多尺度网络

❶ 论文里什么是目标值

论文里的目标值就是你要围绕什么目标写论文啊，
要达到什么水平

❷ 退化废弃地监控与评估信息服务系统功能的智能化设计

系统功能的智能化设计包括构建退化废弃地监测与评价知识库，设计系统引导与人机交互相结合的空间采样网络框架设计流程、退化废弃监测流程、退化废弃地评价流程等自动定制技术，以及面向区域多尺度的人机协作式的监测与评价指标体系构建技术，基于数据场理论的退化废弃地评价因子自动量化技术和面向区域特征的评价单元的自适应划分技术。

( 一) 退化废弃监测与评价知识库构建

退化废弃地监测与评价知识库主要用于进行退化废弃地评价知识的有效存储和推理，其核心是退化废弃地评价知识的获取、解释、表达和更新等技术，以及知识库组织、维护和管理知识的机理。

1. 退化废弃地监测与评价知识获取

知识获取可分为四个阶段，即寻找知识表示方法、确定知识库存储结构、知识转化成计算机可识别代码和调试、精炼知识库。基于已有知识库系统，一般可以通过以下几个步骤完成: ① 用户通过规则知识编辑对话框向系统输入规则的前提、结论、规则强度、不确定性因子及解释等，或者通过事实编辑对话框向系统输入事实的内容、可信度等。② 用语法检查器检查输入知识的语法是否有错误、遗漏或重复，如果有，则提示用户修改。③ 对新知识与知识库中已有的知识进行一致性检查。④ 将正确的知识送入知识库。

2. 退化废弃地监测与评价专家知识库的构建

知识库是将专家在处理土地利用问题中的知识与经验转化为能存储在计算机中的知识，以便进行智能决策。知识库中存储有大量的知识，因此其设计重点之一是对知识表示方法的选择，目前常用的知识表示方法有产生式规则、谓词逻辑、语义网络、面向对象的表示等。由于在退化废弃地评价中多具有因果关系，因此可用 “IF ＜ 条件 ＞ THEN ＜ 动作 ＞ ”解释，或者用产生式规则解释。

3. 退化废弃地监测与评价专家知识的决策树推理

决策树推理就是从根结点开始，通过重复在内部结点上进行属性及其取值比较，确定决策树向下延伸分支，最终到达叶子结点，得到所要结论。退化废弃地评价专家知识决策树推理流程如图 7 －6 所示。

图 7 －6 专家知识决策树推理流程

知识库管理系统的功能是在决策过程中，通过人机交互作用，模拟决策者的思维方法和思维过程，提供决策者的经验、判断和推测，得出具有一定可信度的结果。

( 二) 系统引导与人机交互集成的采样、监测与评价功能自动化流程定制

工作流 ( Workflow) 技术是计算机支持协同工作技术 ( Computer Supported Cooperative Work，CSCW) 的一部分，是在协同决策确定过程执行规则的基础上，完全或部分自动执行一系列过程的技术。技术框架应用工作流技术，针对复杂业务流程特性采用请求与响应机制通过人机协作和系统自动引导的方式进行智能化的业务流定制，具体包括采样方案设计流程定制、退化废弃监测流程定制和退化废弃地评价流程定制。

采用系统引导的方式为用户自动定制业务的流程主要包括存在样点布局情况下采样方案设计流程、不存在样点布局情况下采样方案设计流程、基于匹配本底数据模型的退化废弃地监测流程、基于匹配退化基准的监测流程、基于匹配与多因素综合评价方法的恢复效果评价流程、基于多因素综合评价方法的现状评价流程、基于人工神经网络模型的现状评价流程和基于模糊综合评判模型的现状评价流程。具体流程如图 7 －7 所示。

图 7 －7 退化废弃地监测与评价流程图

采样方案设计、退化废弃地监测和退化废弃地评价的具体流程如图 7 －8、图 7 －9 和图 7 －10 所示。

( 三) 面向区域多尺度的人机协作式的监测与评价指标体系构建

针对退化废弃地研究的区域多尺度与评价多目标的特性，系统面向不同类型区域的土地污染、土地退化、灾毁土地等退化废弃地类型构建了监测评价指标候选库，在此指标体系层次框架下建立了用于构建退化废弃地评价指标体系的层次模型，设计了相应的人机交互界面。

