【eCognition初学4-1】基于对象的影像分类（以同一样本进行最近邻、支持向量机、决策树、随机森林分类）

理论基础：

与传统的像素级分类不同，基于对象的影像分类首先对图像进行分割，将图像划分为具有相似光谱、纹理和空间特性的对象（即分割单元），这些对象代表实际的地理实体（如植被、建筑物、水体等）。其次，结合基于对象的光谱特征、形状特征、纹理特征等特征值，通过分类算法将对象分配到相应的类别。

基于对象的分类包括以下步骤：

1. 图像分割 详见前文【eCognition初学2】
2. 特征提取 详见前文【eCognition初学3】
3. 分类 

 （1）最近邻（Nearest Neighbor, NN）

原理：最近邻是一种简单的非参数分类方法，通过计算待分类对象与样本集中所有样本的特征距离（如欧几里得距离），将其分类为最近样本所属的类别

优点：实现简单，不需要复杂的模型训练

缺点：当样本分布不均匀时，可能影响分类效果，对噪声点敏感

（2）支持向量机（Support Vector Machine, SVM）

原理：SVM根据最大间隔准则寻找最优分类超平面，使得不同类别样本之间的间隔最大，分类边界更鲁棒