《eCognition中文操作手册》由会员分享，可在线阅读，更多相关《eCognition中文操作手册（84页珍藏版）》请在金锄头文库上搜索。
1、1操作指南用户指南通过不同的例子向用户介绍软件的使用。您将会发现 eCognition 可以操作不同的数据，并可应用于不同的领域。操作指南涉及软件全部的重要特征。通过这个指南，可了解新的术语和技术。(由于 eCognition 现升级为 4.0，故指南中可能有部分在软件 4.0 版使用中有出入，待 4.0 版的说明书正式出版后再做修正，且水平有限，给您造成的不便请谅解！)例 1： TM 影像的切割（子集）关键字：多分辨率分割，样本对象，最邻近分类，训练检测区域掩模，特征空间优化例 2：分析城区表面的不可渗透度（如水泥，沥青等路面）关键字：训练检测区域掩模，基于分类的分割，多层分类，利用多尺度信
2、息，精度评估，导出专题层例 3 高分辨率的航空数字化关键字：成员函数，数字表面模型，专题层，类相关特征，边界优化例 4 印度尼西亚热带雨林雷达图像关键字：子对象线性分析分割，基于子对象的线特征例 5 航空照片和丹麦的 LIDAR 表面模型关键字：自定义特征，自动操作，多重窗口函数，基于分类的分割此操作手册如果和其它 eCognition 的解释性章节结合起来使用，效果会更好。更有利于用户掌握 eCognition 的特征。2 Orange Country（美国加利福尼亚州）地区的 TM 影像的切割在这个练习中，您可以利用 LANDSAT TM 数据进行最邻近分类。最邻近分类可以很容易快速获得分
3、类结果，只需点到即可分类！在这一练习中，您可学会：导入和显示栅格数据，图像分割，创建一个简单的类层次，在类描述中插入最邻近分类器，分类进行分类质量评估。数据提供方； PCI Geomatics导入栅格图像1 运行 eCognition，从 Project 菜单中选择 New.或者在工具栏中点击图标.2 浏览目录”dataorangecounty”,一次选中此目录下的五个文件（可用鼠标全部选中，也可通过 SHIFT 键选中） ，然后打开。33 按照波长改变 tif 文件顺序44 点击 Create 按钮导入栅格图层到新工程中。5 打开“Edit Layer Mixing”对话框，（利用主菜单中“
4、ViewLayer Mixing”或者点击工具栏上的） ，进行直方图拉伸，三层混合显示。如下操作：6.点击 ok 按钮，就显示如下视图。57.打开”Edit Highlight Colors”对话框，可通过 View 菜单或者单击工具栏中的） ， ）来改变”Selection” 和”Outlines”的颜色8.点击 Active View 按钮此时，栅格数据导入并显示。但此时只有单个像素信息可以利用。要生成图像对象（成组的像素） ，必须通过分割这个过程。生成图像对象1 从 Segmentation 菜单中选择 Multiresolution Segmentation.或者在工具栏中点击图标 。
5、注意：切记分割图像时的一个最基本的规则是，所生成的对象要尽可能的大，同时必要的时候又要尽可能的小。2 编辑分割参数，注意位图文件的 Layer weight 权重在右侧进行调整。3 点击 Start.64 生成 polygons 查看图像对象的 outlines(“PolygonsCreate Polygons”或者点击工具栏中的)，像。并且要选择好生成 polygons 的那个层。5 利用”View Settings”对话框显示分割完后的图像，可以显示成原始图像，也可以用对象均值（具有光滑的 outlines）显示.6. 可利用进行均值和像素值显示的切换，利用进行 outlines 的显示和
6、隐藏。现在已经建立了一个简单的包括图像对象层的体系。从每一个图像对象中我们可以得到大量可用于图像分类的信息。通过分类体系创建知识库1 从“Classification”中选择”Open Class Hierarchy”,或者从”Toolbars&Dialogs”选择“Class Hierarchy”,或在工具栏中点击图标 。在这一练习中，设定了四类：impervious surface,water,agriculture 和 rural.首先要做的是确定每一类的名称和颜色。2 确定是在“Inheritance”模式下。3 选择 ClassificationEdit ClassesInsert
7、Class或者在此窗口点击鼠标右键，选择”Insert Class”,生成 impervious surface,water,agriculture 和7rural 四类。插入分类器eCognition 提供两种不同的分类器：最邻近和成员函数。这个练习是运用最邻近分类方法。当你在类描述中插入标准最邻近表达式前，要定义特征空间，在此特征空间中的图像对象间的距离将会被计算。相比传统的的最邻近方法，此标准最邻近是在项目中的一种定义，因此可以用一个有代表性的特征空间作用到所有的类描述中。当你在任意地方改变标准最邻近的特征空间时，其它地方的也会随之改变。1 选择菜单”ClassificationNear
8、est NeighborEdit Standard NN Feature Space.2 您可以看到在右边的窗口里五个层的平均值已经有默认值了。若此特征空间被采纳，可点击 Ok.注意：尽量使用少的特征。在一个类描述中使用太多的特征有可能会在特征空间中导致巨大的重复，使分类复杂化且会减少有意义的信息。但是如果你必须使用大量的特征，那么推荐您使用最邻近分类器。在多维特征空间中的相关处理，最邻近要比成员函数来得适宜。83 双击 impervious surface 打开”Class Description”对话框。4 双击逻辑表达式”and（min） ”5 鼠标移动到“Standard neares
