。然后将输入数据分配给投票最多的类。根据初始测试，并经许多研究证实[67-70]，大大提高了DT的性能。对于每个DT分类步骤，提升次数设置为10。 3.5. 分类策略
对于DT和MLP分类，我们比较了两种分类策略：两步分类策略和全层次分类策略。因为对红色表面进行了单独的分割，所以在第一个分类步骤中对此类进行了区分。一旦识别出红色表面，在两步分类策略中，通过重新分割未分配给红色表面的区域而获得的所有图像片段都将使用一个分类模型分配给其他类别中的一个(图3，左）。对于使用最近邻分类器的基准场景，也遵循了这一策略。 在完全分层策略中，使用不同的分类模型，将类与其余目标类逐个分离。此过程中遵循的顺序基于用于分离类的DT规则的复杂性。在每一步中，都测试了所有的可能性：使用专用的DT分类模型，将仍然需要区分的每个类从其余类中分离出来。根据使用的输入变量数量和应用规则的复杂性，相互比较获得的DT。选择需要最少输入变量和二元决策标准的树，并使用此分类模型将相应的类从其余类中分离出来。重复这个过程，直到所有类别都被区分出来(图3，右侧）。完整的分层MLP分类遵循相同的分类大纲。 3.6. 影子重新分类
由于城市地区的高度变化很大，许多城市物体在其周围投下了阴影。无论阴影下的表面是什么，阴影覆盖的所有区域都显示出相似的光谱值[60]. 因此，在我们的分类方案中，我们为阴影定义了一个单独的类。为了在进行初始分类后将阴影区重新设计为有意义的土地覆盖类别，进行了新的MLP分类。分类器标记为阴影的训练对象中存在的陆地覆盖类，这两类训练对象实际上属于其他类，以及被视觉解释器标记为阴影的训练对象（阴影下的land-cover类也被解释），用于训练MLP阴影重分类器。作为训练的输入，使用阴影对象与属于其他每个类的相邻对象的相对边界长度。作为输出，指定了正确的land-cover类。通过将MLP模型应用于所有阴影对象，图像中的每个对象最终都归属于一个目标land-cover类。 4.结果和讨论
4.1. 功能选择
如上所述，测试了五种分类场景。首先进行基准最近邻分类。其次，DT和MLP算法均遵循两步全层次分类策略。在DT和MLP分类的每个阶段，从29个输入变量中进行特征选择，以分离考虑的类别。表3概述了使用DT和MLP分类算法的两步和全层次分类方法中每个阶段的选定变量。两种方法的红色表面分类相同，因此，此步骤的选定变量仅在左侧表格中列出。 可以观察到，几乎所有的29个输入变量都用于开发的一个或多个分类模型中。只有在绿带上计算的熵和在红带上计算出的角秒矩永远不会被选中。使用从Haralick共生矩阵派生的所有其他纹理变量。
在两步分类策略中，DT和MLP分类器分别使用18个和20个不同的输入变量。在全层次分类策略中，DT使用更多不同的输入变量（20），而MLP使用更少（15）。使用如此大量的输入变量表明，在城市环境中使用有限光谱分辨率的高空间分辨率数据（如Ikonos图像）分离有限数量的土地覆盖类别存在困难。应该注意的是，这两种算法选择了不同的输入特征组合。此外，对于特定于类的拆分，所选变量通常不对应。
4.2. 分类
通过对三个形态不同的地面实况点进行详尽的视觉解释，生成了五种分类方法的混淆矩阵。从这些矩阵中，得出正确分类像素百分比（PCC）、kappa指数和每类用户的准确度(表4). 对于每种方法，PCC值都在75%以上，而kappa值在0.69到0.77之间。使用更复杂的学习算法的四种场景（可以从29个选定的输入变量中进行选择）优于使用八个输入变量且至少有两个百分点的基准最近邻分类。对于难以区分的类，即阴影和裸露土壤，最近邻分类器的性能要差得多。 通过比较不同的准确度，可以看出使用更复杂的学习算法在不同场景下获得的分类结果之间存在显著差异。