eCognition的精度评价 - 360文档中心

基于eCognition高分辨率影像的分类研究

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。

1 面向对象的分类技术面向对象的分类技术是基于目标对象的信息提取技术，以影像分割后的对象作为分类的基础。

目前，基于eCognition平台下的分割算法有棋盘分割、四叉树分割、多尺度分割及光谱差异分割。

本文选用了常用的多尺度分割技术。

多尺度分割是一个基于像素层的自下而上的分割技术，从一个像素的对象开始进行相邻像素的区域归并或者将小的分割对象归并到大的分割对象中去。

eCognition应用

Hyperspectral CASI
7、5不同尺度分类结果统计信息集成
ID 针叶林面积
2 3 4 6 7 8
落叶林面积
950 29296 14081 16263 12432
7669
干针叶林面积
15479 12428
1722 3948 12791 29058
采伐区面积
0 350
0 631 648 2048
• 2）矢量数据：
• 外业检验并经目视解译的土地利用分类图 • 1：1万的土地利用现状图
• 3）其它资料：
与调查有关的行政区划、农、林等方面的文献资料
• 4）土地利用分类等级体系选择：
结合本次实验的目的及实验区特点，以农用地为主，选择分类体系为2001年国土资源部发布《土地分类》试行版本，该分类体系采用三级分类体系，其中一级地类3个、二级地类15个、三级地类71个。
非植被植被
Multiresolution Segmentation
不同尺度分割
像素精级影粗中分像分分割对割割象
多尺度分割——形成对象层次与邻域关系
a 对象等级结构
a 对象等级结构
b 对象层次
b 对象层次
易康的特点
• 德国易康eCognition软件面向对象的遥感影像解译思想朝更接近人类思维模式的方向又迈进了一步，而且其解译的精度和效率通过下面介绍的一些影像解译实际应用项目得到了较系统客观的检验与验证；
所占百分比(%) 9.75 2.95 1.53 1.21 0.45 0.33 48.12 5.4 19.08 5.38 5.8 100
4、1 QuickBird影像城市土地利用分类
西安煤航宝鸡快鸟数据城市土地利用分类

ecognition培训---文本资料

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。
多尺度分割参数设置
3.Scale Parameter(尺度参数）：尺度参数是一个抽象的术语，可以决定最终影像对象的最大异质度。用给定的尺度参数分割异质数据生成的对象要比在均质数据中得到的要小的多。改变尺度参数的大小，可以得到不同大小的影像对象。
多尺度分割后图像对比
分割前
分割后
5.分类
求。
1.ecognition简介
eCognition所采用的面向对象的信息提取方法，针对的是
对象而不是传统意义上的像素，充分利用了对象信息
（色调、形状、纹理、层次），类间信息（与邻近对象、子对象、父对象的相关特征）。
2.ecognition特点
1 独特的面向对象分类方法； 2 模拟人类大脑的认知过程； 3 将计算机自动分类和人工信息提取相结合； 4 可以分析纹理和低对比度数据； 5 针对不同的影像数据和分类任务，进行不同尺度的影像分割；
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的概论 1

eCognition的概论eCognition是北京天目创新科技有限公司代理的德国DefiniensImaging公司的遥感影像分析软件，它是人类大脑认知原理与计算机超级处理能力有机结合的产物，即计算机自动分类的速度+人工判读解译的精度，更智能，更精确，更高效地将对地观测遥感影像数据转化为空间地理信息。

eCognition突破了传统影像分类方法的局限性，提出了革命性的分类技术－面向对象分类。

eCognition分类针对的是对象而不是传统意义上的像素，充分利用了对象信息（色调，形状，纹理，层次），类间信息（与邻近对象，子对象，父对象的相关特征）。

eCognition基于Windows操作系统，界面友好简单。

与其他遥感，地理信息软件互操作性强，广泛应用于：自然资源和环境调查，农业，林业，土地利用，国防，管线管理，电信城市规划，制图，自然灾害监测，海岸带和海洋制图，地矿等方面。

