面向对象分类-.pptx

《面向对象分类-.pptx》由会员分享，可在线阅读，更多相关《面向对象分类-.pptx（53页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、易康简介易康简介(Definiens professional 8.0)基础基础应用应用一、产生背景一、产生背景高分辨率遥感影像（高分辨率遥感影像（high-resolution remote sensing imagery）的大量出现与广泛应用）的大量出现与广泛应用SPOT5、IKONOS、QuickBird、WorldView-、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、土地整理监测调查、土地整理监测传统基于像元（传统基于像元（pixel based）分类方式获得的结果与地理数）分类方式获得的结果与地理数据库难

2、以整合据库难以整合“椒盐椒盐”现象，分类结果不易矢量化现象，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间信息，地物看的更清晰，更便于人工目视解译30米分辨率米分辨率TM图像图像2.5米分辨率米分辨率SPOT5图像图像传统的基于像素自动分类传统的基于像素自动分类方法，已不适合方法，已不适合面向对象影像分析与信息面向对象影像分析与信息提取技术提取技术高分辨

3、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、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辨率遥感影像进行解析已经难以满足应用需求。用需求。耕地居民区地物精细识别地物精细识别 =精确提取精确提取地块地块边界边界 +准确确认地块属性准确确认地块属性二、技术流程和核心方法二、技术流程和核心方法影像对象影像对象按照局部区域的不同特征按照局部区域的不同特征进行分割，所分割出来独立的行分割，所分

4、割出来独立的结果就叫果就叫影像影像对象象。每个影像对象代表影像的一个确定空间连续的区域。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。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。关系。影像对象层和影像对象层组影像对象层和影像对象层组 对像层：对像层：对对象象层层是是由由易易康康(eCognition)软软件件分分割割的的多多个个影影像像对对象象组组成成，而而多多个个影影像像对对象象可可以以按按照照一一定定的的尺尺度度参参数数合

5、合并并或或分分割割成成分分别别由上下组成的一个新的对象层。由上下组成的一个新的对象层。对象层组：对象层组：对象层组由两个或多个以上的影像对象层组成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、由下至上是多对一由上至下是一对多、由下至上是多对一基于对象分类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分类类流流程程图图工作流程工作流程影像输入影像输入创建对象创建对象-分割分割为分类建立特为分类建立特征空间征空间结果输出结果输出分类分类精度精度评价价新建工程新建工程在启动在启动e

6、Cognition8.0破解版时，要先将系统时间改为破解版时，要先将系统时间改为2010年年1月月10日日，可用期限为，可用期限为7天。天。快速制快速制图模式模式自自设定定规则模式模式输入工程名输入工程名影像相关信息（参考坐标系统、像素数、影像相关信息（参考坐标系统、像素数、分辨率、影像坐标范围）分辨率、影像坐标范围）每个波段作为一个图层每个波段作为一个图层添加图层添加图层移除图层移除图层编辑图层编辑图层专题图层（辅助分类图层）专题图层（辅助分类图层）添加图层添加图层移除图层移除图层编辑图层编辑图层元数据元数据新建工程新建工程打开方式：打开方式：File菜单菜单New Project或从工具栏

7、点击或从工具栏点击是否使用地理编码是否使用地理编码注：注：如果在新建工如果在新建工程时，有信息需要添程时，有信息需要添加或者修改，选择加或者修改，选择FileModify Open project调整调整视图设置视图设置 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，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、绿数据波段默认情况下以三个条带以红、绿、蓝三色被显示、蓝三色被显示编辑影像图层混合对话框编辑影像图层混合对话框要看真彩色效果，通要看真彩色效果，通过点点击来来设置置蓝、绿、红在各自在各自对应的列的列如如图，真彩色波段，真

8、彩色波段设置置常用窗口常用窗口进程树窗口进程树窗口类层次窗口类层次窗口影像对象特征显示影像对象特征显示窗口（可选择）窗口（可选择）特征窗口特征窗口特征值域特征值域样本编辑窗口样本编辑窗口View|Windows规则规则（Processes）图像分析算法是像分析算法是Definiens的的专家开家开发出的一套先出的一套先进的模仿的模仿人人类认知的知的语言言进行开行开发的高的高级影像分析算法，影像分析算法，这种算法种算法主要采用了面向主要采用了面向对象的象的图像分析方法，各种算法的像分析方法，各种算法的设计是是通通过对规则集的集的设计实现的。的。一个一个单一的一的规则是解决一个具体是解决一个具体图

9、像分析像分析问题中中规则的集的集合合单元，元，规则集是集是进行行规则集合而开集合而开发的一个主要工具的一个主要工具。在影像中一个在影像中一个单一的一的规则能使一个具体的算法能使一个具体的算法应用到一个用到一个具体特定的区域，条件信息具体特定的区域，条件信息为选择特定区域的分特定区域的分类或合并或合并提供了很好的提供了很好的语义信息。信息。单一的一的规则中的主要功能中的主要功能算法、算法作用的影像算法、算法作用的影像对象域、算法参数象域、算法参数算法算法对象域对象域算法参数算法参数循环次数循环次数在在这个个项中您能中您能读到您在到您在规则树中所中所设置的所有参量。置的所有参量。如如图：自：自动命

