遥感图像解译eCognition软件.pdf

《遥感图像解译eCognition软件.pdf》由会员分享，可在线阅读，更多相关《遥感图像解译eCognition软件.pdf（18页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、 遥感图像解译 eCognition 软件 实习报告 学 院:遥感信息工程学院 班 级:xxxxxx 学 号:xxxxxx 姓 名:xxxx 实习地点:xxxx 指导教师:xxxx 20 xx 年 xx 月 xx 日 1 eCognition 软件数据处理报告 目录 目录.1 1 实习原理.2 2 实习目的.2 3 实习步骤.2 3.1 导入数据，进行预处理.3 3.2 影像分割.5 3.2.1 棋盘分割.5 3.2.2 四叉树分割.6 3.2.3 多尺度分割.7 3.2.4 波谱差异分割.9 3.3 建立分类体系.10 3.4 样区选择与特征空间的构建.11 3.4.1 样区选择.11 3.

2、4.2 特征空间构建.12 3.5 执行分类.15 3.3 结果输出.16 4 实习心得.17 2 正文 一实习原理 随着遥感技术的不断发展，遥感信息的现势性、宏观性、成图周期短、多时性和立体覆盖能力的优势,让其在土地利用信息获取方面发挥着越来越重要的作用。利用遥感影像对地物进行分类，并根据分类结果影像编制专题地图，也已经成为了土地利用，监测方面不可缺少手段。而遥感影像分类的精度，直接影响着遥感数据可利用性和专题地图的精度。因此利用相关软件或者算法提高遥感影像分类的精度，成为了提升遥感数据使用价值中刻不容缓的任务。eCognition 系 列 软 件 作 为 面 向 对 象 影 像 分 析 技

3、 术 的 专 业 软 件，与 传 统 的ERDAS/ENVI/PCI 等有明显的不同，虽然 ERDAS 和 ENVI 里也有相应的面向对象分类模块，但其对高分辨率影像的信息提取效果，及高分辨率影像涉及的各个行业的应用范围无法与eCognition 软件相比。eCognition 软件最大的特色采用面向对象的遥感影像分析。首先将影像按照一定尺度分割成一个个对象，然后对每一个对象封装其光谱、形状、纹理等特性并且建立该对象与其相邻对象、父对象、子对象之间的关系。其中主要包括分割与分类两个步骤。分割是指依据某种同质性或者异质性标准，将影像划分成很多小块对象的过程；是分类的前提。分类是指依据小块对象的形

4、状、颜色、纹理、空间关系、隶属关系等属性来识别所属类别的过程。二实习目的 本次实习的目的主要是采用自主实习的方式，应用 eCognition 软件掌握地物在影像上的特征并初步了解软件的部分功能：如分割，分类等。最后利用基于规则的对老师提供的图像的分割与分类方法选择一类或者几类地物进行分类。在本次实习中，借助老师提供的数据和相关的操作指南，本人通过监督分类和非监督分类的方法，最终完成对建筑物、道路、植被和水体四类地物的分类和输出。三实习步骤 本次实习的主要步骤主要分为四步：（1）导入数据，进行预处理。（2）影像分割：根据 eCognition 软件自带的几种方法，实现对图像的分割操作。（3）建立

5、分类体系：通过目视判读，在分类体系中自主建立类别。在本次实习中为：建筑物、道路、水体和植被四类。（4）样区选择与特征空间的构建：本次实习采用的分类规则为监督分类中的最邻近分类。因此需要手动进行样区选择，便于接下来进行分类（5）执行分类：利用最邻近分类方法执行监督分类，得到四类地物的分类结果（6）结果输出。下面具体介绍每一项的操作步骤：3 3.1 导入数据，进行预处理 在打开 eCognition 时选择“Rule Set Mode”模式，即规则开发模式。图一 eCognition 软件开始界面 之后进入 eCognition 主界面，选择创建工程，将老师提供的彩色影像导入，其中 Layer 4