面向影像对象：＊面向像素的解算模式将像元孤立化分析，解译精度较低且斑点噪声难以消除；＊利用影像分割技术把影像分解成具有一定相似特征的像元的集合—影像对象；＊影像对象和像元相比，具有多元特征：颜色、大小、形状、匀质性等；基于对象属性特点：- 颜色信息丰富- 形状接近真实地物- 大小区分明显- 纹理信息突出- 上下文关系明确基于像素属性特点:- 基本上只以颜色信息来区分主要分类过程介绍：采用eCognition软件对影像进行分类操作非常简单，可以主要以三个步骤来形容如下：1.分割分割是面向对象分类的前提，多尺度分割是影像对象提取的专利技术，可以根据目标任务和所用影像数据的不同以任意选定的尺度分割出有意义的影像对象原型。

2.分类多尺度分割的结果是影像对象层次网络，每一层是一次分割的结果，影像对象层次网络在不同的尺度同时表征影像信息。

3.导出导出分类结果。

eCognition提供的专业分类工具包括* 多源数据融合* 多尺度分割* 基于样本的监督分类* 基于知识的模糊分类* 人工分类* 自动分类多源数据融合工具：可用来融合不同分辨率的对地观测影像数据和GIS数据，如Landsat,Spot,IRS,IKONOS, QuickBird,SAR,航空影像，LIDAR等，不同类型的影像数据和矢量数据同时参与分类。

图像精度评价方法

图像精度评价方法进行遥感影像分类或进行GIS动态模拟时，需要评价结果的精度，而进行评价精度的方法主要有混淆矩阵、总体分类精度、Kappa系数、多分误差、漏分误差、每一类的生产者精度（制图精度）和用户精度。

1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。

混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。

混淆矩阵的每一列代表了地面参考验证信息，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在地表真实像元相应类别中的数量。

如有50个样本数据，这些数据分成3类，每类50个。

分类结束后得到的混淆矩阵为：43 5 22 45 30 1 49则第1行的数据说明有43个样本正确分类，有5样本本应该属于第1类，却错误分到了第二类，有2个样本本应属于第一类，而错误的分到第三类。

2、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。

被正确分类的像元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。

像元总数等于所有地表真实分类中的像元总和。

3、Kappa系数：The Kappa Index of Agreement (K): this is an important index that the crossclassification outputs. It measures the association between the two input images and helps to evaluate the output image. Its values range from -1 to +1 after adjustmentfor chance agreement. If the two input images are in perfect agreement (no change has occurred), K equals 1. If the two images are completely different, K takes a value of -1. If the change between the two dates occurred by chance, then Kappa equals 0. Kappa is an index of agreement between the two input images as a whole. However, it also evaluates a per-category agreement by indicating the degree to which a particular category agrees between two dates. The per-category K can be calculated using the following formula (Rosenfield and Fitzpatrick-Lins,1986):K = (Pii - (Pi.*P.i )/ (Pi. - Pi.*P.i )where:P ii = Proportion of entire image in which category i agrees for both datesP i. = Proportion of entire image in class i in reference imageP.i = Proportion of entire image in class i non-reference imageAs a per-category agreement index, it indicates how much a category have changed between the two dates. In the evaluation, each of the two images can be used as reference and the other as non-reference.Kappa系数是另外一种计算分类精度的方法。

211017069_面向对象的多层次规则分类地物遥感信息提取方法试验分析研究

第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年　３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号　１０００５２６９（２０２３）０２００６７０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘　淑１，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘　要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。

针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。

运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９９５％，Ｋａｐｐａ系数为０７４。

与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。

关键词：面向对象；ＧＦ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７文献标志码：Ａ随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。

真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１３］。

目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。

遥感论文——精选推荐

基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。

所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。

然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。

而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。

随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。

虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。

所以也会出现上述的一些问题（如：椒盐现象等）。

所以传统的分类方法已不能满足分类的需求。

所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。

采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。

所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。

本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。

分类精度评价

遥感影像分类精度评价遥感影像分类精度评价(2009-11-20 14:20:57)在ENVI中，选择主菜单->Classification->Post Classification->ConfusionMatrix->Using Ground Truth ROIs。