退化废弃地监测、评价因子权重主要通过多种方法比较分析最终确定，本系统提供的指标权重确定方法包括特尔斐法、层次分析法和成对因素比较法。

1. 特尔斐法

特尔斐法 ( Delphi) 是一种常用的、有效的，通过综合多数专家经验与主观判断技巧进行技术测定的方法。一般来说，可用于各种领域的决策和判断过程，实施过程包括确定因素、选择专家、设计评估意见征询表、专家征询和轮间信息反馈、权重测定结果的数据处理。因素评估结果处理可分为等级评估和分值评估两种情况，分值评估可采用五分制或百分制，等级评估可用等级序号作为量化值。

图 7 －8 采样方案设计流程图

图 7 －9 退化废弃地监测流程图

2. 层次分析法

层次分析法 ( AHP) 的基本原理就是把所要研究的复杂问题看作一个大系统，首先通过对系统中多个因素的分析划分出各因素间相互联系的有序层次，再请专家对每一层次的各因素进行较客观的判断并相应给出相对重要性定量表示，进而建立数学模型，计算出每一层次全部因素的相对重要性权数并加以排序，最后根据排序结果进行规划决策和选择，进而解决问题的措施。

图 7 －10 退化废弃地评价流程图

3. 成对因素比较法

成对因素比较法是系统工程中常用的一种确定权重的方法，其应用有两个重要的前提: ① 因素间的可成对比较性，即因素集合中任意两个目标均可以通过主观判断确定彼此重要性的差异; ② 因素比较的可转移性，假设有 A、B、C 三个因素，若 A 比 B 重要，B 比 C 重要，则必有 A 比 C 重要。

成对比较是将因素集合中的因素两两之间都进行比较，而比较结果只有三种。假设有A、B 两个因素，即有 A 比 B 重要 ( 给 A 因素赋值 1，给 B 因素赋值 0) 、A 与 B 同等重要( 给 A、B 两种因素各赋值 0. 5) 、A 不如 B 重要 ( 给 A 因素赋值 0，B 因素赋值 1) 三种结果。最后将所有结果汇总，得到各因素的权重值。

表7－4所示是一个六因素通过“因素成对比较”进行权重调查的例子。当因素数较少时，可采用表格形式来进行因素比较和确定权重，当因素较多时，可编制计算程序，采取人机对话的方式来进行(表中v₇为虚拟因素)。

表7－4 成对因素比较法示意表

( 四) 基于数据场理论的退化废弃地评价因子分类自动量化

在对退化废弃地评价数据分析的基础上，借鉴物理场、经济场、地理场等基本理论，本研究对退化废弃地评价空间数据场的基本概念做出如下定义: 退化废弃地评价空间数据场是以土地质量与土地利用影响因素的互动关系为核心，描述土地质量在地理系统中的实物载体、相互作用、空间关系和场态特征等。

1. 点状因子量化

点状因子主要包括自然属性点因子和社会属性点因子。对于自然属性点因子 ( 具体主要包括采样样点) ，主要采用空间插值的方法生成点状因子数据场，具体包括 IDW 插值、样条函数插值和克里金插值函数。对于社会属性点因子主要采用衰减、辐射的方式生成量化数据场，主要包括直线距离依赖场和路径距离依赖场。

( 1) 场类型

1) 直线距离依赖场。数据对象通过退化废弃地评价空间数据场对评价单元的土地利用产生影响，场强随二者之间的空间直线距离的增加而递减。因为势能传递规律与空间直线距离有关，其势能场具有各向同性的特征，其数据能量辐射方式如图 7 －11 ( b) 所示。

图 7 －11 直线距离依赖场示意图

2) 路径距离依赖场。其对评价单元的影响主要通过路径距离的远近，从心理上、经济上和时间上来影响人们的工作、生产和生活，从而影响土地价值。路径距离衰减场源实体通过势能场对评价单元土地利用产生影响，场强随二者之间的路径距离的增加而递减。

( 2) 场强函数及其衰减特性

1) 场强函数

退化废弃地评价空间数据场的场强函数主要有指数衰减函数和线性衰减函数两种。

2) 场强衰减距离

对于直线距离依赖场源，其衰减如图 7 －12 所示。而对于路径距离依赖场和道路汇聚扩散场，场强衰减距离计算则要计算其路径距离，当路径距离计算遇到阻隔时，则要采用最短路径距离计算方法。研究区的计算结果如图 7 －13 所示。

