面向?qū)ο蠓诸?

1、(Definiens professional 8.0)基礎(chǔ)一、產(chǎn)生背景高分辨率遙感影像（high-resolution remote sensing imagery）的大量出現(xiàn)與廣泛應(yīng)用SPOT5、IKONOS、QuickBird、WorldView-、GeoEye-1高分辨率遙感影像廣泛應(yīng)用于土地利用、森林資源監(jiān)測與調(diào)查、土地整理監(jiān)測傳統(tǒng)基于像元（pixel based）分類方式獲得的結(jié)果與地理數(shù)據(jù)庫難以整合“椒鹽”現(xiàn)象，分類結(jié)果不易矢量化分類利用的高分影像信息有限，導(dǎo)致分類精度不高高分土地利用信息提取空間分辨率的提高，提供更多的紋理、形狀、上下文等空間信息，地物看的更清晰，更便于人工目視

2、解譯30米分辨率TM圖像2.5米分辨率SPOT5圖像傳統(tǒng)的基于像素自動分類方法，已不適合面向?qū)ο笥跋穹治雠c信息提取技術(shù)高分辨率遙感數(shù)據(jù)擁有更加豐富的地物信息（光譜、幾何、結(jié)構(gòu)、紋理等）過去的方法是依靠人工勾繪邊界，看圖識字。高分辨率遙感圖像地物信息豐富、數(shù)據(jù)量大。但僅依靠人工的方法對高分辨率遙感影像進(jìn)行解析已經(jīng)難以滿足應(yīng)用需求。耕地居民區(qū)地物精細(xì)識別 = 精確提取地塊邊界 +準(zhǔn)確確認(rèn)地塊屬性二、技術(shù)流程和核心方法影像對象按照局部區(qū)域的不同特征進(jìn)行分割，所分割出來獨(dú)立的結(jié)果就叫影像對象。 每個影像對象代表影像的一個確定空間連續(xù)的區(qū)域。 影像區(qū)域的像素與影像對象關(guān)系是部分關(guān)聯(lián)。 如果兩個影像對象是

3、鄰近關(guān)系，那么它們包含的像素在影像區(qū)域也是相鄰關(guān)系。影像對象層和影像對象層組 對像層： 對象層是由易康(eCognition)軟件分割的多個影像對象組成，而多個影像對象可以按照一定的尺度參數(shù)合并或分割成分別由上下組成的一個新的對象層。對象層組：對象層組由兩個或多個以上的影像對象層組成由上至下是一對多、由下至上是多對一基于對象分類分類特征提取與計算光譜特征形狀、紋理特征等分類方法單特征隸屬度分類器多特征最鄰近分類器樣本選擇和評價特征選擇和優(yōu)化分類后處理精度評價結(jié)果導(dǎo)出分類流程圖工作流程影像輸入創(chuàng)建對象-分割為分類建立特征空間結(jié)果輸出分類精度評價新建工程在啟動eCognition8.0破解版時，要

4、先將系統(tǒng)時間改為2010年1月10日，可用期限為7天。快速制圖模式自設(shè)定規(guī)則模式輸入工程名影像相關(guān)信息（參考坐標(biāo)系統(tǒng)、像素數(shù)、分辨率、影像坐標(biāo)范圍）每個波段作為一個圖層添加圖層移除圖層編輯圖層專題圖層（輔助分類圖層）添加圖層移除圖層編輯圖層元數(shù)據(jù)新建工程打開方式：File菜單New Project或從工具欄點(diǎn)擊是否使用地理編碼注：如果在新建工程時，有信息需要添加或者修改，選擇FileModify Open project調(diào)整視圖設(shè)置 在視圖設(shè)置工具條中的編輯圖層混合按鈕編輯影像圖層混合窗口打開，數(shù)據(jù)波段默認(rèn)情況下以三個條帶以紅、綠 、藍(lán)三色被顯示編輯影像圖層混合對話框要看真彩色效果，通過點(diǎn)擊來

