Ecognition8多尺度分割和光谱分割的结合应用解读

合集下载

ecognition多尺度分割原理

ecognition是一种用于图像分割和对象识别的先进软件工具，可以

自动解释遥感图像并产生高质量的分割结果。ecognition的多尺度分割

原理是其核心功能之一，通过在不同尺度上对图像进行分割，可以提高分

割结果的准确性和完整性。

1.图像预处理：首先对输入的遥感图像进行预处理，包括图像增强、

去噪和几何校正等操作，以提高图像的质量和准确性。

2.多尺度分割：ecognition使用一种叫做基于对象的多尺度分割（OBIA）的方法进行图像分割。OBIA是一种将图像分割成具有语义意义

的对象的方法，而不是简单的像素分割。ecognition首先将原始图像分

解成不同尺度的图像金字塔，然后在每个尺度上进行分割。此外，ecognition使用图像的多个特征信息（如颜色、纹理、形状等）来对图

像进行分割。通过在不同尺度上融合这些特征信息，可以获得更准确的分

割结果。

3.对象合并：在分割过程中，ecognition会生成大量的图像对象，

每个对象都有独特的属性和特征。为了简化和提高分割结果，ecognition

会根据一些准则对相似的对象进行合并。这些准则可以是基于颜色相似度、形状相似度或空间邻近性等。通过合并相似的对象，可以减少分割结果中

的杂乱背景，提高对象的完整性和连续性。

4.对象分类：在分割和合并的过程中，ecognition使用一个基于训

练样本的分类器对图像对象进行分类。分类器可以根据对象的特征和属性，将其分为不同的类别。通过对象分类，可以对分割结果进行语义上的解释，进一步提高分割结果的质量和可用性。

基于eCognition高分辨率影像的分类研究

作者：帅慕蓉谢贻文杨鹏飞

来源：《无线互联科技》2018年第11期

摘要：文章针对株洲县堂市乡某部分区域高分辨率影像，采用eCognition的多尺度分割和面向对象的最邻近法对影像进行分类，同时与ENVI5.3软件平台下的最大似然法分类结果进行了对比分析，并以野外验证后的目视解译为基准进行精度评价。结果表明：基于eCognition平台下的面向对象的分类方法避免了传统分类结果噪声严重、精度低的缺陷，其总体分类精度为80%，Kappa系数为0.739 7，比传统分类结果精度高，比目视解译效率高。

关键词：eCognition；面向对象分类；高分辨率影像；最大似然法；Kappa系数

近年来矿山地质环境调查是以遥感技术为手段，如何高效地从高分辨率影像中自动提取高精度地理信息已是当今遥感分类重点研究的问题。传统的分类法是基于光谱信息的智能算法（如支持向量机（Support Vector Machine，SVM）算法[1]等），即使解译人员可以根据专业知识提高分类效果，但也不能解决“同谱异物”和“同物异铺”问题[2]。针对传统分类方法存在诸多的局限性，不仅耗时耗力，而且精度低等问题，Baatz等[3]提出了面向对象的分类技术，克服了传统遥感影像分类方法的不足，能够在一定程度上提高影像的解译效率和质量。为了使矿山周边环境可持续发展，面向对象的技术在矿山调查中的应用就显得格外重要。因此，本文应用eC。gniti。n8.9软件对研究区进行影像分类实验研究，为湖南省矿山地质环境调查提供基础的地理信息数据，在野外调查中具有一定的指导意义。