6、 修改为灰度影像。完成工程的创建 图二 工程创建界面 工程创建完成后，点击 Edit Image Layer Mixing 调整 RGB 对应的 Layer。本次实习最终确定 RGB 对应 Layer 结果如下：4 图三 调整 RGB 通道对应层界面 如果遥感影像过大，也可以考虑进行影像剪裁。在新建工程时，剪裁出部分影像后，建立工程，进行接下来的步骤。图四 遥感影像剪裁界面 5 3.2 影像分割 分割能将整幅影像的像素层进行分组，形成分割对象层；或者对已有的分割对象进一步细分，得到新的分割对象层。分割是分类的基础，分割效果的好坏直接关系到分类的精度。首先新建分割流程，在主界面右边的“Proce

7、ss Tree”里，右键然后选择“Apeend New”，在弹出的“Edit Process”对话框里，建立“Segmentation”这一规则。图五 影像分割开始界面 在“Segmentation”规则下选择不同的算法，来完成图像的分割。对不同分割方法结果展示如下：3.2.1 棋盘分割Chessboard Segmentation 棋盘分割是 eCognition 软件中一种简单的分割算法，它将一幅影像或一个父级对象分割成许多正方形的小对象。关键参数：“Object Size”-表示正方形网格的边长，单位是像素。这里经过实际测试，设置正方形网格边长为 100 像素并进行分类。操作界面如下：图

8、六 棋盘分割操作界面 分割结果如下：6 图七 棋盘分割结果 对于棋盘分割的效果，该方法只是将遥感影像简单粗暴的将其等分，并没有考虑到像素之间的相关性。因此棋盘分割方法分割原理较为简单，但效果较差。3.2.2 四叉树分割Quadtree-Based Segmentation 四叉树分割也是 eCognition 软件中一种简单的分割算法，它将一幅影像或者一个父级对象以四叉树的形式分割成许多正方形的小对象。关键参数 1：“Mode”-模式，不同的模式会有着不同的四叉树分割方法。“Color”模式适用于新建一个四叉树分割层；“Super Object Form”模式适用于在已有的一个分割层上进行四叉

9、树分割，例如在多尺度分割的基础上再进行四叉树分割。关键参数 2：“Scale”-用来决定正方形网格内最大的颜色差异。关键参数 3：“Image Layer weights”-用来决定哪些波段参与“Scale”参数的设定。操作界面与分割结果如下：7 图八 四叉树分割操作界面 图九 四叉树分割结果 对于四叉树分割，该方法利用颜色差异，将整张影像分为多个正方形的小对象，在合适的参数下能够得到较好的效果。但是该方法分类过多，需要进一步将不同的正方形小对象进行合并，才能得到较好的效果。除此以为，利用正方形对象进行曲线，斜线的拟合，会存在较大的误差。3.2.3 多尺度分割-Multiresolution

10、Segmentation 多尺度分割是 eCognition 软件中较为常用的一种分割算法，它是一种自下而上（bottom-up）的方法，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割。关键参数 1：“Scale parameter”-是一个抽象术语，没有明确的单位，它用来确定生成的影像对象所允许的最大异质度，值越大则生成的影像对象的尺寸越大，反之则越小。8 在本次实习中，经过多次尝试，最终决定选取值为 40 的“Scale parameter”关键参数 2：“Image Layer weights”-用来

11、设置参与分割的波段的权重，好处在于包含影像信息较多的波段或者对当前提取某一类专题信息用处较大的波段可以赋予较大的权重，而其他的无关紧要的波段可以不参与分割或者赋予较小的权重。关键参数 3：“Composition of homogeneity criterion”-同质性用来表示最小异质性，同质性由两部分组成，即颜色（光谱）和形状，两者权重之和为 1.0，而形状又由光滑度和紧致度来表示，两者权重之和也为 1.0，因此颜色和形状可看作“相反值”，光弧度和紧致度也可以看作”相反值“。在实际的分割过程中，颜色和形状的比重通常设置为 0.8-0.9/0.2-0.1，如果影像中地类的形状确实能够反映其特