一般来说，当试图区分由于其频谱特性而难以分离的类时，神经网络的性能预计会比决策树更好。然而，差为2%的是DT，对于两步分类方法来说，它获得了更高的精度。使用全层次分类策略，DT分类器的准确性没有提高。这可以用DT算法的特性来解释，该算法基于子类中案例的逐步分割，特定的目标类在树的不同部分显示为叶子。通过在树的后期创建额外的分割，该算法可以最佳地解释在最初定义得太宽的分割中存在具有不同属性的陆地覆盖子类。应用由图像专家控制的分层、逐步策略，将每个陆地覆盖类与其余目标类分离，而不可能在分类的后期分离具有不同特征的类的其他成员。然而，对于MLP方法，应用完整的分级策略大大提高了分类的准确性，从0.71的kappa值增加到0.77。这可以用以下事实来解释：在完全分层方法中，每个网络都有一个更简单的问题需要解决。
用户对灰色曲面类的准确度占据了验证区域的三分之一，对于每个策略都有一个非常高的值（介于0.82和0.88之间）。对于每个场景，用户对植被和水的准确度分别高于0.93和0.97。对于在每个分类方法的第一步中与其他类分离的红色表面类，只有DT分类模型能够达到0.89的高用户准确度。对于MLP方法，用户对红色表面的准确度仅为0.76。因此，MLP在比DT模型更高的程度上高估了红色表面的数量。
用户对裸土等级的准确度稍低。在密封表面制图的背景下，区分裸露土壤和人工表面尤其重要。因此，需要注意的是，用户的准确度从基准最近邻分类中的0.50以下增加到DT和MLP分类场景中的0.60以上。使用额外的变量和更复杂的学习算法似乎非常有助于将这个重要的目标类从其他类中分离出来。在基于DT和MLP的四种场景中，可以注意到两步策略和全层次策略之间的明显差异。在应用完全分级策略时，裸露土壤的分类明显更好，使用专用模型将裸露土壤与其他类别区分开来。除了两种策略在性能上的差异外，两种算法在性能上也存在差异。使用全层次策略，MLP算法在裸地制图方面明显比DT算法产生更高的精确度（DT为0.83比0.70）。如上所述，当试图区分那些由于其光谱特性而难以分离的类别时，神经网络确实有望比决策树表现得更好。分层MLP分类也是通常表现最佳的方法。使用此场景获得的分类结果如所示图4（左）。该场景的完整混淆矩阵如所示表5. 全层次MLP分类方法的混淆矩阵表明，对于裸土，不仅用户的准确度很高，而且生产者的准确度（0.92）也很高。与红色和灰色曲面的混淆是有限的，这对于密封曲面映射很重要。此外，很明显，水最容易与其他类别区分开来，精确度不低于0.91。对于植被，生产者的精确度为0.83，用户的精确度为0.93。用户对红色曲面类的准确度仅为0.76，但最容易混淆的是灰色曲面。由于红色表面和灰色表面均构成密封表面区域，因此这两类之间的混淆不构成特殊问题。更大的问题是，阴影类所占的灰色曲面对象比例相对较高，导致生产者对灰色曲面的精确度为0.78，而用户对实际被阴影覆盖的对象的精确度仅为0.30。因此，由于与深灰色表面混淆，阴影的出现在很大程度上被高估了。这个问题是在阴影重新分类阶段解决的，其中错误分类为阴影的像素以及实际被阴影覆盖的像素被重新分配到五个陆地覆盖类之一。阴影重分类程序仅适用于总体分类精度最高的分类结果，即全层次MLP方法。
4.3. 影子重新分类
在分层MLP分类结果中，阴影类覆盖了大约13%的验证区域。被归类为阴影的对象隐藏了土地覆盖图用户感兴趣的底层土地覆盖信息。为了揭示这些信息，使用新的MLP进行了阴影重新分类。如前所述，MLP阴影重分类器对阴影对象与指定给每个类的相邻对象共享的边界的相对长度与阴影对象本身的目标陆地覆盖类之间的关系进行建模。通过将阴影块重新分配给有意义的陆地覆盖类，分类图像的信息含量得到了显著增加。
