基于易康土地覆被分类

合集下载
  1. 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. 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. 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

• 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













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

过 滤



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。
相关文档
最新文档