ecognition培训---文本资料

Ecognition中面向对象法采用模糊分类原理，有两种分类器：最邻近分类器和隶属度函数分类器。 1)最邻近分类法原理：对于每一个影像对象，在特征空间中寻找最近的样本对象，如果一个影像对象最近的样本对象属于 A类，那么这个对象将被划分为A类。实际操作时，通过一个隶属度函数进行，影像对象在特征空间中与属于A类样本对象的距离越近，则属于A类的隶属度越大。影像对象属于哪一类由隶属度来确定，当属于每一个隶属读值小于最小隶属度（可以设置）
可以导入的数据类型
易康（ecognition）可以导入栅格和矢量数据，当然矢量数据在导入的时候必须先转换成栅格数据。软件支持一下两种基本类型的数据：影像层专题层
• 影像层包含了连续的信息，而专题层包含的信息是离散的。这两种不同类型的数据在分割和分类中必须区别对待。除了影像层外也可以导入专题层。
2.ecognition特点
6 快速简单的监督分类； 7 容易表达和分析复杂的语义任务； 8 模糊逻辑分类算法 eCognition可以进行基于样本的监督分类或基于知识的模糊分类、二者结合分类及人工分类，影像对象和分类结果易于导出成常用GIS数据格式，可以用于集成或GIS数据库更新。
多尺度分割原理
多尺度分割原理图：
分割流程
多尺度分割步骤
1.process菜单中选择process tree打开进程树控件。 2.在控件中右击，选择Append new选项，打开 edit process对话框。 3.在Algorithm栏下选择所采用的分割类型。 4.在对话框右栏Algorithm parameters中更改分割参数。 5.选择Execult，执行分割。

ecognition 多尺度分割原理

摘要：

一、引言

二、eCognition多尺度分割原理

1.多尺度分割的意义

2.ESP插件的作用

3.均值方差法的应用

三、最优分割尺度的选择

1.基于均值方差法的最优分割尺度选择

2.具体操作步骤

四、总结

正文：

一、引言

eCognition是一款基于图像分析的软件，其核心功能之一就是多尺度分割。多尺度分割在地理信息系统、遥感图像处理、生物医学图像分析等领域有着广泛的应用。本文将详细介绍eCognition多尺度分割的原理，以及如何选择最优分割尺度。

二、eCognition多尺度分割原理

1.多尺度分割的意义

多尺度分割是为了更好地理解和分析图像中的复杂场景，通过在不同尺度下对图像进行分割，可以获得不同细节层次的图像信息。这有助于我们更准确

地识别和分类图像中的目标物体。

2.ESP插件的作用

ESP（尺度参数估计）插件是eCognition中用于自动估计最优分割尺度的工具。它处理的数据是输入图像，通过计算图像中不同像素值之间的空间距离，生成距离变换图，并基于该距离变换图计算相应的灰度共生矩阵。

3.均值方差法的应用

在eCognition中，均值方差法被用于选择最优分割尺度。均值方差法的基本原理是，当均值方差达到最大时，所对应的分割尺度为最优。具体操作步骤如下：

1）计算每个分割尺度下的对象均值和方差。

2）随着分割尺度的增大，观察均值方差的变化趋势。

3）当均值方差达到最大时，对应的分割尺度即为最优分割尺度。

三、最优分割尺度的选择

1.基于均值方差法的最优分割尺度选择

通过上述均值方差法的操作，我们可以得到最优分割尺度。选择合适的最优分割尺度，可以提高图像分割的效果，使目标物体的边界更加清晰，提高后续图像处理和分析的准确性。

ecognition 多尺度分割原理

（实用版）

1.引言

2.多尺度分割的概念和意义

3.Ecoresis 多尺度分割原理的提出

4.Ecoresis 多尺度分割原理的具体方法

5.Ecoresis 多尺度分割原理的优点和应用

6.结论

正文

【引言】

随着计算机视觉技术的发展，图像分割在实际应用中扮演着越来越重要的角色。其中，多尺度分割作为图像分割的一种重要方法，可以提高分割的准确性和鲁棒性。本文将介绍 Ecoresis 多尺度分割原理，帮助读者更好地理解和应用这一方法。

【多尺度分割的概念和意义】

多尺度分割是一种将图像划分为多个不同层次的区域的方法，旨在提高分割的准确性和鲁棒性。通过分析图像中的不同尺度信息，多尺度分割可以更好地揭示图像中的细节和结构，从而在许多实际应用场景中取得良好的效果。