5、設(shè)置藍(lán)、綠、紅在各自對應(yīng)的列如圖，真彩色波段設(shè)置常用窗口進(jìn)程樹窗口類層次窗口影像對象特征顯示窗口（可選擇）特征窗口特征值域樣本編輯窗口View|Windows規(guī)則（Processes）圖像分析算法是Definiens的專家開發(fā)出的一套先進(jìn)的模仿人類認(rèn)知的語言進(jìn)行開發(fā)的高級影像分析算法，這種算法主要采用了面向?qū)ο蟮膱D像分析方法，各種算法的設(shè)計是通過對規(guī)則集的設(shè)計實(shí)現(xiàn)的。一個單一的規(guī)則是解決一個具體圖像分析問題中規(guī)則的集合單元，規(guī)則集是進(jìn)行規(guī)則集合而開發(fā)的一個主要工具。在影像中一個單一的規(guī)則能使一個具體的算法應(yīng)用到一個具體特定的區(qū)域，條件信息為選擇特定區(qū)域的分類或合并提供了很好的語義信息。單一的規(guī)

6、則中的主要功能算法、算法作用的影像對象域、算法參數(shù)算法對象域算法參數(shù)循環(huán)次數(shù)在這個項(xiàng)中您能讀到您在規(guī)則樹中所設(shè)置的所有參量。如圖：自動命名的規(guī)則上述例子命名解釋: 所有對象的Mean nir特征值若小于200在第一層級將被分類為水體。算法（Algorithm）: 從下拉菜單中選擇您想要進(jìn)行的算法，依據(jù)所選擇的算法，在編輯對話框右側(cè)部分的規(guī)則集合設(shè)置的算法參數(shù)也將發(fā)生變化并顯示。 默認(rèn)情況下通常最常使用的算法是可以應(yīng)用的，選擇其它的算法時可以通過下拉選項(xiàng)和滑動條進(jìn)行選擇，在最下端的select more里可以選擇更多算法，添加可利用的算法到算法名單中。算法參數(shù) 根據(jù)所選擇的算法不同，參數(shù)的設(shè)置也

7、不同，必須在參數(shù)設(shè)置表格進(jìn)行設(shè)置，如，多尺度分割的算法被插入。多尺度分割算法的參數(shù) 指定分類的算法參數(shù)注釋： 對于一個規(guī)則，您也可以添加自己的標(biāo)注，您可以在打開編輯對話窗口中點(diǎn)擊注釋圖標(biāo) 通過插入注釋可以使規(guī)則變得容易理解和輸入一些必須的信息。 規(guī)則可以包含任意數(shù)量的子規(guī)則，它們所顯示的結(jié)果是影像分析所定義的結(jié)構(gòu)和流量控制圖，規(guī)則包含很多不同類型算法，允許用戶建立一個連續(xù)圖像分析流程。規(guī)則次序流程 如圖：規(guī)則窗口中顯示了一個規(guī)則流程分割和分類分割：獲取影像對象的過程（像素向上合并的過程）。分類：把具有相近關(guān)系的影像對象歸為一類的過程。易康(eCognition) 分類相關(guān)概念隸屬度分類：為對象

8、選取特征并對這些特征的值用隸屬度函數(shù)進(jìn)行描述，將這些對象歸為一類的過程。隸屬度函數(shù)（ membership functions ）：一種模糊函數(shù)。在分類中，當(dāng)完全不屬于該類時，隸屬度為0；完全屬于時，隸屬度為1.最鄰近分類：通過選取一系列樣本對象，選擇特征集（多個特征），計算這些樣本在這些特征間的分離度。再根據(jù)分離高的特征計算所有對象與樣本點(diǎn)的距離，距離小于閾值，歸為一類。影像分割根據(jù)影像的部分特征將一幅圖像分成若干“有意義”的互不交疊的區(qū)域，使得這些特征在某一區(qū)域內(nèi)表現(xiàn)一致或相似，而在不同區(qū)域間表現(xiàn)出明顯的不同。影像分割是對遙感影像進(jìn)行進(jìn)一步面向?qū)ο蠓治?、理解和識別的基礎(chǔ)，是高分辨率遙感影像

