面向对象分类-

• 一个单一的规则是解决一个具体图像分析问题中规则的集 合单元，规则集是进行规则集合而开发的一个主要工具。 • 在影像中一个单一的规则能使一个具体的算法应用到一个 具体特定的区域，条件信息为选择特定区域的分类或合并 提供了很好的语义信息。
单一的规则中的主要功能
算法、算法作用的影像对象域、算法参数
算法 对象域
高分土地利用信息提取
• 空间分辨率的提高，提供更多的纹理、形状、上下文等空 间信息，地物看的更清晰，更便于人工目视解译
30米分辨率TM图像 传统的基于像素自动分类 方法，已不适合 面向对象影像分析与信息 2.5米分辨率SPOT5图像 提取技术
二、技术流程和核心方法
耕地 高分辨率遥感数据拥有更加丰富 地物精细识别 == 精确提取地块 的地物信息（光谱、几何、 边界 +准确确认地块属性 结构、纹理等）
居民区
过去的方法是依靠人工勾绘边界，看图 识字。高分辨率遥感图像地物信息丰富、 数据量大。但仅依靠人工的方法对高分 辨率遥感影像进行解析已经难以满足应 用需求。
影像对象
按照局部区域的不同特征进行分割，所分割出来独立的结果就叫影像对象。
每个影像对象代表影像的一个确定空间连续的区域。 影像区域的像素与影像对象关系是部分关联。 如果两个影 像对象是邻近关系，那么它们包含的像素在影像区域也是相 邻关系。
面向对象影像分类步骤（基于样本）
点击OK后，在Class Hierarchy中双击一个类，如草地，可 以看出分类特征已经添加到该类中，如下图：
面向对象影像分类步骤（基于样本）
5、选择样本：选择菜单View -> toolbar -> sample，打开 样本导航器，如图：
选择
按钮，打开样本编辑器，如右图：
打开方式： File菜单→New Project
每个波段作为一个图层
添加图层 移除图层 编辑图层
或从工具栏点击 注：如果在新建工
程时，有信息需要添 加或者修改，选择
专题图层（辅助分类图层） 添加图层 移除图层 编辑图层
File→Modify Open project
元数据
调整视图设置
在视图设置工具条中的编辑图层混合按钮编辑影像图层混合窗口打开， 数据波段默认情况下以三个条带以红、绿 、蓝三色被显示
分 类 流 程 图
工作流程
影像输入
创建对象-分割
为分类建立特 征空间
分类 精度评价 结果输出
新建工程
在启动eCognition8.0破解版时，要先将系统时间改为 2010年1月10日，可用期限为7天。
快速制图 模式
自设定规则 模式
新建工程
输入工程名
是否使用地理编码 影像相关信息（参考坐标系统、像素数、 分辨率、影像坐标范围）
最邻近分类：通过选取一系列样本对象，选择特征集（多个特征），
计算这些样本在这些特征间的分离度。再根据分离高的特征计算所有 对象与样本点的距离，距离小于阈值，归为一类。
影像分割
根据影像的部分特征将一幅图像分成若干“有意义”的 互不交叠的区域，使得这些特征在某一区域内表现一致 或相似，而在不同区域间表现出明显的不同。 影像分割是对遥感影像进行进一步面向对象分析、理解 和识别的基础，是高分辨率遥感影像应用领域的关键技 术之一。
形状特征
• 表现对象大小的有：面积、周长、等价直径、长度、 宽度、String length、String width； • 表现对象的细长程度的有：长宽比、细长度； • 表现对象的边界复杂度、紧凑性的有：形状指数（即 分形维数）； • 表现对象与圆的接近程度的有：球状指数； • 表现对象与最小外接矩形的接近程度的有：扩展度 （矩形度）； • 如果对象为椭圆形，表现对象的椭圆形状的有：离心 率、扁率； • 其他：主轴方向
规则次序流程
如图：规则窗口中显示了一个规则流程
分割和分类
• 分割：
获取影像对象的过程（像素向上合并的过程）。
• 分类：
把具有相近关系的影像对象归为一类的过程。
易康(eCognition) 分类相关概念 隶属度分类：为对象选取特征并对这些特征的值用隶属度函数进行描
述，将这些对象归为一类的过程。 隶属度函数（ membership functions ）：一种模糊函数。在分类 中，当完全不属于该类时，隶属度为0；完全属于时，隶属度为1.