图 7 －12 基于直线距离的点状场源衰减

图 7 －13 基于路径距离的点状场源衰减

( 3) 场域

退化废弃地评价空间数据场源的场域即传统退化废弃地评价中的影响因子作用范围，点状空间距离衰减场源的势能是以该场源实体几何中心为起点，向外随场源与评价单元间空间距离的增加而减小; 等势线是以场源实体的几何中心为圆心的同心圆，距离最远的势能等于 0 的等势线就是点状场源的场域边界。

2. 线状因子量化

线状影响因子形成的数据场，其能量辐射方式理论上应该同样具有直线距离依赖、路径距离依赖两种基本数据能量辐射方式，但是在实际操作中，为简化计算，一般认为其是直线距离依赖方式。

( 1) 场强函数及其衰减特性

线状场源的场强函数需要根据实际情况，采用线性函数和指数函数两种基本函数形式表示，其场强随距离衰减。

( 2) 场域

线状要素场源的势能是以该场源实体为中轴线，向外随着到中轴线垂线距离的增加而减小，等势线是以场源为中轴线哑铃形区域，其势能等于 0 的环形等势线就是其场域边界。

3. 面状因子量化

由于面状场源实体只对覆盖区域评价单元产生影响，其作用度量通过空间叠加计算获取，数值上等于面状场源实体的场级，即相当于传统退化废弃地评价中的影响因子功能分值。因此，在退化废弃地评价空间数据场中，假定面状因子内部均匀，不考虑其对外部辐射数据能量。

( 1) 场强函数及其衰减特性

在假定面状数据场源不对外辐射数据能量的前提下，面状场源的场强函数在数值上与其自身的数据能量值相等，并且在面状区域内均匀分布，在内部不产生数据能量的衰减。

( 2) 场域

由于面状影响因子形成的数据场不对面状区域外部辐射数据能量，场域可确定为面状因子自身覆盖的区域。

4. 阻隔因素的量化

对有诸如山地、河流、铁路等阻隔因素的场源，利用传统的直线量化模型难以满足要求，如图 7 －14 所示，在此基础上提出了最短路径距离衰减量化模型方法。

图 7 －14 顾及阻隔因素的最短路径距离衰减示意图

( 五) 面向区域特征的退化废弃地评价单元自适应划分

对于不同区域、不同尺度要求和不同退化废弃地监测评价类型，其评价单元划分方法不同，本研究系统设计了退化废弃地评价单元自适应划分流程并开发了相应人机交互功能界面。具体评价单元划分流程如下:

1) 退化废弃地评价单元划分动态链接库的开发。采用面向对象技术，开发不同退化废弃地评价单元划分方法软件功能模块，并将其封装成退化废弃地评价单元划分动态链接库，同时提供不同评价单元划分功能调用的接口和参数，以备不同评价任务的调用。

2) 退化废弃地评价任务的描述与形式化表达。将退化废弃地评价任务从评价类型、评价区域类型、评价区域尺度、精度要求、可提供的基础资料等方面进行定性描述，并根据系统和退化废弃地评价单元划分需求，进行形式化描述，实现规范化，便于计算机系统识别。

3) 退化废弃地评价任务与评价单元划分方法的自动匹配。根据退化废弃地评价任务形式化描述，结合已经建立的退化废弃地评价单元划分功能的需求、适用条件，进行评价任务与评价单元划分方法的自动匹配，得到多个匹配方案，并将其反馈给用户。

4) 人机交互式匹配方案的决策与评价单元自适应划分。用户根据候选的匹配方案，进行评价单元划分方法的最终决策，并调用相应的评价单元以适应评价单元自适应划分。

依据上述流程，本研究提出了基于单类型图斑的评价单元划分、基于图层叠加的评价单元划分、基于格网单元的评价单元划分和基于 Voronoi 图的评价单元划分方法，为用户提供面向区域特征的评价单元划分技术。

❸ 什么是网络安全可视化

网络态势可视化技术作为一项新技术，是网络安全态势感知与可视化技术的结合，将网络中蕴涵的态势状况通过可视化图形方式展示给用户，并借助于人在图形图像方面强大的处理能力，实现对网络异常行为的分析和检测。这种方式充分结合了计算机和人脑在图像处理方面的处理能力的优势，提高了对数据的综合分析能力，能够有效的降低误报率和漏报率，提高系统检测效率，减少反应时间。并且这种可视化方法对于有些显示有明显特征的异常行为，还具有一定的预测能力。安全态势可视化系统的目的是生成网络安全综合态势图，以多视图、多角度、多尺度的方式与用户进行交互。