【Ecoresis 多尺度分割原理的提出】

Ecoresis 多尺度分割原理是由 E.A.Knothe 等人于 2017 年提出的。该原理基于深度学习模型 Ecoresis，通过引入多尺度信息对图像进行分割，从而提高分割的准确性和鲁棒性。

【Ecoresis 多尺度分割原理的具体方法】

Ecoresis 多尺度分割原理的具体方法可以分为以下几个步骤：

1.首先，通过卷积神经网络提取图像的特征；

2.然后，利用上采样和下采样操作分别得到图像的高分辨率版本和低分辨率版本；

3.接着，将高分辨率版本和低分辨率版本送入两个不同的卷积神经网络，分别得到高分辨率版本和低分辨率版本的分割结果；

4.最后，将两个分割结果进行融合，得到最终的多尺度分割结果。

eCognition简要介绍

高分辨率影像预处理
（几何校正，影像增强）
形状和颜色权重、平滑度和紧致度权重参数调整
遥感影像判读尺度分割
否分割效果是否最
佳
定义类层次结构
光谱形态
纹理
选择样本量
分类特征确定
层次
背景
自动分类
…… 矢量
否
分类效果是否最佳
输出结果
实验--面向对象分类（基于规则）
Scene(Mean Layer3)
模糊分类法则最优尺度分割合并策略分类特征的描述
思考？
What’s the soul of Imagery? 面向对象思想的精髓在哪？ EC软件的应用价值在哪？
如何运用它解决空间相关问题？
EC软件的研究价值在哪？给
你的研究带来哪些启示？
参考资料
[1] User Guide [2] eCognition.pdf [3] Reference Book [4] 一种面向对象的遥感影像多尺度分割方法 [5] 多尺度分割技术在高分辨率影像信息提取中的应用研究 [6] 易康分类特征介绍
影像（画图表示）
影像并非由单个像素来代表，而是由包含重要语义信息在内的影像对象以及他们之间的相互关系构成。
抽象性
抽取其本质，核心的东西
封装性继承性
…..
面向对象思想（抽象性，封装性，继承性）[2]

ecognition 试验-多尺度分割形状紧致度参数设置

尺度参数定义影像对象结果的加权影像层的均一性准则的最大标准差，尺度参数值越大，影像对象结果越大。
注意：平滑度和紧致度与影像特征的平滑度和紧致度没有关系
一致性组合一致性准则，由 4个准则组成，定义了影像对象结果的总体相对均一性。
颜色影像对象结果的数值值[颜色]，[颜色] = 1 - [形状]
紧致度:0.5
紧致度:0.2
（2）形状参数对分割的影响形状:0.1 紧致度:0.5
紧致度:0.1
形状:0.2 紧致度:0.5
形状:0.1 紧致度:0.5
形状:0.2 紧致度:0.5
形状参数对分割的影响:形状参数设置越大,所分割的结果的形状在大小上差异越小,显得越整,形状参数设置越小,分割结果显得越散.
尺度参数
尺度参数是一个抽象的概念，对影像对象结果，它决定所能允许的最大差异性，对差异性数据，对给定尺度参数，结果对象将比更均一的数据要小。通过修改尺度参数的值，您可以区别影像对象大小。
提示：通常情况下，最大可能尺度的影像对象仍然能区分不同的影像分区，（尽可能大，尽可能好）。存在一种容忍值，与影像对象所的尺度相关，由于由分类时的均一化处理，这种容忍值代表分类一致性区域。不同区域的区分比影像对象尺度更重要。均一性标准组合尺度参数所对应的对象的均一性由均一性标准域组合定义。在这种情况下，均一性用于反映最小化差异性。三种标准被计算：色彩，光滑度，紧致度。这三种标准在差异性判别方面有多种用法，然而，大多数情况下，为创建有价值的对象，色彩标准是最重要的。然而，某种程度的形状一致性常常能提升对象提取的质量。因为空间对象的紧致度与影像形状概念相关。因此，形状标准是非常有用的，可以在纹理特征非常强的数据（如雷达数据）避免高度分散的影像对象结果。

eCognition基本操作流程

一、基本流程

影像分割→特征选择和特征视图→影像分类→输出分类结果

二、实例演示

（一）新建工程

打开易康软件后，会提示两种模式，一种是【Quick Map Mode】，称之为快速制图模式，另一种是【Rule Set Mode】，称之为规则开发模式.前者主要针