9、應(yīng)用領(lǐng)域的關(guān)鍵技術(shù)之一。影像分割 Smoothness量小說明該對象邊界比較光滑 Compactness表示對象緊湊程度。主要利用光譜特征，形狀特征調(diào)整地塊邊界基于區(qū)域合并的多尺度分割eCognition 中的分割算法棋盤分割：最快的分割算法，但對感興趣對象的特征描述并不有效。分割產(chǎn)生相同大小的對象。四叉樹分割：四叉樹分割速度很快，可以產(chǎn)生多種尺度大小的對象。直接產(chǎn)生的對象沒什么意義，但對后續(xù)光譜差異分割和多尺度分割區(qū)域生長算法有用。對比分裂分割多尺度分割：用得最多、最有效、速度最慢的一種分割方式。光譜差異分割：影像對象域只能為對象。多闕值分割：當(dāng)需要基于絕對的像素值進(jìn)行分割時使用這個算法。對

10、比過濾分割 分割不同分辨率下的分割結(jié)果特征一個特征是目標(biāo)對象的相關(guān)信息的表述。分類過程中用到的最多的兩類特征：影像對象特征（object feature）: 是和一個對象關(guān)聯(lián)的表述其信息的特征 。類相關(guān)特征（class-related feature）：是一個類和整個層次結(jié)構(gòu)中的類關(guān)聯(lián)表述。 影像對象特征顏色、形狀 、位置、紋理、專題圖層等更多信息也可通過影像對象的網(wǎng)狀結(jié)構(gòu)來進(jìn)行歸納分類或合并。 類特征的一個重要例子是給定了類的子對象數(shù)量及給定類的子對象的相鄰關(guān)系（Relative border to neighboring objects and number of subobjects）。

11、 類特征如圖所示，特征窗口常用的對象特征光譜特征亮度最大均值最小均值最大均值差均值標(biāo)準(zhǔn)差最大像素值最小像素值對象比率Mean Diff. to neighborsMean Diff. to neighbors(abs)Mean Diff. to brighter neighbors()Mean Diff. to darker neighbors形狀特征表現(xiàn)對象大小的有：面積、周長、等價直徑、長度、寬度、String length、String width；表現(xiàn)對象的細(xì)長程度的有：長寬比、細(xì)長度；表現(xiàn)對象的邊界復(fù)雜度、緊湊性的有：形狀指數(shù)（即分形維數(shù)）；表現(xiàn)對象與圓的接近程度的有：球狀指數(shù)；表現(xiàn)

12、對象與最小外接矩形的接近程度的有：擴(kuò)展度（矩形度）；如果對象為橢圓形，表現(xiàn)對象的橢圓形狀的有：離心率、扁率；其他：主軸方向紋理特征 灰度共生矩陣（grey level co-occurrence matrix, GLCM），通過對影像灰度級之間的二階聯(lián)合條件概率密度P（i,j,d,st）來表示影像的紋理。P（i, j,d,st）表示在給定空間距離d和空間方向st，以灰度級i為始點(diǎn)，終點(diǎn)出現(xiàn)灰度j出現(xiàn)的概率。分類1.最鄰近分類器分類在特征空間中計算待分類影像對象與各地類訓(xùn)練樣本之間的距離，尋找與待分類影像對象距離最近的樣本對象，將該待分類對象歸屬到最近樣本對象所在的類別；另外，還可以以歐氏距離為

13、測度，將距離轉(zhuǎn)換為隸屬度，最終將待分類樣本歸屬到隸屬度最大的那一類。2.成員函數(shù)模糊分類特征模糊化（特征值隸屬度）多特征模糊邏輯運(yùn)算（地塊多特征隸屬度通過邏輯運(yùn)算得到一個隸屬度）反模糊化（隸屬度類別）K鄰近方法（K-NN） K-NN首先搜索未知樣本的K個鄰近已知類別的訓(xùn)練樣本，將未知樣本歸于這K個鄰近中多數(shù)樣本所屬的那一類 選擇樣本特征空間優(yōu)化選擇可能的特征集計算特征集距離矩陣分離度較高的特征集分類最鄰近分類選樣本時保持選中狀態(tài)保存樣本時先創(chuàng)建TTA掩膜提示：在樣本編輯器窗口中盡量不要添加或少添加紋理特征，否則會導(dǎo)致計算時間很長（1）（2）（3）最鄰近分類最大隸屬度1最小隸屬度0隸屬度函數(shù)模糊