❹ 苹果手机显示“更新验证失败 因为您不再连接到互联网”怎么解决

0从这个错误提示的字面意思，非常容易理解，是因为当前手机的网络连接有问题。大家都并不陌生，系统在更新以前需要对更新进行验证。由于每次更新的内容，再加上机型的不一样，更新的容量都不尽不相同

❺ 苹果11可以用5g网络吗

您好，不可以的，iPhone11手机是4G手机，不支持5G网络制式，所以是无法使用5G网络的
回答仅供参考，由于电信业务以及政策不定期变动，所以具体套餐或政策请以电信网上营业厅或者电信掌上营业厅发布为准。

❻ 什么是张量网络

作为我的研究方向，我简单地介绍一下张量网络是什么，以及它有什么应用。
1. 张量（tensor）
张量网络中的张量，和微分几何和GR中的张量场并不完全相同。在微分几何中，一点处的张量是基于流形上该点的切空间的。一个(m,n)型张量是指将m个协变矢量（余切矢量，cotangent vector）和n个逆变矢量（切矢量，tangent vector）映射到数域上的多重线性映射。取定一组基，这个多重线性映射可以用一系列分量表示出来。这些分量当然和基的选取有关。在张量网络中，我们通常不会去作坐标变换，因此，任何一个具有n个指标的分量集合就称为一个张量。例如，christoffel符号在几何意义上不构成张量，但它是可以出现在张量网络中的。
2.量子力学里的张量
量子力学有一个基本假设，复合系统的Hilbert空间是其子系统Hilbert空间的张量积。因此，多体波函数天然就是一个张量。对于n体系统来说，它的波函数是一个n阶张量。当然，由于维数相同的线性空间是同构的，所以也可以把波函数看成一个矢量，这个矢量的维数是d^n。n体系统的哈密顿量是d^n维的矩阵，当然也可以看成一个(n,n)型的张量。单体算子可以看成2阶张量。两体算子可以看成d^2维的二阶张量，也可以看成维数为d的（2，2）型（四阶）张量。
量子力学中所有可观测量的平均值都可以写成内积，从矩阵的观点看这是二次型。如果波函数是一个张量的形式，算符也可以写成局域张量的求和，那么算符的平均值也可以看作这些张量的缩并的和。
3. 张量网络 (tensor network)
张量的基本运算包括线性运算、张量积、转置和缩并。当涉及的指标较少，缩并关系简单时我们常用抽象指标记号去作解析运算，例如在GR里。但是，当张量数目多，指标缩并关系复杂时，我们最好能用图形表示它们的缩并关系，这就是张量网络。在张量网络中，n阶张量由带n条外腿的圆圈（或方形、三角形等）表示，每条外腿代表一个指标。如果某两个张量的外腿连成一条线，就代表这两个张量的对应指标缩并。整个图形由张量、内腿（参与缩并的指标）和外腿（不参与缩并的指标）构成。整个图形所表示的张量的阶数就是其外腿的个数。例如，如果一个张量网络用来表示n体系统的波函数，那么它就有n条外腿。
4. why tensor networks？
对于量子多体系统，其一般波函数有d^n个分量，当粒子数较大时，这个数目是天文数字，电脑不可以存储。好在我们知道量子系统的基态一般具有两个性质：1. area law 2. exponential/algebraic decay of correlations.
首先，任何多体量子系统都可以选取其中L个连续的粒子构成子系统，而子系统与其他部分是有纠缠的。这个纠缠由子系统的约化密度矩阵的本征值刻画。把这些本征值按一定方式组合成一个数，就是纠缠熵（entanglement entropy），记为S。它刻画了这个长为L的子系统与其他部分的纠缠大小。对于一维系统来说，如果这个系统是gapped，那么它的基态具有如下性质：S有和L无关的上界；如果它是gapless，那么它的基态具有如下性质：S的上界和log L成正比。对于N维系统而言，取子系统为一个N维超正方体，边长为L，那么纠缠熵S的上界与这个正方体的表面积成正比，或者对于gapless系统而言，可以有log L的修正。以上只是对基态和低激发态说的，而凝聚态物理中我们一般也只关心基态和低激发态。对于Hilbert空间中的一般态，其纠缠熵符合volume law，要远远大于基态。
其次，统计物理表明，系统处在临界点（critical point）附近时，关联长度趋于无穷大，关联函数是按多项式递减的（例如L^(d-2+eta)，eta是临界指数，称为反常维度）；在系统为gapped的时候，关联函数是指数下降的（对应的临界指数称为dynamical critical exponent或者z）。
这些性质使得我们在选取系统的波函数时，不需要考虑大部分Hilbert空间的态，从而通过恰当的参数化，减少独立变量的个数。这种参数化是由tensor network描述的。换而言之，用tensor network表述的量子态能很好的符合系统基态的纠缠和关联性质，因此是很好的试验态。其独立参量个数一般只有O（n），甚至O（1）（当系统具有平移不变性时），这使得高效模拟成为可能。
5.MPS
矩阵乘积态（matrix proct states，MPS）是最先被发现和使用的张量网络。它源于人们对密度矩阵重整化群（density matrix renormalization group，DMRG）的原理探究。DMRG是90年代White等人为了模拟量子多体系统提出的算法[1]。它被广泛使用，大获成功的同时，其算法的有效性却没有理论证明。同时，人们发现DMRG不能准确模拟gapless系统。直到00年代人们发现它本质上是使用MPS作为一维量子系统基态的试验态[2]。MPS的纠缠熵有上界，正好符合1维gapped系统的性质。因此在处理critical系统时就会出现一些问题，例如，只有短程行为是准确的（technically，这种现象被称为MPS引入了off-criticality，或者说引入了artifical correlation length）。现在，MPS被高效地用于无限大一维系统的基态和激发态的模拟中[3][4][5]。同时，对MPS取连续极限可以用它模拟量子场论的基态[6][19]。而笔者本人现在的工作是尽量实现用MPS模拟critical系统，实现对Conformal Field Theory的精确模拟。（这一工作已在会议中展示，文章in preparation）