12、点，那么可以适当增加形状的比重，同时减少颜色的比重；平滑度考虑分割对象边缘的平滑程度，紧致度考虑分割对象整体的紧密程度。具体分割过程中，颜色和形状的对分割效果的影响，以及平滑度和紧致度对分割效果的影响，需要由使用者去试验得到最佳的参数设置；但是这种分割的逐次试验，费时费力，也在一定程度上限制了分割流程（算法选择；参数设置）的普适性。操作界面如下：图十 多尺度分割操作界面 分割结果如下：9 图十一 多尺度分割结果（整体）图十二 多尺度分割结果（局部）对于多尺度分割，该方法利用对象间的异质性最小，对象内部像元的同质性最大的原理对遥感影像进行分割。多尺度分割能够较好的对不同对象进行分割并且用曲线进行

13、边界确定，而不是利用直线边界。该方法精度较高，可以对一些相似的对象进行合并。3.2.4 波谱差异分割-Spectral Difference Segmentation 波普差异分割是eCognition中一种常见的分个算法。该算法对波普，差异小于指定阈值的对象进行合并，主要用于优化已有的分割结果，对别的分割算生成的对象进行操作，合并波普相似的对象。因此是一个自下而上（bottom-up）的分割。该算法不能用于对像素层操作，生成新的影像对象层。在本次实习中，我们在多尺度分割完成后的图层中进行波谱差异分割。关键参数1：“Level Usage”-有两种形式，默认形式为“Use Current”表示

14、分割完成后的结果会在原图层中显示。而“Create Above”表示分类完成后会新建一个图层显示分割后结果 关键参数2：“Maxinum spectrial difference”-用来设置最大空间差异性，随着差异性的不同，波谱差异分割的疏密程度也有所差别。关键参数3：“Image Layer weights”-用来设置参与分割的波段的权重，好处在于包含影像信息较多的波段或者对当前提取某一类专题信息用处较大的波段可以赋予较大的权重，而其他的无关紧要的波段可以不参与分割或者赋予较小的权重。1 0 图十三 波谱差异分割操作界面 图十四 波谱差异分割结果 3.3 建立分类体系 特征是用来描述目标的重

15、要属性，是影像分析和信息提取的主要依据。遥感信息提取实质是将影像特征相似的聚合在一起归为一类。所以分类特征的建模与描述就显得非常的重要。常用的遥感影像分类特征有光谱特征、形状特征和纹理特征等。在 eCognition 软件中采用多尺度分割，从而建立了各对象之间的关系。我们可以根据影像显示结果建立合适的分类类别与完整的分类体系 在 eCognition 软件中选择“Classification”中的“Class Hierarchy”，开始设立分类类别。1 1 图十五 分类类别设立界面 在本次实习中，根据目视判别，大致将遥感影像分为水体，植被，建筑物，道路四类地物。对每一类地物单独设置分类类别，分

16、类类别设立的结果如下：图十六 分类类别设立结果 3.4 样区选择与特征空间的构建 3.4.1 样区选择 在完成了分类体系设定后，这里采用最邻近分类法进行监督分类，因此需要选择分类样本。在“Classification”中选择“Samples-Select Samples”，之后在地图中双击分割对象，同时在“Class Hierarchy”确定分割对象所属的类别，样本选择成功后，整个对象会变成分类类别所对应的颜色。选择界面如下，一共有建筑，道路，植被，水体四中颜色。在图中，鲜绿色样本表示植被，砖红色样本表示建筑，深蓝色样本表示水体，淡红色样本表示道路。1 2 图十七 样区选择样本采集结果 3.4