由于用户在初始分类中对阴影类的准确度较低，阴影重新分类大大提高了陆地覆盖图的整体准确度(表6). PCC从82.5%增加到88.5%，kappa指数从0.77增加到0.84。图4显示了去除阴影前后整个研究区域的MLP全层次分类结果。 最终分类结果混乱(表6)主要发生在红色和灰色表面之间，以及植被和灰色表面间。与灰色表面和植被的精确度相比，红色表面的精确度受这种混淆的影响更大，因为用于验证的区域中有大量的后一类（每三分之一）。因此，用户对红色曲面（0.75）的精确度稍低。然而，与目标密封表面类别中的灰色表面结合在一起，用户对密封表面的精度高达0.87，生产商的精度高至0.88。 然而，通过阴影重新分类，裸露土壤类别的准确度与原始分类相比有所降低（用户的准确度从0.83降至0.70，生产者的准确度从0.92降至0.74）。这表明，尽管阴影重新分类程序提高了总体精确度，但它确实将原始分类中标记为阴影的部分对象分配给了错误的陆地覆盖类别，导致除灰色表面类别外的所有类别的用户精确度降低，它最显著地出现在大多数被归类为阴影的图像对象被发现的区域（参见图4，左）。对于裸土，精度下降最为明显。尽管如此，裸露土壤类别的准确度仍然很高，该类别仅覆盖了该地区相对较小的一部分，考虑到其他研究中报告的裸露土壤与密封表面分离的困难，与密封表面类型的混淆有限[30,41,71,72]. 由于正确识别城市地区裸露土壤所涉及的问题以及这类土壤的覆盖率普遍较低，许多关于城市制图的研究没有将裸露土壤视为一个单独的类别[73]. 例如，在大多数关于密封表面测绘的工作中，研究人员只是将裸露土壤视为密封表面类别的一部分[61]他认为，城市地区的裸露土壤通常具有高度的不透水性。如果认为正确识别裸露土壤很重要，建议使用高光谱数据[74-76]. 然而，这项研究表明，基于MLP的非参数层次分类方法，并利用光谱和纹理特征，可以准确绘制城乡边缘的密封表面，其中区分密封表面和裸露土壤至关重要，即使Ikonos传感器提供的光谱带数量有限。 5.结论
在本研究中，使用Ikonos数据对根特市（比利时）部分城乡边缘的密封表面绘图的四种面向对象的分类策略进行了测试。比较了完全分层分类方法和标准方法，前者将类从其余目标类中逐个分离出来，在每个步骤中使用专用的一对一分类器，后者使用一个分类模型来分离所有类。这两种方法都使用决策树和多层感知器分类器进行了测试。对于每个分类问题，从29个光谱和纹理特征中选择最佳输入变量，在图像分割后获得的图像对象级别进行计算。仅使用四个多光谱波段和这些波段上的标准偏差作为输入进行基准最近邻分类。每种分类方法都在一个测试数据集上进行了彻底验证，该数据集包括一个高密度建筑区、一个位于城市边缘的密度较小的城市地区和一个农村地区。
这四个场景使用了更复杂的学习算法和29个可用分类特征的最优子集，其性能优于使用8个输入变量的基准最近邻分类。多层感知器分类器使用全层次分类策略获得了最佳结果，与标准的非层次分类方案相比，总体准确率从78.2%提高到82.5%。使用标准非层次方法的决策树分类器获得的准确度稍低（80%），并且无法通过应用一对一的层次分类策略来提高。
在使用光谱分辨率有限的高空间分辨率数据绘制密封表面时，经常报告的一个问题是裸土和建筑表面类型之间的混淆。虽然在基准场景中，用户对裸露土壤的准确度仅达到0.45，但使用全层次MLP方法将用户对裸露土地的准确度提高到0.83。
提出了一种简单的基于上下文的后分类程序，利用与属于其他类别的相邻对象共享的边界相对长度信息，将陆地覆盖图中的阴影对象重新分配为阴影下的实际陆地覆盖类型。通过将每个阴影对象重新分配给一个目标陆地覆盖类，可以大大提高最终陆地覆盖图的信息内容和总体精度。PCC增加了6个百分点，kappa为0.84。密封表面的精确映射值为0.87和0.88，以确保用户和生产商的精度。