对于临时使用软件和基于样本影像分析的用户，能够极大地简化工作流程如一些面向对象影像分析基本步骤的限制，但是提供的功能有限,而且不能建立规则集;因此这里选择规则开发模式,如图所示。

点击【OK】后进入软件的主界面，如下图所示红色边框里是四种视图类型，这里选中的是第四种【Developer Rulesets】

点击【Create New Project】,弹出如下图所示的界面，选择需要处理的遥感

影像：

选中影像后点击【OK】,用户将能看到【Create Project】对话框，在该对话框中【Project Name】使用英文名称命名工程，【Map】里能够看到当前打开

的影像的坐标系统、空间分辨率、影像大小等信息,【Map】下面显示的是影像波段的别名【Image Layer Alias】、位置等信息，然后再往下【Thematic

Layer Alias】用于插入一些辅助分类的专题数据，例如我们常用的矢量数据。

我们可以将整幅影像加载进来,也可以只处理一部分影像，这时需要点击

【Subset Selection】，然后会弹出对话框，可以用鼠标对感兴趣的区域进行框选.

这里我们默认将整幅影像导入到易康中,如果你想对已经新建立的工程进行一些修改，例如再导入其他波段或影像，可以点击【File】-【Modify Open

ecognition多尺度分割原理

ecognition的多尺度分割原理是其核心技术之一、多尺度分割是指根据图像上的不同尺度特征对图像进行分割，将图像分割成不同大小的区域或目标。该原理基于图像中存在的不同尺度的地物特征，通过分割和聚合等方法，将图像中的地物进行识别和分类。

通常，遥感图像中的地物具有不同的尺度特征，例如形状、纹理和颜色等。在进行多尺度分割时，ecognition首先通过一系列的滤波和边缘检测等算法，从图像中提取不同尺度的特征信息。然后，利用这些特征进行分割，将图像分割成不同大小的区域或目标。分割的方法可以基于像素级别的分割，也可以基于区域级别的分割，具体方法可以根据应用需求进行选择。

在分割完成后，ecognition通过一系列的图像处理和分类算法，对分割后的图像区域进行特征提取和分类。特征提取是指从图像区域中提取能够描述地物特征的属性，例如纹理、形状、颜色、边缘等。而分类是指将提取的特征与预定义的地物类别进行匹配，确定图像区域所属的地物类别。

1.多尺度分割可以处理具有不同尺度特征的地物，例如大面积的建筑物和小尺寸的树木等。

2.分割后的图像区域具有较好的尺度一致性，有利于后续的特征提取和分类。

3.自适应的分类算法可以根据不同的数据和应用需求进行调整，提高了地物识别和分类的准确性和鲁棒性。

4. ecognition具有较好的可扩展性和灵活性，可以适应不同的遥感图像和应用需求，具有较强的应用价值。

总之，ecognition的多尺度分割原理为遥感图像解译和地物识别提供了一种有效的方法，通过提取和利用图像中的不同尺度特征，实现了对地物的自动识别和分类。该原理具有较好的应用潜力，在土地利用、环境评估和资源管理等领域具有重要的应用价值。

