土地资源是人类赖以生存和发展的基石,无节制不合理的土地利用方式已经对土地资源造成巨大的破坏,加剧了自然环境的恶化,影响社会经济的可持续发展。了解土地覆盖状况是保护土地资源的前提,因此如何快速准确地获取土地覆盖信息,已经成为遥感领域的一个热点问题。传统的基于像素的地物提取方法不能充分利用高分影像的特征信息,而面向对象分类基于分割对象提取特征信息,能够综合利用高分影像的光谱、纹理、形状特征。影像分割是面向对象分类的第一步也是至关重要的一步,分割质量的高低直接影响到分类的精度。高分影像为面向对象分类提供了丰富的特征信息,但并不是特征数目越多越好,高度相关的冗余特征反而会影响分类的精度和效率,所以分类时必须优化特征空间。卷积神经网络Convolutional neural network(CNN)作为深度学习中应用最广泛的网络,其“卷积—池化”结构赋予了它强大的学习能力,能够自动提取遥感影像的特征信息,无需人工提取特征和优化,避免了人为主观上的误差,提高了分类效率,因此CNN逐渐被应用到遥感影像分类。本文以国产高分二号(GF-2)“亚米级”影像为数据源,分别采用面向对象技术和CNN对安徽省巢湖市某区域的土地覆盖进行提取,主要内容和结论如下:(1)面向对象分类在eCognition Developer 9.0中完成。影像分割算法选择多尺度分割算法,首先,对不同形状因子和紧致度组合进行实验对比,寻找到不同地物的最佳异质性因子组合。其次,利用ESP(Estimation of Scale Parameter)分割尺度评价工具确定地物的大致分割尺度,根据该结果对影像进行分割,通过目视解译最终确定地物的最优分割尺度。然后,从分割影像中选择了四类特征:光谱特征、形状特征、纹理特征和自定义指数,并运用eCognition Developer 9.0提供的优化工具完成优化。最后,根据影像分割的实验结果,构建了四层分割分类体系,按照分割尺度大小的顺序,利用最邻近监督分类算法完成所有地物的提取。结果表明,与单一层次分类相比,多层次分类体系的分类效果较好,前者总体精度为88.32%,Kappa系数为0.8572,后者总体精度达到94.91%,Kappa系数达到0.9378。(2)基于CNN模型分类在Spyder 4.0、Matlab 2012软件中完成。设计了一个用于土地覆盖分类的CNN模型,研究输入图像块大小对分类精度和分类效果的影响,利用巢湖市土地利用二调数据和地面实测点,制作四种不同图像块大小n=5,7,9,11的数据集作为网络的输入,同时与传统的机器学习方法SVM(Support Vector Machine)对比分析,实验结果表明,CNN(n=9)分类的总体精度和Kappa系数较高,均达到90%多,明显高于SVM分类。从输入不同图像块大小分类的结果来看,当输入图像块为9时,分类的精度和效果较好,即图像块大小是利用CNN对土地覆盖分类的关键,斑块太小会导致CNN提取的特征信息不足,出现“椒盐现象”,但并不是斑块越大越好,斑块过大会导致过分平滑现象,一些面积较小或在影像中呈线性的类别被错分或者漏分,影响分类精度。CNN应用到土地覆盖分类中,能够较好的提取高分辨率遥感影像的特征信息,进而提高分类精度,分类时结合数据源与地物的实际情况选择合适的斑块大小,对分类精度和分类效果的提高有着重要作用。研究结果表明:面向对象分类时,多层次分割分类相较于单一层次分类具有更好的分类效果。CNN能够快速有效的对土地覆盖进行分类,模型输入斑块大小为9时分类效果最佳。