将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。

点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。

对分类结果进行评价，确定分类的精度和可靠性。

有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。

对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。

1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。

混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。

混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。

2、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。

被正确分类的像元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。

像元总数等于所有地表真实分类中的像元总和。

3、Kappa系数：是另外一种计算分类精度的方法。

它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。

遥感图像解译eCognition软件实习报告

《遥感图像解译eCognition软件》实习报告2021年11 月eCognition软件数据处理报告目录目录 (1)1实习原理 (2)2实习目的 (2)3实习步骤 (2)3.1导入数据，进行预处理 (3)3.2影像分割 (5)3.2.1棋盘分割 (5)3.2.2四叉树分割 (6)3.2.3多尺度分割 (7)3.2.4波谱差异分割 (9)3.3建立分类体系 (10)3.4样区选择与特征空间的构建 (11)3.4.1样区选择 (11)3.4.2特征空间构建 (12)3.5执行分类 (15)3.3结果输出 (16)4实习心得 (17)正文一．实习原理随着遥感技术的不断发展，遥感信息的现势性、宏观性、成图周期短、多时性和立体覆盖能力的优势,让其在土地利用信息获取方面发挥着越来越重要的作用。

利用遥感影像对地物进行分类，并根据分类结果影像编制专题地图，也已经成为了土地利用，监测方面不可缺少手段。

而遥感影像分类的精度，直接影响着遥感数据可利用性和专题地图的精度。

因此利用相关软件或者算法提高遥感影像分类的精度，成为了提升遥感数据使用价值中刻不容缓的任务。

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eCognition软件相比。

eCognition软件最大的特色采用面向对象的遥感影像分析。

首先将影像按照一定尺度分割成一个个对象，然后对每一个对象封装其光谱、形状、纹理等特性并且建立该对象与其相邻对象、父对象、子对象之间的关系。

其中主要包括分割与分类两个步骤。

分割——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；是分类的前提。

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。

如何提取遥感影像信息之eCognition Essentials使用说明

eCognition EssentialseCognition Essentials软件是一个一体化的解决方案，使任何技术水平的用户都可以快速从卫星影像创作出高品质的、GIS就绪的可交付成果。

基于eCognition软件的核心技术，eCognition Essential引导工作流程，使遥感数据分析的速度更快，并节省定义规则集的时间。

特点与优势●由Trimble eCognition®图像识别引擎技术支持的直观用户界面。

●轻松地实现图像的土地覆盖制图任务。

●引导工作流程，有效地将图像数据转化为可操作的情报。

●分析各种文件类型的栅格和矢量数据。

●导出高品质、GIS就绪的可交付成果。

●通过的Trimble InSphere™数据市场获得地理空间数据eCognition Essentials软件提供了一个开箱即用的解决方案来执行常规遥感任务，例如精确的森林、农业和土地覆盖制图。

该指导工作流程能够结合一系列交互工具，通过分析图像分割或以样本为基础的分类资源达到质量控制的目的。

通过预先定义的图像分割步骤，以节省创建规则集的时间。

遥感和地理信息系统分析师能够轻松地从有价值的数据中提取出最佳的结果。

亮点一个完整的分析工作流程软件解决方案Trimble公司的eCognition Essentials为用户提供一个集全部所需的工作流程步骤功能于一身的以样本为基础的分类方案，由Trimble的强大eCognition引擎支持。

预定义工作流模块允许用户基于SVM 和KNN快速制订以样本为基础的分类规则，导出GIS就绪的结果图层（SHP/ FileGBD）。

直观的图形界面作为对于没有受过基于对象的影像分析的专门训练的遥感专业人才的完美起点，Trimble eCognition Essentials提供了一个易于使用的，直观的图形化用户界面。

立即进入自动分割和分类任务，该软件使生产型用户能够掌控以样本为基础的影像分类工作流程。

eCogniton面向对象分类之

eCogniton⾯向对象分类之精度评价[转]
eCognition提供的精度评价⼯具简单易⽤，误差矩阵（混淆矩阵）、kappa系数等概念也与常规遥感软件⽆异，由于它是基于模糊逻辑的软分类，精度评价⾥⼜多了⼀个“分类稳定性”指标，感觉很科学。