ecognition培训文本课件

Ecognition中面向对象法采用模糊分类原理，有两种分类器：最邻近分类器和隶属度函数分类器。 ❖1)最邻近分类法原理：
对于每一个影像对象，在特征空间中寻找最近的样本对象，如果一个影像对象最近的样本对象属于 A类，那么这个对象将被划分为A类。实际操作时，通过一个隶属度函数进行，影像对象在特征空间中与属于A类样本对象的距离越近，则属于A类的隶属度越大。影像对象属于哪一类由隶属度来确定，当属于每一个隶属读值小于最小隶属度（可以设置）
分类原理
时，该影像对象不被分类。影像对象o与样本对象s之间的距离计算公式：
分类原理
d通过所有特征值的标准差而得到归一化，基于距离d的多维指数隶属度函数为：
其中，
分类原理
最邻近分类法的隶属度函数
分类原理
最邻近分类法的隶属度函数
分类的原理
2)隶属度函数分类法隶属度函数可以精确定义对象属于某一类的标准,一个隶属度函数是一维的，是基于一个特征的。因此如果一个类仅通过一个特征就能和其它类区分，或者只用少数的特征。因此如果一个类仅通过一个特征就能和其它类区分，或者只用少数的特征，可以使用隶属度函数。比如，用“layer mean”将分割影像中的水体提取出来。通常，类别可以通过将各种特征组合起来来识别，所用的操作为“and”、 “or”和“not”等，可以用“low layer mean”特征和“high Length/width ratio”。

ecognition 多尺度分割原理

摘要：

一、eCognition 多尺度分割原理简介

1.eCognition 软件介绍

2.多尺度分割原理的基本思想

二、多尺度分割原理的应用

1.尺度空间理论

2.图像多尺度分析

3.多尺度分割在eCognition 中的实现

三、多尺度分割原理的优势与挑战

1.优势：提高分割精度和效率

2.挑战：计算复杂度和数据量

四、总结

1.多尺度分割原理在eCognition 中的重要性

2.未来发展趋势和应用前景

正文：

一、eCognition 多尺度分割原理简介

eCognition 是一款专业的遥感图像处理软件，广泛应用于土地利用/覆盖分类、生物量估计、城市规划等领域。多尺度分割原理是eCognition 的核心技术之一，其基本思想是在不同尺度下对图像进行分割，从而获取更加精确和细致的信息。

二、多尺度分割原理的应用

1.尺度空间理论

尺度空间理论是多尺度分割原理的基础。该理论认为，图像中的目标物体在不同尺度下具有不同的表达方式，通过分析不同尺度下的图像信息，可以更好地识别和分割目标物体。

2.图像多尺度分析

在eCognition 中，图像多尺度分析主要通过多尺度分析模块（MSA）实现。该模块能够自动提取图像中的多尺度特征，为后续的分割和分类提供依据。

3.多尺度分割在eCognition 中的实现

在eCognition 中，多尺度分割原理通过层次聚类算法（HCA）和区域生长算法（RGA）实现。这两种算法分别在不同尺度下对图像进行分割，从而得到更加精确的目标物体。

三、多尺度分割原理的优势与挑战

ecognition 多尺度分割原理

摘要：

1.多尺度分割的概述

2.多尺度分割的方法

3.多尺度分割的应用实例

4.多尺度分割的未来发展趋势

正文：

一、多尺度分割的概述

多尺度分割是一种图像处理技术，它的主要目的是将图像分解为不同的层次结构，以便更好地理解和分析图像中的复杂特征。多尺度分割可以帮助我们在不同的尺度上观察和处理图像，从而更加全面和准确地理解图像所包含的信息。