6. PEPS
投影纠缠对态（projected entangled pair states，PEPS）是MPS在二维的拓展，它比MPS更难操纵，尽管获得了较大成功，但算法复杂度要比MPS高很多。二维系统有很多更有趣的物理性质，例如拓扑序、拓扑相变。PEPS可以用来研究这些性质。[7][8]
7.MERA
多尺度纠缠重整化试验态（multiscale entanglement renormalization ansatz，MERA）是一种一维量子系统基态的试验态。它具有log L的纠缠，符合一维临界系统的基态性质。而且MERA天然有尺度不变性（scale invariance），符合统计物理中对critical system的描述（critical point是重整化群流的不动点）[9][10]。MREA可以看成从直积态出发，按尺度逐层引入纠缠的过程。这一过程和holograhy的思想类似。MERA作为临界系统的试验态取得了极大成功，能够精确求解共形场论（conformal field theory，一种描述临界系统的场论），得到scaling operator的scaling dimension、conformal spin和operator proct expansion [11]。并能构造具有正确fixed point的重整化群流[12][13]。高维的MERA也被发现并应用，例如2D MERA，branching MERA[14]。现在，MERA还被看成是实现AdS/CFT对偶的一种方式，成为一种全息对偶（holographic ality）的玩具模型[15][16]。MERA也被连续化为cMERA，因此可以用来模拟量子场论和共形场论[17][18]。
8.其他应用
除了模拟量子系统，tensor network还广泛运用于经典统计物理、量子化学和机器学习中。由于作者本人对其中的某些领域不熟悉，所以本文也止步于此。
9. 更新：最近的“张量网络与量子场论”会议上有很多非常精彩的进展。我将会稍后补充，敬请期待。
--Interested readers may want to refer to following literatures and references therein--
For general information, Arxiv: 1603.03039.
For specific details, please see below:
[1] S. R. White, Phys. Rev. Lett. 69, 2863 (1992).
[2] U. Schollwoeck, Annals of Physics 326, 96 (2011)
[3] G. Vidal, Phys. Rev. Lett. 91, 147902 (2003)
[4] G. Vidal, Phys. Rev. Lett. 98, 070201 (2007)
[5] J. Haegeman etal, Phys. Rev. B 88, 075133 (2013)
[6] J. Haegeman etal, Phys.Rev.Lett.104:190405,2010
[7] S. Yang etal, Phys. Rev. Lett. 114, 106803 (2015)
[8] N. Schuch, Phys. Rev. Lett. 111, 090501 (2013)
[9] K.G. Wilson, Rev. Mod. Phys. 47, 773 (1975)
[10] Scaling and Renormalization in Statistical Physics, J. Cardy (Cambridge
University Press, 1996)
[11] G. Vidal, Phys. Rev. Lett. 99, 220405 (2007), G. Vidal, Phys. Rev. Lett. 101, 110501 (2008).
[12] G. Evenbly, G. Vidal, Phys. Rev. Lett. 115, 180405 (2015)
[13] G. Evenbly, G. Vidal, Phys. Rev. Lett. 115, 200401 (2015)
[14] G. Evenbly, G. Vidal, Phys. Rev. B 89, 235113 (2014)
[15] B. Swingle, Phys. Rev. D 86, 065007 (2012)
[16] B. Czech etal, arXiv:1512.01548
[17] J. Haegeman etal, Phys. Rev. Lett. 110, 100402 (2013)
[18] Q, Hu, G.Vidal, arXiv:1703.04798
[19] M. Ganahl etal, arXiv:1611.03779