⽽且，精度评价的结果也能在图上直观地显⽰。

总之，评价⼀个字：好！
eCognition提供的四种精度评价的⽅法：
1、分类稳定性。

由于是软分类，每个对象对应于每个类别都有⼀个概率值。

每个对象（图斑）属于最佳分类的概率值与次佳分类的概率值之差，即为该图斑的分类稳定性。

分类稳定性最⼤值为1，最为稳定；最⼩值为0，表⽰完全模棱两可，最不稳定。

稳定性也可以在图⾥⾯直观显⽰，从深绿到红⾊的图斑，表⽰稳定性从⾼到底。

（东阳何⽣的读书札记）
2、最佳分类结果概率值。

也是0到1，也可以在图中由绿到红显⽰。

3、根据 TTA Mask 计算的混淆矩阵，以像素为统计对象。

（东阳何⽣的读书札记）
4、根据验证样本计算的混淆矩阵，以图斑为单位。

※ Statistics⼯具，强⼤的统计功能，⽤户可以⾃定义统计的类别、特征，所属层次，做诸如⾯积统计之类的各种各样的统计。

训练样本数目选择对面向对象影像分类方法精度的影响_薄树奎

的情况 , 所以影像分割后的数据集分布形式可以类
似地计算出来。
对任意分布的总体 X, 期望为 EX, 方差为 DX,
有放回抽选样本 , 容量为 m, 设样本均值为随机变量
y, 则
y=(x1 +x2 +… +xm)/m 其中 , x1 , x2 , … , xm 为总体的 m个有放回抽样 , 那么 y的期望为
TM数据和航空影像结合起来 , 利用面向对象方法实现土地覆盖分类。面向对象的影像分析技术是一种区别于以往方法的新思路 , 是一种有效遥感影像分析的方法。
面向对象遥感影像分类方法也是一种监督分类 , 即需要在已知类别的训练场地上提取各类训练样本 , 通过选择特征变量、确定判别函数或判别规则 , 从而把影像中的各个影像对象划归到各个给定的类别。在监督分类中 , 训练样本的选择是一个关
Abstract Asopposedtoper-pixelclassification, theselectionoftrainingsamplesisdifferentinobject-orientedmethod. Basedonstatisticaltheory, thenumberoftrainingsamplesrequiredinobject-orientedclassificationisstudiedinthispaper. First, featurespaceanalysisofimagesisimplementedinobject-orientedclassification, whichshowsthatthenumberof trainingsamplesneededforobject-orientedclassificationismuchlessthanthatin per-pixelclassification.Then, an experimentofremotesensingimageclassificationiscarriedouttoverifytheauthenticitybasedontherelationsbetween samplesandbands. Keywords classification, object-oriented, trainingsamples, remotesensingimage

eCognition Developer软件常用算法与特征.

智能影像分析专家eCognition Developer 软件常用算法与特征ReferenceBook 对 eCognition Developer 软件所有算法与特征都有较为详尽的说明,具体用法请参见 ReferenceBook 。

下面是一些常用算法与特征的说明, 以下截图均为 8.7.2版本下的截图。

一、常用算法1. 分割1多尺度分割 multiresolution segmentation多尺度影像分割从任一个像元开始 , 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。

因此 , 多尺度影像分割可以理解为一个局部优化过程 , 而异质性则是由对象的光谱 (spectral 和形状 (shape 差异确定的 , 形状的异质性则由其光滑度和紧凑度来衡量。