二、多尺度分割的方法

多尺度分割的方法主要包括以下几种：

1.基于像素的分割方法：这种方法直接对图像中的每个像素进行分割，常见的算法有阈值分割、区域生长等。

2.基于区域的分割方法：这种方法先将图像划分为不同的区域，然后再对每个区域进行分割。常见的算法有区域生长、区域合并等。

3.基于边缘的分割方法：这种方法主要通过检测图像中的边缘来进行分割，常见的算法有Canny 边缘检测、Sobel 边缘检测等。

三、多尺度分割的应用实例

多尺度分割在许多领域都有广泛的应用，例如：

1.在医学影像分析中，多尺度分割可以帮助医生更准确地识别和分析病变部位，从而提高诊断的准确性。

2.在遥感影像处理中，多尺度分割可以帮助我们更好地识别地表特征，从而提高遥感数据的利用率。

3.在目标检测和跟踪中，多尺度分割可以帮助我们更好地识别和跟踪目标，从而提高系统的性能。

四、多尺度分割的未来发展趋势

随着人工智能和计算机视觉技术的发展，多尺度分割的未来发展趋势主要表现在以下几个方面：

1.算法的自动化：随着深度学习等技术的发展，未来多尺度分割的算法将更加自动化，不再需要人工设定参数。

(完整版)eCognition基本操作流程

eCognition基本操作流程

一、基本流程

影像分割→特征选择和特征视图→影像分类→输出分类结果

二、实例演示

（一）新建工程

打开易康软件后，会提示两种模式，一种是【Quick Map Mode】，称之为快速制图模式，另一种是【Rule Set Mode】，称之为规则开发模式。前者主要针对于临时使用软件和基于样本影像分析的用户，能够极大地简化工作流程如一些面向对象影像分析基本步骤的限制，但是提供的功能有限，而且不能建立规则集；因此这里选择规则开发模式，如图所示。

点击【OK】后进入软件的主界面，如下图所示红色边框里是四种视图类型，这里选中的是第四种【Developer Rulesets】

点击【Create New Project】，弹出如下图所示的界面，选择需要处理的遥感影像：

选中影像后点击【OK】，用户将能看到【Create Project】对话框，在该对话框中【Project Name】使用英文名称命名工程，【Map】里能够看到当前打开的影像的坐标系统、空间分辨率、影像大小等信息，【Map】下面显示的是影像波段的别名【Image Layer Alias】、位置等信息，然后再往下【Thematic Layer Alias】用于插入一些辅助分类的专题数据，例如我们常用的矢量数据。

我们可以将整幅影像加载进来，也可以只处理一部分影像，这时需要点击【Subset Selection】，然后会弹出对话框，可以用鼠标对感兴趣的区域进行框选。

这里我们默认将整幅影像导入到易康中，如果你想对已经新建立的工程进行一些修改，例如再导入其他波段或影像，可以点击【File】-【Modify Open Object】。工程建立好后如下图所示：

eCognition操作流程

Definiens professional 5.0分类流程

1.1操作前准备

1.1.1待分类影像切割

eCognition不⽀持超过500万个对象的⽂件分割，因此需要在eCognition分割前要先将遥感影像切割成200M左右的⼩⽂件。为保证切割后影像分类后结果的⽆缝镶嵌，在Arcmap中制作切割⽤的⽮量边界，然后转⾄ERDAS中制作所需要的aoi。

1.1.2辅助图层准备

⽤与上步相同的aoi ⽂件对相应的dem、坡度、坡向图等专题图层进⾏切割，这些⽂件在eCognition分类中都将作为辅助信息⽤到。

1.2 建⽴eCognition⼯程⽂件

1.2.1加⼊影像层和各专题图层

打开eCognition软件，创建新的⼯程⽂件。

先加⼊第⼀步做好的遥感影像⽂件，然后将dem、坡度、坡向图等专题图层都加⼊进来。

1.2.2影像层赋别名

为⽅便分类中使⽤，需要将各个图层赋上别名，按加⼊图层的先后顺序，确保给各图层加上正确的名称（Green、Red、Nired、Swired、Pan、Dem、Slope、Aspect ）等。

1.2.3图层设臵

先在Erdas中查看相应⽂件信息（information）,记下⽂件的左上⾓的x值和右下⾓的y值及分辨率。然后在eCognition中双击相应图层，在弹出的如下对话框中分别输⼊刚才记下的x、y和分辨率。为了确保输⼊坐标正确，在各图层都输⼊后，进⾏检查。⼯程⽂件创建后，就不能再进⾏更改这些数据了。

