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2.5米分辨率SPOT5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 提取技术高分辨率遥感数据拥有更加丰富 的地物信息（光谱、几何、 结构、纹理等）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。
耕地居民区地物精细识别 == 精确提取地块 边界 +准确确认地块属性二、技术流程和核心方法影像对象按照局部区域的不同特征进进行分割，所分割出来独立的结结果就叫影像对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分类特征提取与计算光谱特征形状、纹理特征等分类方法单特征隶属度分类 器多特征最邻近分类 器样本选择和评价特征选择和优化分类后处理精度评价结果导出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 征空间结果输出分类精度评评价新建工程在启动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天快速制图图 模式自设设定规则规则 模式输入工程名影像相关信息（参考坐标系统、像素 数、分辨率、影像坐标范围）每个波段作为一个图层添加图层 移除图层 编辑图层专题图层（辅助分类图层）添加图层 移除图层 编辑图层元数据新建工程打开方式： File菜单→New Project或从工具栏点击是否使用地理编码注：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 、蓝三色被显示编辑影像图层混合对话框要看真彩色效果，通过过点击击来设设置蓝蓝、绿绿、红红在各自对应对应 的列如图图，真彩色波段设设置常用窗口进程树窗口类层次窗口影像对象特征显示 窗口（可选择）特征窗口特征值域样本编辑窗口View|→Wind ows规则（Processes）• 图图像分析算法是Definiens的专专家开发发出的一套先进进的模 仿人类认类认 知的语语言进进行开发发的高级级影像分析算法，这这种 算法主要采用了面向对对象的图图像分析方法，各种算法的 设计设计 是通过对规则过对规则 集的设计实现设计实现 的。
• 一个单单一的规则规则 是解决一个具体图图像分析问题问题 中规则规则 的 集合单单元，规则规则 集是进进行规则规则 集合而开发发的一个主要工 具• 在影像中一个单单一的规则规则 能使一个具体的算法应应用到一 个具体特定的区域，条件信息为选择为选择 特定区域的分类类或 合并提供了很好的语义语义 信息单单一的规则规则 中的主要功能算法、算法作用的影像对对象域、算法参数算法 对象域算法参数循环次数在这这个项项中您能读读到您在规则树规则树 中所设设置的所有参量如图图：自动动命名的规则规则 上述例子命名解释释: 所有对对象的Mean nir特征值值若小于200在第一层级层级 将被分类为类为 水体算法（Algorithm）: 从下拉菜单单中选择选择 您想要进进行的算法，依据所选择选择 的算法，在 编辑对话编辑对话 框右侧侧部分的规则规则 集合设设置的算法参数也将发发生变变化并显显 示默认认情况下通常最常使用的算法是可以应应用的，选择选择 其它的算 法时时可以通过过下拉选项选项 和滑动动条进进行选择选择 ，在最下端的select more 里可以选择选择 更多算法，添加可利用的算法到算法名单单中算法参数根据所选择选择 的算法不同，参数的设设置也不同，必须须在参数设设 置表格进进行设设置，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： 获获取影像对对象的过过程（像素向上合并的过过程） • 分类类： 把具有相近关系的影像对对象归为归为 一类类的过过程易康(eCognition) 分类类相关概念 隶属度分类类：为对为对 象选选取特征并对这对这 些特征的值值用隶属度函数进进行 描述，将这这些对对象归为归为 一类类的过过程 隶属度函数（ membership functions ）：一种模糊函数在分类类 中，当完全不属于该类时该类时 ，隶属度为为0；完全属于时时，隶属度为为1. 最邻邻近分类类：通过选过选 取一系列样样本对对象，选择选择 特征集（多个特征） ，计计算这这些样样本在这这些特征间间的分离度再根据分离高的特征计计算 所有对对象与样样本点的距离，距离小于阈值阈值 ，归为归为 一类类。
影像分割Ø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Ø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 术之一影像分割Smoothness量小说明该对象边界比较光滑Compactness表示对象紧凑程度主要利用光谱特征，形状特征调整地块边界基于区域合并的多尺度分割eCognition 中的分割算法 u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 u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 u对比分裂分割 u多尺度分割：用得最多、最有效、速度最慢的一种分割方 式 u光谱差异分割：影像对象域只能为对象 u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 u对比过滤分割分割不 同 分 辨 率 下 的 分 割 结 果特征• 一个特征是目标对标对 象的相关信息的表述分类过类过 程中用到的最多的两类类特征：• 影像对对象特征（object feature）: 是和一个对象关联的表 述其信息的特征 。
• 类类相关特征（class-related feature）：是一个类和整个层 次结构中的类关联表述影像对象特征•颜颜色、形状 、位置、纹纹理、专题图层专题图层 等•更多信息也可通过过影像对对象的网状结结构来进进行归纳归纳 分类类或 合并类类特征的一个重要例子是给给定了类类的子对对象数量及给给定类类 的子对对象的相邻邻关系（Relative border to neighboring objects and number of subobjects） 类类特征如图所示，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• 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）– 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 选择样选择样 本特征空间优间优 化选选 择择 可 能 的 特 征 集计计 算 特 征 集 距 离 矩 阵阵分 离 度 较较 高 的 特 征 集分类类最邻邻近分类类选样选样 本时时 保持选选中状 态态保存样样本时时 先创创建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（1 ）（2 ）（3 ）最邻邻近分类类最大隶属度1最小隶属度0隶属度函数模糊大于（左）小于（右 ）布尔大于小于线性大于小于左：线性范围（取反 ） 右：线性范围单值近似高斯大致范围全范围菜单Classification → Advanced Settings → Edit Minimum → Minimum Membership Value… 编辑归类最小隶属度值中国农业大学40l设定阈值 l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）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。