显然 , 设定了较大的分割尺度 , 则对应着较多的像元被合并 , 因而产生较大面积的对象。

多尺度分割2棋盘分割 chessboard segmentation棋盘分割是最简单的分割算法。

它把整幅或特定的影像对象裁剪成一个给定大小的相等正方形。

置各波重否使用矢尺度参数形状因子紧致度因子智能影像分析专家棋盘分割因为棋盘分割算法产生简单的正方形对象,所以它经常用来细分影像与影像对象。

3四叉树分割四叉树分割与棋盘分割类似,但是它要创建出不同大小的正方形。

您可以使用Scale Parameter 定义每个正方形内的颜色差异上限。

在裁剪出一个初始的正方形网格后,四叉树分割继续如下:如果不符合同质性标准, 那么把每个正方形裁剪成四个较小的正方形。

例如:正方形对象中最大的颜色差异要比定义的尺度值大。

重复以上过程直到在每个正方形中都符合同质性标准。

四叉树分割尺度参数是否使用矢量参与分割2. 分类1 assign Class 根据限制条件将对象分为指定类别,一次只能分一类。

eCognition在土地利用项目中的应用

第28卷第6期2005年12月测绘与空间地理信息GEOMAT ICS &SPAT IAL I N FORMAT ION TEC HN OLOGYV o.l 28,N o .6D ec .,2005收稿日期:2005-01-27作者简介:丁晓英(1977-),女,广东潮州人,硕士,主要从事河口环境及水土保持遥感研究工作。

e Cogn iti on 在土地利用项目中的应用丁晓英(珠江水利委员会科研所,广东广州510611)摘要:主要介绍了e Cogn ition 对高分辨率卫星影像进行地物分类的技术方法。

并以深圳铁岗水库附近地区为例,说明该技术在土地利用分类中应用的可行性和潜力,为高分辨率卫星影像在地物分类中的有效应用提供了新的技术手段。

关键词:e Cogniti on ;高分辨率卫星影像;分类;土地利用中图分类号:P208 文献标识码:B 文章编号:1672-5867(2005)06-0116-02The Application of e Cognition in Land Use ProjectsD I NG X i ao yi ng(Instit ute o f P earl R i ve rW ate r R esources Comm i ssi on ,G uangzhou 510611,Chi na)Abstrac t :Th is paper ma i n l y i ntroduces t he app licati on of eCogn iti on i n l and use classificati on usi ng hi gh-resoluti on re m ote sens i ngdata .U si ng th i s so ft ware ,we c l assifi ed land use o f Shenz hen T i egang area by SPOT 5i m agery .T h i s paper d i scussed the feasibility and potenti a l of eCogn i tion soft w are i n l and use classificati on .It a lso presented a new e ffective technical way to c l assify the land use us i ng h i gh-reso l uti on re m ote sensing i m agery .K ey word s :eCogn i tion ;h i gh reso l ution remo te sensi ng i m agery ;classificati on ;land use0 引言近年来,随着空间遥感技术的发展,高分辨率遥感影像在资源调查、环境监测等领域中的应用日益广泛。

点位精度评定

2 y 2 x y i x i 2 2 x y DRMS n n
1.7 2DRMS
双倍距离均方根 2 DRMS 的计算公式如下：
2 2 2 DRMS 2 DRMS 2 x y
1.8
CEP

2 2 atan 2 2 xy , x y
2
注意： atan 2 y, x 表示原点到 x, y 的方位角。
2 x2 y K n n 0, 1, 2, 3, 当时（） l 取最大值 E ；
2
当 n
T
l2 l T Dl
2 x xy xz 2 上式中的 D yx y yz 是随机变量 x, y, z 的方差、协方差矩阵。 zx zy z2
1.11 对比
CEP、CEP95、CEP99 之间是有严格的比例关系的；DRMS、2DRMS 之间
也是有严格的比例关系的；那么 CEP 与 DRMS 有什么关系呢？假定 x y ，则： CEP 0.589 2 ， DRMS 2 。此时
DRMS 1.2 CEP 。 DRMS 1.2 CEP 换句话说就是 CEP 与 DRMS 之间有着近似的转换公式：
1.7 2DRMS .............................................................................................................3
I
第1章
点位精度评定
第 1 章点位精度评定
1.1 简介
下图显示了一系列的散点。点位精度评定就是计算一些数值，用来评定这些点的离散程度。精度评定数值越小说明点的离散程度越小，精度越高。

eCognition(易康)软件在城市绿化覆盖调查中的应用

eCognition（易康）软件在城市绿化覆盖调查中的应用发表时间：2018-03-22T14:32:50.237Z 来源：《防护工程》2017年第32期作者：陶方李文林熊健[导读] 随着影像提取技术、遥感处理技术和计算机智能化等技术的发展，影像提取的工作将会越来越便捷、需要人工干涉的内容也会越来越少、精度也将越来越高。