易康简介 (Definiens professional 8.0) 基础应用
一、产生背景
• 高分辨率遥感影像（high-resolution remote sensing imagery ）的大量出现与广泛应用 – SPOT5、IKONOS、QuickBird、WorldViewⅠ-Ⅱ、 GeoEye-1 – 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 • 传统基于像元（pixel based）分类方式获得的结果与地理数 据库难以整合 – “椒盐”现象，分类结果不易矢量化 – 分类利用的高分影像信息有限，导致分类精度不高
影像分割
主要利用光谱特征，形状特征调整地块边界
Smoothness量小说明该对象边界比较光滑 Compactness表示对象紧凑程度。
基于区域合并的多尺度分割
分割
eCognition 中的分割算法
棋盘分割：最快的分割算法，但对感兴趣对象的特征描述并 不有效。分割产生相同大小的对象。 四叉树分割：四叉树分割速度很快，可以产生多种尺度大小 的对象。直接产生的对象没什么意义，但对后续光谱差异分割 和多尺度分割区域生长算法有用。 对比分裂分割 多尺度分割：用得最多、最有效、速度最慢的一种分割方式。 光谱差异分割：影像对象域只能为对象。 多阙值分割：当需要基于绝对的像素值进行分割时使用这个 算法。 对比过滤分割
如图所示，特征窗口常用的 对象特征
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
影像对象层和影像对象层组
• 对像层： 对象层是由易康(eCognition)软件分割的多个影像对象组成， 而多个影像对象可以按照一定的尺度参数合并或分割成分别 由上下组成的一个新的对象层。
• 对象层组： 对象层组由两个或多个以上的影像对象层组成
由上至下是一对多、由下至上是多对一
基于对象分类
光谱特征 特征提取与计算 形状、纹理特征等 单特征隶属度分类器 分类方法 分类 分类后处理 精度评价 结果导出 多特征最邻近分类器 特征选择和优化 样本选择和评价
模糊大于（左）小于（右）
布尔大于小于
最小隶属度0
设定阈值 隶属度值大于阈 值，则这个影像对 象O将会被划分为 class red，否则该对 象将被归为未分类 对象
40
中国农业大学
面向对象影像分类步骤（基于样本）
1、进行尺度为100的影像分割。 2、在Class Hierarchy中点右键，选择Insert class，依次建立四个 类：房屋、道路、湖泊、草地。
面向对象影像分类步骤（基于样本）
6、选择类的样本：从样本编辑器中的Active Class中选择需要选择样本 的类，如草地，在分割图上点击样例对象,当你单击一个类时，它的特征值在
编辑影像图层混合对话框
要看真彩色效果，通过点击来设置蓝、绿、红在各自对应的列
如图，真彩色波段设置
常用窗口
View|→Wind ows
进程树窗口
类层次窗口
样本编辑窗口
影像对象特征显示 窗口（可选择）
特征窗口
特征值域
规则（Processes）
• 图像分析算法是Definiens的专家开发出的一套先进的模仿 人类认知的语言进行开发的高级影像分析算法，这种算法 主要采用了面向对象的图像分析方法，各种算法的设计是 通过对规则集的设计实现的。
影像对象特征
•颜色、形状 、位置、纹理、专题图层等
•更多信息也可通过影像对象的网状结构来进行归纳分类或 合并。
类特征
类特征的一个重要例子是给定了类的子对象数量及给定类 的子对象的相邻关系（Relative border to neighboring objects and number of subobjects）。
算法参数
循环次数
在这个项中您能读到您在规则树中所设置的所有参量。
如图：自动命名的规则 上述例子命名解释: 所有对象的Mean nir特征值若小于200在第一层级将被分类为水体。
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。 默认情况下通常最常使用的算法是可以应用的，选择其它的算法 时可以通过下拉选项和滑动条进行选择，在最下端的select more里可 以选择更多算法，添加可利用的算法到算法名单中。
选样本时保 持选中状态
保存样本时先 创建TTA掩 膜
提示：在样本编辑器窗口中尽量不要添加或 少添加纹理特征，否则会导致计算时间很长
分类
最邻近分类
（3）
（2）
（1）
隶属度函数
菜单Classification → Advanced Settings → Edit Minimum → Minimum Membership Value… 编辑归类最小隶属度值 最大隶属度1 线性大于小于 左：线性范围（取反） 右：线性范围 单值 近似高斯 大致范围 全范围
– 多特征模糊逻辑运算（地块多特征隶属度通过逻辑运算 得到一个隶属度） – 反模糊化（隶属度——类别）
K邻近方法（K-NN）
K-NN首先搜索未知样本的K个邻近已知类别的训练样本， 将未知样本归于这K个邻近中多数样本所属的那一类
最邻近分类
Hale Waihona Puke Baidu
选择样本 特征空间优化
选 择 可 能 的 特 征 集 计 算 特 征 集 距 离 矩 阵 分 离 度 较 高 的 特 征 集
• 1.最邻近分类器分类 – 在特征空间中计算待分类影像对象与各地类训练样本之 间的距离，寻找与待分类影像对象距离最近的样本对象， 将该待分类对象归属到最近样本对象所在的类别； – 另外，还可以以欧氏距离为测度，将距离转换为隶属度， 最终将待分类样本归属到隶属度最大的那一类。 • 2.成员函数模糊分类 – 特征模糊化（特征值——隶属度）
纹理特征
灰度共生矩阵（grey level co-occurrence matrix, GLCM） ，通过对影像灰度级之间的二阶联合条件概率密度P（i,j,d,st ）来表示影像的纹理。P（i, j,d,st）表示在给定空间距离d和空 间方向st，以灰度级i为始点，终点出现灰度j出现的概率。
分类
不 同 分 辨 率 下 的 分 割 结 果
特征
• 一个特征是目标对象的相关信息的表述。 分类过程中用到的最多的两类特征： • 影像对象特征（object feature）: 是和一个对象关联的表 述其信息的特征 。 • 类相关特征（class-related feature）：是一个类和整个层 次结构中的类关联表述。
算法参数
根据所选择的算法不同，参数的设置也不同，必须在参数设置 表格进行设置，如，多尺度分割的算法被插入。
多尺度分割算法的参数
指定分类的算法参数
注释： 对于一个规则，您也可以添加自己的标注，您可以在打开编辑对话窗口中点击 注释图标 通过插入注释可以使规则变得容易理解和输入一些必须的信息。
规则可以包含任意数量的子规则，它们所显示的结果是 影像分析所定义的结构和流量控制图，规则包含很多不同类 型算法，允许用户建立一个连续图像分析流程。
面向对象影像分类步骤（基于样本）
3、编辑特征空间：选择菜单“Classification -> Nearest Neighbor -> Edit Standard NN Feature Space”，双 击左边的特征列表中的特征，选择以下一些特征，如下图：
面向对象影像分类步骤（基于样本）
4、应用分类规则：选择菜单“Classification -> Nearest Neighbor -> Apply Standard NN to Classes”把它插入到类描 述中，选择左边框中的类，单击，即可将该类加入到右边的框 中，如下图：