建筑物作为城市的主要地理要素,不论是从国家发展层面还是城市发展规划来讲,对其空间位置及形状信息的准确掌握具有非常重要的意义。高分辨率遥感影像特有的高空间分辨率,使得地物的细节信息得以更充分的表达,由此造成传统基于像素的地物识别和提取方法遇到了瓶颈。因此,本文把建筑物作为研究目标,以面向对象分类技术为研究方法,综合应用建筑物在高分辨率遥感影像上所呈现的光谱、纹理、几何特征,对面向对象的高分辨率遥感影像建筑物提取展开研究。文章的主要研究内容及成果如下:(1)为改善经典分水岭变换方法造成的过分割现象,本文以区域分割方法中的分水岭算法为基础,主要从两方面对其改进:一是结合Canny边缘检测算法获取边缘信息突出的梯度图像;二是结合距离变换找出标记种子进行区域标记。(2)用改进分水岭算法的结果图辅助多尺度分割,实现多尺度分割技术的优化。通过实验分析,得出优化后的多尺度分割方法兼备Canny边缘检测和改进分水岭算法的特点。该方法既能清晰准确地表达出建筑物的边缘信息又有效降低了多尺度分割中存在的过分割现象。(3)针对面向对象遥感影像分类过程中存在的特征“维数灾难”问题,本文提出一种 Relief F 算法和二进制粒子群算法(Binary particle swarm optimization,BPSO)相结合的特征筛选算法,利用数据分析平台实现最优特征子集的选择,最终从63维的原始特征集中筛选出10个用于分类提取的最优分类特征子集。(4)基于本文提出的优化多尺度分割技术以及Relief F-BPSO特征选择算法,利用影像分析平台提供的最邻近算法,实现面向对象高分辨率遥感影像的建筑物分类提取。并在分类提取结果上应用影像分析平台自带的编辑功能进行地物类别的微调整与精度验证,通过与基于多尺度分割及经验特征选择的最邻近方法进行实验对比,得出本文的提取方案在使用者精度、生产者精度、总体精度和Kappa系数四个方面分别提升了 2.7%、1 5.4%、9.8%、12.4%,表明了本文方案的可行性。