江苏省地质勘查技术院江苏南京 210018摘要：城市绿化覆盖调查是结合江苏省自然地理现状、美丽江苏建设需要及政府、公众关注点的要求下开展的任务。

本论文以易康软件作为平台，在已有航天遥感影像的基础上，研究如何使用遥感影像半自动解译等方法，通过遥感影像获取与处理、城市绿化信息提取等技术，对城市建成区和中心城区开展城市绿化覆盖遥感调查，获取城市绿化覆盖解译成果及统计分析成果。

关键词：易康；高分辨率影像；多尺度分割；地物提取0引言城市绿化覆盖调查可以反映出城市绿化建设的覆盖程度，对城市绿化及生态环境以及城市生存环境可进行对比分析，得出的数据可以反应城市宜居指数，也为城市生态建设提供指引。

随着卫星数据的积累，我们虽然获取大量的高分辨率影像，但使用传统的人工矢量化方式进行生产，无法满足城市绿化覆盖调查大范围、更新快的需求。

如何减少人工编辑的工作量同时又能高效准确的提取地物信息，是目前制约着遥感技术发展的一个难题。

因此，自动、高效、准确的基于遥感影像地物提取方法已经成为遥感应用领域的主要发展方向。

本文将通过易康软件，研究如何通过高分辨率卫星影像来提取城市绿化信息。

1 eCognition（易康）软件eCognition是全球第一个基于面向对象的影像分析软件，其面向对象的影像分析方式可充分利用已有的矢量、栅格、DEM、点云等数据信息对所有类型的常用影像数据源进行智能高效的解译。

城市绿化覆盖调查的解译方案分为人工解译和自动解译。

人工解译耗时长、综合不够精确、人为主观判断因素影响过大，而全自动解译存在难度大、地物提取不够智能、工程化应用太难等弊端，因此两者结合是目前最好的解决方案。

eCognition8.9面向对象分类详细步骤

基于Nearest Neighbor 的面向对象监督分类1. 启动eCognition 8.9，选择Rule Set Mode ，Ok 。

2. 新建Project ：File →New project ，或者工具栏上的新建按钮。

在弹出的对话框中选择要添加的文件l8_rs_wgs84_sub.img ，点Ok ，可以看到它包含8个分辨率为30m 的图层，双击每个图层可以修改它的图层名，利于分辨。

然后点图层窗口右边的Insert ，在弹出的对话框中选择l8_pan_rs_wgs84_sub.img 文件，Ok 后将Pan 波段添加进来。

最后，点Thematic Layer Alias 窗口右边的Insert 按钮，选择2002 forest types UTM WGS84.shp 文件，Ok 后将森林类型专题图添加进来，双击该矢量层，将图层名修改为Foresttype ，最终效果如下图：D E NG _0316Project Name 等按默认，点Ok ，回到主界面，图像按前3个波段RGB 显示，如下图：为了更好的辨别地物类型，点击工具栏上的图层显示编辑按钮，在弹出的对话框中点击修改RGB 为NIR ，Green ，Blue 显示：D E N G _0316如果取消勾选左下角No layer weights ，还可以设置不同波段的比重，在调整不同波段的比重时，在数值上左击鼠标增加比重，右击鼠标减少比重，如下图：点Ok 进行波段显示调整后的效果如下，然后保存这个Project 为l8_rs_wgs84_sub.dpr 。

D E N G _03163. 将图像分解为基本对象：首先，在Process Tree 窗口（如果没有，菜单栏View →Windows →Process Tree 调出），右击，选择Append New ，将Name 改为Segmentation ，其他按默认，然后点击Ok ：其次，在Process Tree 窗口，右击Segmentation 这个新建规则(Rule)，选Insert Child(插入子规则)，Name 勾选自动，Algorithm 下拉菜单选择multiresolution segmentation （最常用的分割算法），在右边的参数窗口，找到Scale parameter 并将其设置为150，其他默认，然后点Execute(立即实行)或者Ok(稍后实行)。