1.2.4创建新的⼯程⽂件：

点“OK”开始创建⼯程⽂件，完成后应先保存该⼯程⽂件，再开始下步的⼯作。

eCognition中的分割与分类方法研究

1 eCognition中的图像分析主要过程如下：

图1 eCognition中图像分析的主要流程

2 Multiresolution segmentation

采用不同的尺度，进行多次分割，形成网络层次结构，每一个分割都利用低一层的影像对象作为原料，这些原料随之在新分割中进行合并。同时，也遵循高一层中的对象边界限制。这个网状结构是一个拓朴关系，比如，父对象的边界决定了子对象的边界，父对象的区域大小由子对象的总和决定。每一层都由它的直

接的子对象来构成，在下一个高层上，子对象合并为大对象。这个合并会被已有父对象的边界所限制。如果是不同的父对象，那么相邻的对象不能进行合并。

图2 影像多尺度分割的网络层次结构

从一个单个像元开始,分别与其相邻对象进行计算,若相邻的两个对象和合并后的异质性指标小于给定的域值，则合并，否则不进行合并。当一轮合并结束后，以上一轮生成的对象为基本单元，继续分别与它的相邻对象进行计算，这一过程将一直持续到在用户指定的尺度上已经不能再进行任何对象的合并为止。 3 Computation of the heterogeneity criterion

1)对象的光谱(spectral)异质性指标color h ：

∑•=c

c c color w h σ (1)

其中c ω为图层的权重，c σ为图层的标准差，c 为图层数；根据不同的影像特性以及目标区域(interest object)特性，图层间的权重调配亦有所不同，可依使用的需求加以调整。

2)对象的形状(spatial)异质性指标shape h ：

基于eCognition和Google earth影像的土地利用分类

作者：王欢欢

来源：《数字技术与应用》2018年第08期

摘要：传统的土地利用分类和信息提取主要是基于中低分辨率遥感图像的，本文研究基于易于获得的高分辨率的Google earth（GE）影像，利用面向对象的易康（eCognition）软件进行土地利用分类。本文利用面向对象的思想，对没有近红外波段的GE遥感影像进行监督分类和基于隶属度函数的非监督分类得到试验区的土地利用图。

关键词：面向对象；多尺度分割；光谱差异分割；监督分类；隶属函数法

中图分类号：TP751；U674.70 文献标识码：A 文章编号：1007-9416（2018）08-0209-03

1 引言

易康（eCognition）系列软件作为面向对象影像分析技术的专业软件，与传统的遥感软件ERDAS、ENVI、PCI等有明显的不同，虽然ERDAS和ENVI里也有相应的面向对象分类模块，但其对高分辨率影像的信息提取效果，及高分辨率影像涉及的各个行业的应用范围无法与易康软件相比。易康软件的面向对象方法包括影像分割和分类提取两部分[1]。“分割”是面向对象分类的基本前提，是指依据某种同质性或者异质性标准，将影像划分成很多小块对象的过程，常用的面向对象的分割方法有多尺度分割和光谱差异分割。江华使用多尺度分割进行福州琅岐岛土地利用分类[1]；陈韬亦等人结合使用多尺度分割与光谱差异分割进行光学遥感图像分类，以检测舰船目标[2]。本文考虑的是多尺度分割与光谱差异分割在土地利用分类上的结合应用。而“分类”是指依据小块对象的形状、颜色、纹理、空间关系、隶属关系等属性来识别所属类别的过程，常用的面向对象的分类方法有隶属度函数分类法和监督分类法。分割是分类的基础，分割效果的好坏直接关系到分类的精度。本文以重庆市九龙坡区部分城区为例，利用面向对象技术，对没有近红外的GE遥感影像进行土地利用分类研究，得到重庆九龙坡区某片城市地区的土地利用图。