本文针对湖北省宜昌市点军区森林变化检测应用,采用二期高分二号遥感影像数据进行对比分析,解决植被的细化分类以及有关森林资源变化信息的发现与提取。以2015年和2016年的高分遥感影像为数据源,借助ENVI5.3、Arc GIS10.4.1、e Cognition9.0等数据处理软件,进行了基于高分辨率遥感影像面向森林变化检测应用的目标分类研究。通过正射校正、图像配准、图像融合对遥感影像进行预处理,基于邻域差分绝对值与标准差比定义了多尺度分割参数评价函数,通过相关的计算和折线图分析来确定分割尺度、形状因子以及紧凑度。然后利用神经网络分类方法确定了针对本文实验区的最优特征组合,并采用本文构建的基于多尺度分割对象的多层次分类方案对遥感图像进行分类,最后得到二期遥感影像分类图,进一步得出森林变化检测矢量结果。结果显示,在分类过程中,多层次分类明显优于不分层,基于对象的多层次分类方案结合监督分类总体精度最高可达98.66%。本文的主要内容和结果归纳如下:1)针对宜昌山区以植被为主体目标的分类,以及基于对象分类的高分辨率遥感影像森林变化检测应用方案。步骤为:影像预处理、影像分割、特征组合对比与选择、选择训练样本、分类对比、变化检测以及变化检测后处理,其中影像分割、特征选择以及目标分类技术的应用为主要研究内容。2)分割模块包括多尺度条件下分割参数选择以及使得分割效果达到最佳的分割尺度选择与评价;特征选择模块利用一种分类方法分别对特征的任意组合进行分类结果对比,选出其中最适用于本研究区遥感影像的特征组合,特征包括影像本身的光谱特征、归一化植被指数(Normalized Differential Vegetation Index,NDVI)、归一化水体指数(Normalized Difference Water Index,NDWI)、纹理、主成分等。监督分类算法优选首先从传统分类方法中优选出影像粗分类精度最高的分类方法,即最大似然分类,其总体精度可达到96.77%,kappa系数可达到0.92。然后基于最优特征组合对比了神经网络分类、最大似然分类、k-最近邻分类(k-Nearest Neighbor,KNN),并得出基于对象的KNN分类结果精度最高,其kappa系数可达到0.97。3)基于对象的多层次递进目标分类技术利用了分割的多尺度以及特征值的区间划定进行分层,本文共分为三层。前两层为模糊隶属度分类,对不同地物目标特征的阈值制定规则提取植被,第一层当近红外波段均值大于156且NDWI小于0.28时提取非水体,不满足条件的均为水体;第二层当NDVI大于0.12时从非水体中提取植被,不满足条件的均为非植被;第三层选择训练样本并结合上述对比实验结果,利用本研究最佳监督分类算法KNN分类最终将植被细化分为耕地、草地以及森林地。4)分类情况可以明显看出多层次的分类精度更高且Kappa系数更大,同时尺度按照逐层递减的原则得到最终精细分类的结果最佳,总体精度可达到0.98。在良好的分类结果下,分别将两期影像的分类图进一步利用ENVI5.3工具对比分析,得到变化检测结果,将矢量结果导入到Arc GIS中进行变化检测后处理,并得到最终的变化矢量小班。提出的基于对象分类的遥感影像森林变化检测方法具有规范完善的流程以及高效可行的参考价值,同时其中应用到的基于多尺度分割对象的多层次递进目标分类技术具备高精度以及良好的可行性,也可广泛应用于其他应用场景的分类。