影像分割是影像对象构建主要使用的技术，常用的影像分割方法有以下几个：基于多尺度的、基于纹理的、基于灰度的、基于分水岭的及基于知识的。多尺度分割算法主要综合影像的光谱和形状特征，把图像中的每个波段的光谱异质性与形状异质性的综合特征值计算出来，计算出各个波段所占的权重，依据这些权重再把图像所有波段的加权值计算出来，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。

本文采用基于样本的面向对象分类法，所得结果分别如图6、7所示。

       图6  Landsat8面向对象分类     图7  GF1面向对象分类

3  误差分析

3。1误差分析理论

误差分析指的是在系统功能的完成时，对误差以所希望的目标产生偏差的原因、后果以及所发生在哪一个阶段进行分析，从而减少误差到最低的限度。误差分析的最终目的并不是要完全的消除它，因为误差是不可能不存在的，所以消灭误差不现实；也不是使误差无限的小下去，因为就算花费了大量的人力、财力以及物力，也不一定能达到预想的效果。误差分析的作用就是在一定的条件下得到更接进于真实值的最佳测量结果，确定实验结果的不确定程度，根据预先所想要的结果，选择合理的实验条件和方法，以达到降低成本、缩短实验时间的最佳效果。我们不仅要认真的做好实验，而且要认识到误差的重要性，提高正确表达实验结果的能力，指出实验结果不确定程度，从而达到最佳效果。文献综述

误差分析是遥感数据分类过程中一项不可或缺的工作。通过对实验结果的误差分析，实验者能够直接客观的分析出分类方法是否有效，从而可以通过改进分类模型，达到提高分类模型精度的目的，同时依据分类结果的精度，能够正确和有效地获取分类结果中的信息。本文采用不同的判别方法得到的分类图像，分类结果各不相同，从而与真实的地表空间分布有一定差距，为了使得分类结果更加真实地反映客观实际情况，达到实用的要求，我们需要进行误差分析，从而可以结合具体情况选择切实可行的一种或多种分类方法，达到提高遥感影像分类精度的目的。

3。2误差矩阵

误差矩阵（也叫混淆矩阵）是一个n×n的比较阵列（n为分类数）。一般阵列中的行代表分类得到的类别数据，列代表参考数据，对角线部分指某类型与验证类型完全一致的样点个数，对角线为经验证后正确的样点个数。如果对需要分类图像上的每一个像素都进行检测，那是不现实的，需要选择一组参照像素，但是参照像素必须随机选择[3]。

3。2。1 总体分类精度

总体分类精度（Overall Accuracy）：等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类[3]。被正确分类的像元数目沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。总像元数等于所有真实参考源的像元总数。来`自+优-尔^论:文,网www.youerw.com +QQ752018766-

3。2。2 制图精度

制图精度（Prod。Acc）：指分类器将整个图像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率[3]。

3。2。3 用户精度

用户精度（User。Acc）：值正确分到A类的像元总数（对角线值）与分类器将整个图像的像元分为A类的像元总数（混淆矩阵中A类行的总和）的比率[3]。