9、t neighbor”表达式上，点击 Insert按钮，把它插入到类描述中。6 关闭”Insert Expression”.7 点击 OK 来关闭”Class Description”对话框。8 重复步骤把标准最邻近这个分类器插入到剩余的类描述中。或者，也可以通过选择菜单”ClassificationNearest NeighborApply Standard NN to 9Classes”把它插入到类描述中定义样本对象eCognition 中最邻近分类方法类似于传统图像分析软件中的监督分类方法，你必须首先定义训练区，它是一个类的典型代表。在 eCognition 中这样的训练区称为样本或者是
10、样本对象。1 为了更容易识别图像对象，把显示模式从”Object mean”切换到”Pixel”，在“ View Settings”中激活”Outlines”。或者利用工具栏中的按钮完成。2 按照下图改变图层显示方式。10在这个视图中，大部分的对象都可很容易识别出来，亮绿色代表农业用地，不可渗透对象显示成紫色且呈现出高纹理。水体显示成黑色，但在图像的左下角不要把它们同山区造成的阴影相混淆。其它剩下的对象代表农村地区。农村地区包含不同的光谱特征的地物。所以，农村地区是一个非均质类型。很幸运的是，eCognition 的最邻近分类器可解决这种问题。3 从 Samples 菜单中选择 Open Sa
11、mple Editer 命令.或者在工具栏中点击图标 。4 从 Samples 菜单中选择 Select Samples。在 Sample editor 窗口中显示了特征值的五种曲线。此特征值是对象在每个通道的平均值。这样，在 Sample editor 中显示的特征空间等同于标准最邻近特征空间。左上角的 Active Class 选择框中可以选择要编辑的类名称。其样本特征值可以和右上角 Compared to 下拉框中其它的类进行比较。5 在 Active Class 选择框中选择 agriculture 或者在 Class Hierarchy 中点击此类。6 点击 agriculture
12、类的样本对象。单击时，将会有一个红色箭头在每个特征上标记此对象的值。7 双击或者按住 SHIFT 单击某一对象，即可标记此对象为样本对象这一样本对象的特征值就会以直方图方式显示出来。118 在 sapmle editor 中通过上述方法再插入三个其它的样本对象练习人工最邻近分类时，开始对每个类选择一个或者少量的样本对象，在特征空间中覆盖此类的范围，尤其当这一类是非均质的，否则这样的非均质对象就不能够充分的被考虑到。在下几个步骤中，您可学会如何改善分类效果。注意，在使用最邻近分类器时，每一类的分布不需要是连续的！这样，就可以总结农业地区中不同的非均质地区。9 重复以上样本的选择，分别为 wate
13、r,impervious surface 和 rural 定义样本区。每一类选择两到三个样本对象。不要忘记选择要定义样本的类作为 active class.利用最邻近分类方法，训练区是由选择的样本对象决定的。现在第一次分类就可以进行了。对图像对象分类在前面的步骤中，已定义了特征空间和为最邻近分类方法要用的一些初始样本。因而已经完成了分类所需的知识。下列步骤就是用来完成图像对象分类的：1. 编辑分类过程的参数。由于此练习现在只有一个对象层，所以类描述中没有类间相关特征可以利用，可以选择无类间相关特征的分类2. 点击工具栏中的图标 开始分类。3. 改变视窗显示分类后结果（点击） ，禁止 outli
14、nes 12由于分类结果依赖选择的样本，您做出来的效果可能会和上面的图像稍微有些不同。以上的结果看上去非常不错，但是仍然需要进一步的改善。注意，一方面图像中有一部分对象没有指定给任何类，另外一方面，有相当多的对象被分错了，尤其是图像左下角部分中的水。此外，太多的对象被分成了不可渗透表面。这些误分可以在迭代步骤中，通过校正典型的误分对象时进行改正。4. 转到您想处理的类上5. 改变视窗返回到样本、像素和 outlines 上。打开第二个窗口显示分类结果，并且和第一个窗口相关，将会非常有益。(WindowNew Window 及 WindowLink all Windows)6. 通过双击，把一个
15、或者两个未分类的图像对象样本指定到它们属于的类上。7. 把一个或者两个误分的图像样本对象指定到正确的类上。8. 重新分类，并且显示没有 outlines 的分类结果。新的分类结果会比原来的图像好一些，但还有改进的余地，如果需要可继续编辑样本对象。9. 重复把未分类的对象作为样本，把错分类的对象纠正到正确的类中，再次分类，检查分类结果。1310. 重复这种指定样本和分类的循环过程，直到得到满意的分类结果。实际上，对最邻近分类这种不断改进的迭代方法会导致多维特征空间中类分布的边界不同。先确定少数的样本，需要的时候再逐步添加样本，是一种非常有效的分类方法。这是因为最邻近分类器不依赖连续的、高斯函数分
16、布，并且在特征空间中可以发现特别复杂的形状分布。接下来，让客观的方法来检验分类结果精度。分类结果评估1 从 Tools 菜单中选择 Accuracy Assessmnet 选项。2 选择 Best ClassificationResult 统计类型。在 eCognition 中，已分类的对象不是简单的属于某14一类或是不属于某一类。可以得到 Class Hierarchy 中每个类的成员函数值的详细清单。一类对象如果具有最高的成员函数值，且不低于最低成员函数值，我们就能把它分为此类。这个值可以从”ClassificationAdvanced SettingsMinimum Membership V alue” 编辑。对于分类结果的精度，有一点很重要，就是一种图像对象的最高成员函数值绝对很高，这就表明此对象属性