14、大于（左）小于（右）布爾大于小于線性大于小于左：線性范圍（取反）右：線性范圍單值近似高斯大致范圍全范圍菜單Classification Advanced Settings Edit Minimum Minimum MembershipValue編輯歸類最小隸屬度值40設(shè)定閾值隸屬度值大于閾值，則這個影像對象O將會被劃分為class red，否則該對象將被歸為未分類對象1、進(jìn)行尺度為100的影像分割。2、在Class Hierarchy中點(diǎn)右鍵，選擇Insert class，依次建立四個類：房屋、道路、湖泊、草地。面向?qū)ο笥跋穹诸惒襟E（基于樣本）3、編輯特征空間：選擇菜單“Classificat

15、ion -Nearest Neighbor - Edit Standard NN Feature Space”，雙擊左邊的特征列表中的特征，選擇以下一些特征，如下圖：面向?qū)ο笥跋穹诸惒襟E（基于樣本）4、應(yīng)用分類規(guī)則：選擇菜單“Classification - NearestNeighbor - Apply Standard NN to Classes”把它插入到類描述中，選擇左邊框中的類，單擊，即可將該類加入到右邊的框中，如下圖：面向?qū)ο笥跋穹诸惒襟E（基于樣本）點(diǎn)擊OK后，在Class Hierarchy中雙擊一個類，如草地，可以看出分類特征已經(jīng)添加到該類中，如下圖：面向?qū)ο笥跋穹诸惒襟E（基于

16、樣本）選擇按鈕，打開樣本編輯器，如右圖：面向?qū)ο笥跋穹诸惒襟E（基于樣本）5、選擇樣本：選擇菜單View - toolbar - sample，打開樣本導(dǎo)航器，如圖：6、選擇類的樣本：從樣本編輯器中的Active Class中選擇需要選擇樣本的類，如草地，在分割圖上點(diǎn)擊樣例對象,當(dāng)你單擊一個類時，它的特征值在每個列出的特征被以高亮度的紅色指示顯示，這樣可以使您對比不同對象它們的相關(guān)特征值，如下圖：面向?qū)ο笥跋穹诸惒襟E（基于樣本）面向?qū)ο笥跋穹诸惒襟E（基于樣本）選擇樣本導(dǎo)航器中的按鈕，然后雙擊分割圖上的某一個對象，就可以該對象選擇為該類的樣本，選擇后樣本編輯器會成為如下的狀態(tài)：依次為所有的類選擇足

17、夠的樣本。面向?qū)ο笥跋穹诸惒襟E（基于樣本）7、執(zhí)行分類：在Process Tree中選擇Append New，Algorithm中選擇Basic Classification - Classification，在Algorithm Parameters的Active Classes中選擇 “草地、道路、房屋、湖泊”，設(shè)置如下圖：在航空遙感影像上，城市道路特征明顯，形成相互連通的網(wǎng)狀，一般呈亮灰色，其兩邊通常可見深色調(diào)的行道樹或道路隔離帶，容易識別面向?qū)ο笥跋穹诸惒襟E（基于樣本）點(diǎn)擊OK后，再右鍵選擇Execute，即可得到分類結(jié)果：面向?qū)ο笥跋穹诸惒襟E（基于樣本）對于分類圖中的白色區(qū)域，表示這些對象沒有被分類，只需要將這些對象添加到相應(yīng)的類中，再重新進(jìn)行分類，就可以得到正確的分類結(jié)果了，重新分類后的結(jié)果如下：精度評價算法的研究基于像素的精度評價算法包括采樣方法、樣本容量的計算、誤差矩陣的計算與意義、各種精度評價指標(biāo)和Kappa分析等問題。面向?qū)ο蟮木仍u價算法包括最佳隸屬度評價法、分類穩(wěn)定性評價法和基于對象樣本的誤差矩陣統(tǒng)計法。精度評價在eCogn