基于易康土地覆被分类
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
注：分类时要选好分类的地区影像，一般要求要有地面数据支持，也就是说要知道你待分类的 影像的地物类别，这样在你的分类完成后才可能评价你的分类精度，分类精度的评价一般是用 混淆矩阵来评价，从混淆矩阵中算出总精度和Kappa系数就可作为分类精度了。
结果导出
四、基本操作与设置演示
输出类型
输出图层
选择要导出的类
其他分割算法
四、基本操作与设置演示
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
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
分类后处理 • 小图斑处理：
四、基本操作与设置演示
• 邻斑的合并：
精度评价
四、基本操作与设置演示
分类的精度，一般两种方 法，实地调查；高分辨率 的影像检验低分辨率影像 的分类。
在eCognition中的精 度评价也是基于测 试样本进行的。这 就要求在较客观的 情况下（一般要求 有其他数据支持）， 为每一类选取精度 评价样本。
常用特征参数
四、基本操作与设置演示
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。
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
– 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。
基于对象土地覆被分类
一、产生背景
常见的遥感图像分类方法：
1. 人工目视解译 2. 计算机自动分类
精度高、速度慢 解译人员要求高
基Βιβλιοθήκη Baidu像素分类
逯军锋主讲
精度低、速度快 变化监测是伪变化多
基于对象分类
精度高、速度相对快
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
输出文件名称
选择要导出类的相 关特征 注：要导出类名， 必须添加此特征， 无需改任何参数
规则集
五、基于已有样本的自动分类（示例）
创建对象
基于shp创建类别和样本
样本颜色赋值 基于随机森林算法
合并图斑
规则集
六、Manual Editing Toolbar的使用
分类
多
边
分
对
形
割
象
选
对
分
择
象
类
单选 框选 合
调整视图设置
四、基本操作与设置演示
根据解译者习惯及解译不同地物的波段组合显示图层
常用窗口
四、基本操作与设置演示
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
单一规则设置
四、基本操作与设置演示
算法 对象域
循环次数
算法参数
单一规则设置
– “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
• eCongnition软件的问世、计算机及网络技术的飞速发展。
一、产生背景
• 基于对象影像分析常用软件平台。
1. ENVI FX (面向对象空间特征提取模块—Feature Extraction) 2. ERDAS Objective模块 3. PCI FeatureObjeX 4. ArcMap Segmentation and Classification 5. eCognition软件
打开方式： File菜单→New Project 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
File→Modify Open project。所有路径 为全英文路径
每个波段作为一个图层 专题图层（辅助分类图层） 元数据
输入工程名
是否使用 地理编码
添加图层 移除图层 编辑图层
添加图层 移除图层 编辑图层
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。
特征：目标对象的相关信息的表述。
新建工程
四、基本操作与设置演示
快速制图模式
自设定规则模式
影像相关信息（参考坐标系统、像素数、 分辨率、影像坐标范围）
常用特征参数
四、基本操作与设置演示
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
常用算法
四、基本操作与设置演示
算法 作用域
关键参数
对象层 分割参数设置
Drăguţ, L., Csillik, O., Eisank, C., Tiede, D., 2014. Automated
最优尺度设置插件Estimation of Scale Parameters。 parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing 88, 119-127.
线选
并
过 滤
对
类
象
Google earth Engion
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。
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。
二、工作流程
基于易康软件工作土地分类工作流程
三、基本概念
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。
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。
结果导出
四、基本操作与设置演示
输出类型
输出图层
选择要导出的类
其他分割算法
四、基本操作与设置演示
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
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
分类后处理 • 小图斑处理：
四、基本操作与设置演示
• 邻斑的合并：
精度评价
四、基本操作与设置演示
分类的精度，一般两种方 法，实地调查；高分辨率 的影像检验低分辨率影像 的分类。
在eCognition中的精 度评价也是基于测 试样本进行的。这 就要求在较客观的 情况下（一般要求 有其他数据支持）， 为每一类选取精度 评价样本。
常用特征参数
四、基本操作与设置演示
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。
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
– 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。
基于对象土地覆被分类
一、产生背景
常见的遥感图像分类方法：
1. 人工目视解译 2. 计算机自动分类
精度高、速度慢 解译人员要求高
基Βιβλιοθήκη Baidu像素分类
逯军锋主讲
精度低、速度快 变化监测是伪变化多
基于对象分类
精度高、速度相对快
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
输出文件名称
选择要导出类的相 关特征 注：要导出类名， 必须添加此特征， 无需改任何参数
规则集
五、基于已有样本的自动分类（示例）
创建对象
基于shp创建类别和样本
样本颜色赋值 基于随机森林算法
合并图斑
规则集
六、Manual Editing Toolbar的使用
分类
多
边
分
对
形
割
象
选
对
分
择
象
类
单选 框选 合
调整视图设置
四、基本操作与设置演示
根据解译者习惯及解译不同地物的波段组合显示图层
常用窗口
四、基本操作与设置演示
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
单一规则设置
四、基本操作与设置演示
算法 对象域
循环次数
算法参数
单一规则设置
– “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
• eCongnition软件的问世、计算机及网络技术的飞速发展。
一、产生背景
• 基于对象影像分析常用软件平台。
1. ENVI FX (面向对象空间特征提取模块—Feature Extraction) 2. ERDAS Objective模块 3. PCI FeatureObjeX 4. ArcMap Segmentation and Classification 5. eCognition软件
打开方式： File菜单→New Project 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
File→Modify Open project。所有路径 为全英文路径
每个波段作为一个图层 专题图层（辅助分类图层） 元数据
输入工程名
是否使用 地理编码
添加图层 移除图层 编辑图层
添加图层 移除图层 编辑图层
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。
特征：目标对象的相关信息的表述。
新建工程
四、基本操作与设置演示
快速制图模式
自设定规则模式
影像相关信息（参考坐标系统、像素数、 分辨率、影像坐标范围）
常用特征参数
四、基本操作与设置演示
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
常用算法
四、基本操作与设置演示
算法 作用域
关键参数
对象层 分割参数设置
Drăguţ, L., Csillik, O., Eisank, C., Tiede, D., 2014. Automated
最优尺度设置插件Estimation of Scale Parameters。 parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing 88, 119-127.
线选
并
过 滤
对
类
象
Google earth Engion
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。
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。
二、工作流程
基于易康软件工作土地分类工作流程
三、基本概念
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。
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。