❼ 为什么无尺度网络叫做无尺度网络

无尺度或者说多尺度这个是相对于随机图（必须得先了解这个）的一个概念。无尺度网络中，节点的连接度没有明显的特征长度（随机图有）。

❽ 什么是“小波神经网络”能干什么用呀

小波神经网络（Wavelet Neural Network， WNN）是在小波分析研究获得突破的基础上提出的一种人工神经网络。它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型。

 即用非线性小波基取代了通常的非线性Sigmoid 函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。

“小波神经网络”的应用：

1、在影像处理方面，可以用于影像压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高解析度等。

2、在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘侦测等。

3、在工程技术等方面的应用。包括电脑视觉、电脑图形学、曲线设计、湍流、远端宇宙的研究与生物医学方面。

(8)多尺度网络扩展阅读：

小波神经网络这方面的早期工作大约开始于1992 年，主要研究者是Zhang Q、Harold H S 和焦李成等。其中，焦李成在其代表作《神经网络的应用与实现》中从理论上对小波神经网络进行了较为详细的论述。近年来，人们在小波神经网络的理论和应用方面都开展了不少研究工作。

小波神经网络具有以下特点：首先，小波基元及整个网络结构的确定有可靠的理论根据，可避免BP 神经网络等结构设计上的盲目性；其次，网络权系数线性分布和学习目标函数的凸性，使网络训练过程从根本上避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推广能力。

❾ 苹果11可以升级5g吗

您好，不可以的，iPhone11手机是4G手机，不支持5G网络制式，所以是无法使用5G网络的，目前iPhone12手机是5G手机，可以使用5G网络的。

用户如需选购iPhone12手机，也可以登录安徽电信网上营业厅选购的

回答仅供参考，更多安徽电信套餐，业务资讯可以关注安徽电信公众号。

❿ 多尺度分割

与传统的基于像元的分类方法不同，面向对象的遥感影像分类方法处理的基本单元是影像对象，而不是单个的像元。其采用一种基于遥感影像的多尺度分割方法，可以生成任意尺度的、属性信息相似的影像多边形 ( 对象) ，运用模糊数学方法获得每个对象的属性信息，以影像对象为信息提取的基本单元，实现分类和信息提取。面向对象的遥感影像分类有两个独立的模块: 对象生成 ( 影像分割) 与信息提取 ( 影像分类) ( Blaschket et al. ，2000; Metzler et al. ，2002) 。对象生成即采用多尺度分割技术生成同质对象，其是进行分类识别和信息提取的必要前提。信息提取是基于模糊逻辑分类的思想，建立特征属性的判别规则体系，计算出每个对象属于某一类别的概率，达到分类识别和信息提取的目的。

地表信息在不同的尺度 ( 时间或空间跨度) 上有着不同的表现，例如从图 5 －1 中分辨出的就是两个圆形的物体，当把观察距离拉远时，我们看到了图5 －2，这时我们根据其与相邻物体之间的关系能立刻分辨出左边的圆形物体是盘子，右边的圆形物体是车轮。这是空间尺度上的一个简单例子。时间尺度就更加简单，例如一片耕地，在夏季的时候是绿色的，到了秋季变成黄色的。上述的例子说明，当我们要正确识别目标地物的时候，必须要选择一个合适的尺度，达到最佳的分辨效果。传统的基于像元的信息提取方法均是在同一个尺度上进行，该尺度即影像的空间分辨率，由于它无法兼顾地物的宏观和微观特征，导致在影像信息十分丰富的时候 ( 高分辨率影像) ，往往达不到很好的提取效果，出现许多破碎的区域，这也就是常说的高分辨率影像分类的 “胡椒盐效应”。针对这一问题，面向对象的分类方法引进了多尺度分割的概念。

