对象化解译先分割影像再对空间对象分类

对象化影像分析先把相邻像元分成候选对象，再利用对象的光谱、纹理、形状和上下文分类。它适合高分辨率影像中由多个像元组成的地物，但分割结果是算法尺度下的区域，不自动等于现实地块。

分割决定后续分析单元

分割根据光谱相似、边缘和空间邻接合并像元。尺度小会把一个地物切成许多片，形成过分割；尺度大则把不同地物合并，形成欠分割。

最优尺度取决于目标。建筑、街区和城市功能区需要不同对象，单一分割层无法同时表达所有层次。可建立多尺度对象并明确每层用途。

影像噪声、阴影和接缝会产生虚假边界。分割前平滑可减少碎片，却可能抹去小对象。预处理参数必须与分割一起验证。

对象可计算各波段均值、分位数、指数、纹理、面积、紧凑度和长宽比。上下文还包括邻接类别、距道路距离和层级关系。

形状特征受分辨率和分割边界影响，同一建筑在不同尺度下紧凑度不同。纹理窗口也要匹配对象大小。

特征数量多会增加过拟合。选择、标准化和降维应只在训练数据内完成，不能用测试区统计。

点样本落入一个对象后，不能自动代表整个对象。对象跨越多个真实类别时，赋单一标签会制造噪声。

训练对象可通过完整覆盖的参考多边形获得，也可设置纯度门槛。边界对象和混合对象应单独处理，而不是强迫进入类别。

同一大对象内抽取多个像元不增加独立样本。训练测试应按对象、影像或地区切分，避免相邻对象共享纹理和成像条件。

对象分类器即使完全正确，也无法修复欠分割对象中的多个地物；过分割则会产生椒盐状对象类别和面积偏差。

评价要分开测量分割质量与分类质量。边界重合、过欠分割指标和对象级混淆矩阵回答不同问题。

最终地图还应按面积加权评价。大量小对象会让对象计数精度与地图面积精度产生差异。

规则系统易解释，可表达面积、邻接和层级知识，但阈值跨地区迁移困难。机器学习能组合复杂特征，也可能利用阴影、季节和数据源伪特征。

规则和模型可以组合，例如先排除水体再分类城市对象。每一步都要保留版本和中间结果，避免复杂流程不可审计。

深度分割模型直接产生像素或实例边界，与传统对象化流程不同。其输出也需要对象级后处理和独立验证，不能因模型端到端就忽略尺度。

分割边界会随光照、物候和分辨率变化。每期独立分割后，对象无法直接一一对应；沿用固定对象又可能错过真实边界变化。

变化分析可使用稳定地块单元，或建立对象匹配与分裂合并规则。任何策略都要区分边界变化与类别变化。

迁移到新传感器前应统一分辨率和波段语义，并复核纹理、形状和阈值。旧对象模型不应直接套用。

道路、建筑、街区和城市并不处在同一尺度。层级分割允许小对象组成更大的语义单元，但父子边界与属性汇总规则必须稳定。若上层对象重划，历史统计可能变化，即使底层像元没有改变。

层级关系可表达建筑属于地块、林斑位于保护区等约束，也可能传播错误。一个欠分割父对象会让多个正确子对象共享错误上下文。模型评价应分别报告各层级结果，并检查上下文特征移除后性能是否异常下降，以发现对数据集捷径的依赖。

合并小对象、填洞、平滑边界和按邻接改类常用于形成可用地图。这些步骤会改变对象数量、面积与边界，不能在计算精度后再悄然执行。最终评价应针对发布产品，并与未后处理结果对照，说明每条规则修复了什么错误、又引入了什么损失。

生产流程还要保存分割参数、特征定义、分类器、规则集和软件版本。大幅影像通常分块计算，块间需要重叠和统一对象标识；否则瓦片边缘会切断真实对象。重跑时应验证对象数量、面积分布和稳定样区，而不只核对文件是否生成。

对象化解译把像元组织成更接近地物的分析单元，但这种接近由分割尺度和证据决定。可靠结果需要同时验证对象边界、标签纯度、分类和面积，而不是只报告最终准确率。