10、名的命名的规则上述例子命名解上述例子命名解释:所有所有对象的象的Mean nir特征特征值若小于若小于200在第一在第一层级将被分将被分类为水体水体。算法算法（Algorithm）:从从下拉菜下拉菜单中中选择您想要您想要进行的算法，依据所行的算法，依据所选择的算法，在的算法，在编辑对话框右框右侧部分的部分的规则集合集合设置的算法参数也将置的算法参数也将发生生变化并化并显示。示。默默认情况下通常最常使用的算法是可以情况下通常最常使用的算法是可以应用的，用的，选择其它的算法其它的算法时可以通可以通过下拉下拉选项和滑和滑动条条进行行选择，在最下端的，在最下端的select more里可里可以以选择更

11、多算法，添加可利用的算法到算法名更多算法，添加可利用的算法到算法名单中。中。算法参数算法参数 根据所根据所选择的算法不同，参数的的算法不同，参数的设置也不同，必置也不同，必须在参数在参数设置置表格表格进行行设置，如，多尺度分割的算法被插入。置，如，多尺度分割的算法被插入。多尺度分割算法的参数多尺度分割算法的参数 指定分类的算法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

12、的结构和流量控制图，规则包含很多不同类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。型算法，允许用户建立一个连续图像分析流程。规则次序流程规则次序流程 如图：规则窗口中显示了一个规则流程如图：规则窗口中显示了一个规则流程分割和分类分割和分类分割：分割：获取影像取影像对象的象的过程（像素向上合并的程（像素向上合并的过程）。程）。分分类：把具有相近关系的影像把具有相近关系的影像对象象归为一一类的的过程。程。易康易康(eCognition)分分类相关概念相关概念隶属度分隶属度分类：为对象象选取特征并取特征并对这些特征的些特征的值用隶属度函数用隶属度函数

13、进行描行描述，将述，将这些些对象象归为一一类的的过程。程。隶属度函数（隶属度函数（membership functions）：一种模糊函数。在分）：一种模糊函数。在分类中，当完全不属于中，当完全不属于该类时，隶属度，隶属度为0；完全属于；完全属于时，隶属度，隶属度为1.最最邻近分近分类：通通过选取一系列取一系列样本本对象，象，选择特征集（多个特征），特征集（多个特征），计算算这些些样本在本在这些特征些特征间的分离度。再根据分离高的特征的分离度。再根据分离高的特征计算所有算所有对象与象与样本点的距离，距离小于本点的距离，距离小于阈值，归为一一类。影像分割影像分割根据影像的部分特征将一幅图像分成若

14、干根据影像的部分特征将一幅图像分成若干“有意义有意义”的的互不交叠的区域，使得这些特征在某一区域内表现一致互不交叠的区域，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。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。术之一。影像分割影像分割 Smoothness量小量小说明该对象边界比较光滑说明该对象边界比较光滑 Compactness表示对象表示对象紧凑程度。紧凑程度。主要利用

15、光谱特征，形状特征调整地块边界主要利用光谱特征，形状特征调整地块边界基于区域合并的多尺度分割基于区域合并的多尺度分割eCognition 中的分割算法中的分割算法u棋盘分割棋盘分割：最快的分割算法，但对感兴趣对象的特征描述并最快的分割算法，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。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：四叉树分割速度很快，可以产生多种尺度大小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。和多尺度分割区域生长算法有用

16、。u对比分裂分割对比分裂分割u多尺度分割：多尺度分割：用得最多、最有效、速度最慢的一种分割方式。用得最多、最有效、速度最慢的一种分割方式。u光谱光谱差异分割：差异分割：影像对象域只能为对象。影像对象域只能为对象。u多多阙值分割：阙值分割：当需要基于绝对的像素值进行分割时使用这个当需要基于绝对的像素值进行分割时使用这个算法。算法。u对比对比过滤分割过滤分割 分割分割不不同同分分辨辨率率下下的的分分割割结结果果特征特征一个特征是目一个特征是目标对象的相关信息的表述。象的相关信息的表述。分分类过程中用到的最多的两程中用到的最多的两类特征：特征：影像影像对象特征象特征（object feature）:

17、是和一个对象关联的表述其信息的特征。类相关特征相关特征（class-related feature）：）：是一个类和整个层次结构中的类关联表述。影像对象特征影像对象特征颜色、形状色、形状、位置、位置、纹理、理、专题图层等等更多信息也可通更多信息也可通过影像影像对象的网状象的网状结构来构来进行行归纳分分类或或合并。合并。类特征的一个重要例子是特征的一个重要例子是给定了定了类的子的子对象数量及象数量及给定定类的的子子对象的相象的相邻关系关系（Relative border to neighboring objects and number of subobjects）。）。类特征特征如图所示，特征

18、如图所示，特征窗口常用的窗口常用的对象特征对象特征光谱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 neighborsMean Diff.to neighbors(abs)Mean Diff.to brighter neighbors()Mean Diff.to darker neighbors形状特征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