图 5 －1 两个圆形物体

图 5 －2 盘子和车轮

( 一) 多尺度分割的概念

多尺度分割是指在影像信息损失最小的前提下，以任意尺度生成异质性最小、同质性最大的有意义影像多边形对象的过程，其是一种影像抽象 ( 压缩) 的手段，即把高分辨率像元的信息保留到低分辨率的对象上，不同的地物类型可以在相应尺度的对象上得到反映( 黄慧萍，2003) 。影像的多尺度分割从任意一个像元开始，采用自下而上的区域合并方法形成对象。小的对象可以经过若干步骤合并成大的对象，每一对象大小的调整都必须确保合并后对象的异质性小于给定的阈值 ( 王岩等，2009) 。因此，多尺度分割可以理解为一个局部优化过程，而对象的同质性标准则是由对象的颜色 ( color) 因子和形状 ( shape)因子确定，分别代表了影像分割时 “颜色”和 “形状”各自所占的权重，两者之和为 1。而 “形状因子”又由光滑度 ( smoothness) 和紧致度 ( compactness) 两部分组成，两者权重之和为 1，这四个参数共同决定分割效果 ( 图 5 －3) 。

图 5 －3 多尺度分割的参数构成

( 二) 多尺度分割参数的选择

同质性标准包括光谱 ( 颜色) 和形状两个因子，其中形状因子又包括光滑度和紧致度。大多数情况下，颜色因子对生成对象最重要，形状因子有效控制着影像对象的破碎程度，可以避免 “同物异谱”和 “同谱异物”现象与 “胡椒盐效应”，以此提高分类精度( 田新光，2007) 。传统的基于像元的方法不考虑形状因子，而将光谱因子设置为 1，即完全依靠像元的光谱值进行信息提取。光滑度是通过边界平滑来优化影像对象的，其描述的是对象边界与一个正方形的相似度; 紧致度是通过聚集度来优化影像对象的，其作用是利用较小的差别把紧凑和不紧凑的目标对象区分开。光滑度和紧致度两个形状因子相互作用、相互影响，但并不完全对立，即通过光滑度优化的对象也可能会有好的紧致度，反之，通过紧致度优化过的对象也可能会有光滑的边界。

在参数设置时，首先应当明确光谱信息的重要性，应充分利用光谱 ( 颜色) 信息，形状因子权重太高会导致对象同质性的破坏，出现一个对象包含若干地类的情况，不利于信息提取。因此，在进行多尺度分割时要遵循两条基本原则: ① 尽可能使用较大的颜色因子; ② 如果遇到边界不很光滑但是聚集度较高的影像对象，可尝试使用较大的形状因子来加以控制。

( 三) 分割尺度的选择

多尺度分割的一个突出贡献是同一空间分辨率的遥感影像信息不再只由一种尺度来表示，而是在同一遥感影像中可以由多种适宜的尺度来描述 ( 黄慧萍，2003) 。多尺度分割不仅生成了有意义的影像对象，并且将原分辨率的影像信息扩展到不同尺度上，实现了信息的多尺度表达与描述。多尺度分割表示在影像分割过程中采用不同的分割尺度值，所生成的对象大小取决于分割前确定的分割尺度值，其值越大，所生成对象的多边形面积就越大而数目越少，反之多边形面积越小，数目越多。因此，影像分割时尺度的选择很重要，其直接决定了分类和信息提取的精度。

最优尺度的确定一直是面向对象分类方法的一个研究重点，但是最优尺度是相对的，是相对于某一特定目标或要求的，某一特定变量的最优分割尺度值不一定适用于其他变量，所以最优尺度只能是一个数值范围。但是分割尺度的选择应当遵守以下规则: 对于某一特定地物类别，最适合的尺度是指分割后的对象边界清晰，能用一个或者多个对象来表达这种地物类别，既不能太破碎也不能出现混合类别对象，单个对象能够很好地表达这种地物类别特有的属性特征，使其能很好地与其他地物类别区分开来 ( 黄慧萍，2003) 。一般来看，分割尺度越小，产生的对象就越 “纯”，不同地物类别被划分到单个对象的概率就越小，这样信息提取的精度就越高; 但是分割尺度越小会导致同一地物类别对象之间差异性增加，不同地物类别对象之间的异质性反而降低，并不利于分类和识别，而且分割对象数目过多，过于破碎，反而增加了计算机的运算量，降低了提取的精度，并不可取，所以，必须在分割尺度和分类精度之间寻找到平衡点。