基于易康土地覆被分类

– SPOT5、IKONOS、QuickBird、WorldViewⅠ-Ⅱ、GeoEye-1、无人机 – 高分辨率遥感影像广泛应用于土地利用、森林资源监测与调查、土地整理监
测
• 传统目视判读或是基于像素（pixel based）分类方式获得的结果与地理数据库难以整合，且信息提取的精度和效率不能兼顾。
常用特征参数
四、基本操作与设置演示
如图所示，特征窗口常用的对象特征
常用特征参数
四、基本操作与设置演示
光谱特征
• 亮度 • 最大均值 • 最小均值 • 最大均值差 • 均值 • 标准差 • 最大像素值 • 最小像素值
– 对象比率 – Mean Diff. to neighbors – Mean Diff. to neighbors(abs) – Mean Diff. to brighter neighbors() – Mean Diff. to darker neighbors
基本分类方法
四、基本操作与设置演示
• 基于规则的分类方法：（1）最邻近分类器：
在声明每个类的样本对象后，每个影像对象都赋为特征空间中最邻近样本所代表的类中。（2）隶属度函数分类器：
可以精确定义对象属于某一类的标准，是基于一个特征的。如果一个类仅通过一个特征或者只用少数的特征就能和其它类区分，则可使用隶属度函数。 • 基于分类器分类方法：（1）决策树算法（2）随机森林算法（3）贝叶斯算法（4）支持向量机算法（5）K最近邻算法
四、基本操作与设置演示
自动命名的规则
上述例子命名解释: 将影像采用棋盘分割方法，按照每个对象100*100像素进行分割，其中一个专题层参与运算。
算法（Algorithm）:
从下拉菜单中选择您想要进行的算法，依据所选择的算法，在编辑对话框右侧部分的规则集合设置的算法参数也将发生变化并显示。

基于遥感水边线的潮滩面积提取方法研究

基于遥感水边线的潮滩面积提取方法研究张媛媛;高志强;刘向阳;许宁【摘要】潮滩作为动态变化的后备土地资源,对其研究具有重要意义.文章以江苏省如东县为研究区,使用环境资源卫星(HJ1A/1B)影像为数据源,应用面向对象技术创建分类规则,实现批量半自动提取水边线,随后利用DSAS软件处理水边线集获得潮位点集,基于最外边界法实现高(低)潮位点的提取,进而获得潮滩范围,估算的如东县潮滩面积为55 182 hm2.最后利用误差矩阵进行精度验证(Kappa系数为0.945).结果表明:该方法对于潮滩面积提取具有适用性,无论在空间域还是时间域都具有一定的推广性.【期刊名称】《海洋开发与管理》【年(卷),期】2018(035)003【总页数】6页(P56-61)【关键词】遥感;水边线;面向对象;潮滩面积;误差矩阵【作者】张媛媛;高志强;刘向阳;许宁【作者单位】中国科学院烟台海岸带研究所烟台264003;中国科学院大学北京100049;中国科学院烟台海岸带研究所烟台264003;中国科学院大学北京100049;中国科学院地理科学与资源研究所北京 100049;商丘师范学院商丘476000【正文语种】中文【中图分类】TP79;P71 引言潮滩是海陆交汇的敏感地带，是沿海城市发展重要的物质基础和后备资源，也是沿海地区生态安全体系不可或缺的部分[1]。

本文研究的潮滩范围介于平均大潮高潮线和平均大潮低潮线之间[2]，若采用传统的野外实地勘探的方式，依赖大量的人力物力，受勘探环境的影响大，不能保证数据的时空连续性且难以实现短周期的动态更新[3]。

而多平台以及多时相的遥感技术的出现为监测潮滩范围的动态变化提供了重要的途径[4]，目前应用于潮滩范围提取的研究方法有“八分潮算法”[5]、“相同潮位对比法”[6]、“相似三角形原理”等[7]，这些方法对于获取的影像成像时刻及影像分辨率要求较高，提取精度易受到潮汐风浪等外界突变因素干扰，本研究应用多时相的环境卫星数据，采用穷举法收集研究区遥感影像，基于遥感水边线技术实现潮滩面积提取，为潮滩动态监测及变化研究提供技术支持。