19、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。分类分类1.最邻近分类器分类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

20、象距离最近的样本对象，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；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，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。最终将待分类样本归属到隶属度最大的那一类。2.成员函数模糊分类成员函数模糊分类特征模糊化（特征值特征模糊化（特征值隶属度）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）得到一个隶属度）反模糊化（隶属度反模糊化（隶属度类别）类

21、别）K K邻近方法（邻近方法（K-NNK-NN）K-NN首先搜索未知样本的首先搜索未知样本的K个邻近已知个邻近已知类别的训练样本，类别的训练样本，将未知样本归于这将未知样本归于这K个个邻近邻近中中多数样本所属的那一类多数样本所属的那一类 选择样本本特征空特征空间优化化选择可可能能的的特特征征集集计算算特特征征集集距距离离矩矩阵分分离离度度较高高的的特特征征集集分分类最最邻近分近分类选样本本时保保持持选中状中状态保存保存样本本时先先创建建TTA掩膜掩膜提示：提示：在样本编辑器窗口中尽量不要添加或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少添加纹理特征，否则会导致计算时

22、间很长（1）（2）（3）最最邻近分近分类最大隶属度最大隶属度1最小隶属度最小隶属度0隶属度函数隶属度函数模糊大于（左）小于（右）模糊大于（左）小于（右）布尔大于小于布尔大于小于线性大于小于线性大于小于左：线性范围（取反）左：线性范围（取反）右：线性范围右：线性范围单值单值近似高斯近似高斯大致范围大致范围全范围全范围菜单菜单Classification Advanced Settings Edit Minimum Minimum MembershipValue编辑归类最小隶属度值编辑归类最小隶属度值中国农业大学40l设定阈值设定阈值l隶属度值大于阈值，隶属度值大于阈值，则这个影像对象则这个影像对

23、象O将将会被划分为会被划分为class red，否则该对象将被，否则该对象将被归为未分类对象归为未分类对象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）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）面向对象影像分类步骤（基于样本）4、应用

24、分类规则：选择菜单“Classification-NearestNeighbor-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：面向对象影像分类步骤（基于样本）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）面向对象影像分类步骤（基于样本）选择按钮，打开样本编辑器，如右图：面向对象影像分类步骤（基于样本）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

25、-sample，打开样本导航器，如图：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，它的特征值在每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它们的相关特征值，如下图：面向对象影像分类步骤（基于样本）面向对象影像分类步骤（基于样本）面向对象影像分类步骤（基于样本）面向对象影像分类步骤（基于样本）选择样本导航器中的按钮，然后双击分割图上的某一个对象，就可以该对象选择为该类的样本，选择后样本编辑器会成为如下的状态：依次为所有的类选择足够的样本。面向对象影像分类步骤（基于样本）面向对象影像分类步骤

26、（基于样本）7、执行分类：在Process Tree中选择Append New，Algorithm中选择Basic Classification-Classification，在Algorithm Parameters的Active Classes中选择“草地、道路、房屋、湖泊”，设置如下图：在航空遥感影像上，城市道路特征明显，形成相互连通的网状，一般呈亮灰色，其两边通常可见深色调的行道树或道路隔离带，容易识别面向对象影像分类步骤（基于样本）面向对象影像分类步骤（基于样本）点击OK后，再右键选择Execute，即可得到分类结果：面向对象影像分类步骤（基于样本）面向对象影像分类步骤（基于样本）对

27、于分类图中的白色区域，表示这些对象没有被分类，只需要将这些对象添加到相应的类中，再重新进行分类，就可以得到正确的分类结果了，重新分类后的结果如下：精度评价算法的研究精度评价算法的研究基于像素的精度评价算法包括采样方法、样本容量的计算、基于像素的精度评价算法包括采样方法、样本容量的计算、误差矩阵的计算与意义、各种精度评价指标和误差矩阵的计算与意义、各种精度评价指标和Kappa分析分析等问题。等问题。面向对象的精度评价算法包括最佳隶属度评价法、分类稳面向对象的精度评价算法包括最佳隶属度评价法、分类稳定性评价法和基于对象样本的误差矩阵统计法。定性评价法和基于对象样本的误差矩阵统计法。精度精度评价价在

28、在eCognition中的精中的精度评价也是基于测度评价也是基于测试样本进行的。这试样本进行的。这就要求在较客观的就要求在较客观的情况下（一般要求情况下（一般要求有其他数据支持），有其他数据支持），为为每一类每一类选取精度选取精度评价样本。评价样本。注：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混淆矩阵来评价，从混淆矩阵中算出总精度和KappaKappa系数就可作为分类精度了。系数就可作为分类精度了。分分类的精度，一般两种方的精度，一般两种方法，法，实地地调查；高分辨率；高分辨率的影像的影像检验低分辨率影像低分辨率影像的分的分类。结果果导出出输出类型输出类型输出图层输出图层输出文件名称输出文件名称选择要导出的类选择要导出的类选择要导出类的选择要导出类的相关特征相关特征注：要导出类名，注：要导出类名，必须添加此特征，必须添加此特征，无需改任何参数无需改任何参数