( 四) 多尺度分割的网络层次关系

不同的分割尺度生成相应的对象层，从而构建影像对象之间的层次等级网络，它以不同的空间尺度表达了影像所包含的信息，每一个对象都有它的邻域 ( 左右) 对象、上层父对象和下层子对象 ( 图 5 －4) 。对象网络层次结构按照从大到小、从上到下的方式安排:原始层 ( 像元层) 放在最底层，尺度最大的放在最高层。分割尺度较小的层中包含的对象数量较多，每个对象包含的像元数较少; 而分割尺度较大的层中，单个对象包含的像元数目比较多，而包含的对象数量比较少。在这个对象网络层次结构中，每一个对象都包含了邻域对象、下层子对象和上层父对象之间复杂的属性关系，在处理这些关系的时候，上、下层次对象间的关系显得尤为重要，因为通常可以根据父对象的属性确定子对象类别、根据子对象的平均属性对父对象的纹理属性进行分类以及根据已确定类别的子对象组成对父对象进行分类等。此外，相邻对象也十分重要，因为如果有些对象的光谱、纹理和形状信息都十分相似，若以它们的对象作为分类判定的一个标准，则信息提取就容易得多。

图 5 －4 多尺度分割的网络层次结构图

( 五) 基于异质性最小原则的区域合并算法

多尺度分割采用的是基于异质性最小原则的区域合并算法，其基本思想是把具有相同或相似性质的相邻像元集合起来组成区域多边形 ( 对象) 。首先在每个需要分割的区域中找一个种子像元作为生长起点，然后将种子像元邻域中与种子像元有相同或相似性质的像元合并到种子像元所在的区域中，将这些新的像元当作新的种子像元继续进行上面的过程，直到再没有满足条件的像元，由此生成一个区域 ( 对象) ( 章毓晋，2000) 。区域合并算法的目的是实现分割后影像对象的权重异质性最小，如果仅考虑光谱异质性最小会导致分割后的对象边界比较破碎，因此，需要把光谱异质性的标准和空间异质性的标准配合使用。在分割前，需要首先确定影响异质性大小的光谱因子和形状因子，因为只有同时满足光谱异质性、光滑度异质性和紧致度异质性最小，才能使整幅影像中所有对象的平均异质性最小 ( 戴昌达等，2004) 。

( 六) 模糊分类方法

面向对象的遥感影像分类方法采用的是基于模糊逻辑分类系统的模糊数学分析方法。模糊理论是由美国加州伯克莱分校 Zadeh 教授于 1965 年提出的，主要用来处理模糊不清、不严密和不明确的问题。模糊性是客观世界存在的普遍现象 ( 陈文凯，2007) ，遥感影像中的模糊性主要表现在一个对象 ( 像元) 内可能出现多个地物类别在这种情况下如何确定其归属。

模糊分类系统一般由模糊化、模糊推理和去模糊三个部分组成。模糊化就是把特征值向模糊值转化的过程，实质上是一个特征标准化的过程，成员函数是一个模糊表达式，能把任意特征值范围转换为 ［0，1］ 这个统一的范围。模糊推理是指对模糊集合建立相关的模糊判断规则并进行最终推理。去模糊实际上是通过模糊推理以及综合评价方法最终确定结果的过程。

遥感影像经过分割后得到的对象不再是硬性地属于某个特定的地物类别，而是在不同程度上与该类别相关，它们之间的关系不再是 “是”与 “非”的硬性关系，而是不确定的。模糊分类方法是一种量化不确定状态的数学分析方法。采用模糊分类方法有以下三点优势:① 特征值向模糊值转化，这实际上是一个特征标准化的过程; ② 允许特征之间的相互组合，甚至是范围和大小迥异的特征也可以组合起来作为分类的规则; ③ 提供了灵活的、可调整的特征描述，通过模糊运算和层次分析，能够进行复杂的分类和信息提取 ( 张永生等，2004) 。

本研究面向对象的地物分类方法技术流程如图 5 －5 所示。

图 5 －5 面向对象的地物分类方法技术流程图