17、.2 特征空间的构建 特征空间，在这里指的是进行监督分类时，参与分类的特征，通常在基于像素分类时，通常直接使用波段参与，在面向对象分类时它们仅仅是作为波段均值这一种特征，此外还可以利用波段的比率、标准差、最大差分、亮度等光谱特征，形状指数、似圆度、长宽比等形状特征，以及 GLCM 和 GLDV 两种类型的多种纹理特征等等。除却软件自带的特征空间，我们也可以在自定义一些特征进行分类，例如植被指数（NDVI），水体指数（NDWI），建筑指数（NDBI）。在“Feature View”我们可以完成上述功能，查看各类特征值所生成的图像从而选择最能区别出某类地物的分类特征。图十八“Feature Vie

18、w”界面 我们也可以自己查阅资料设立分类规则。选择“Object feature”中的“Customized”，在“Create new Arithmetic”，自己设立分类规则，以完成对于各类地物的分类规则设立。1 3 图十九“Create new Arithmetic”界面 例如，对于水体，我们可以计算 NDWI 指数，并以此作为分类标准，NDWI 指数的计算依照如下公式)42()42(MeanLayerMeanLayerMeanLayerMeanLayerNDWI 其中 MeanLayer2 代表的是分割对象的在第二层的灰度均值。对于植被，我计算了 NDVI 指数，并以此作为分类标准，N

19、DVI 指数的计算依照如下公式)34()34(MeanLayerMeanLayerMeanLayerMeanLayerNDVI 完成分类特征的选择和自设后，我们开始正式构建特征空间。这里我们采用的是最邻近分类法。点击“Classification”中选择“Nearest Neighbor”，“Edit Standard NN Feature Space”，弹出特征选择的对话框。在本次实验中，我选择了常用的一些光谱特征和自设的NDVI，NDWI 指数参与分类。构建特征空间后，需要将其应用到所有类别中。图二十 特征空间构建界面 在构建了空间后，我们需要了解这些分类特征是否合适。因此我们需要进行特征

20、选择。点击“Classification”中选择“Nearest Neighbor”，“Feature Space Optimization”。在“Feature”中，我们可以选择之前确定的分类特征，点击“Calculate”进行计算，得到特征优选结果，结果可以在“Advanced”中进行详细的解释。确定最大可分性的特征空间维数后，我们将优选结果可以点击“Apply to class”直接应用到分类体系中。1 4 图二十一 特征选择界面 图二十一 特征选择结果详细解释 1 5 3.5 执行分类 当完成特征空间的构建与优选后，我们在“Process Tree”中执行分类得到结果。图二十二 分类界

21、面 图二十三 二十四 分类结果图与各类别解释 对分类结果的评价：对于水体和建筑物两类地物，分类结果较好。但是对于道路和植被两类地物存在部分地区分类错误的现象，原因可能是在选择样区的时候错误的把一些植被分割对象划分为道路。1 6 3.6 结果输出 选择“Export”中的“Export Result”进行产品输出，在选择好输出的类别和分类特征之后就可以完成输出。本次实习提供的软件为试用版，因此不具备输出功能。最终分类产品截图如下：图二十五 产品输出界面 图二十六 最终分类结果 1 7 四实习心得 这一次的实习跟以往有所不同，是一次完全的课下实习。相比于原来的实习，课下实习没有提供更多的操作步骤介

22、绍。只是提供了基本的软件，数据和软件自带的指导书。因此相比于原来的实习，本次实习我认为难度更大一些。在实习中，我有了如下的心得体会：（1）在实习中，一定要多加询问。有一些同学有过该软件的实习经历，因此对软件的的操作较为熟练。如果遇到不会的地方，询问他们可以节省大量的实习时间和精力，自己也能在别人的操作中知道自己之前处理的不好的地方。（2）对于软件，eCognition 是一个十分强大的软件。这个软件包含了多种不同的分割方法，分类方法，特征库并且支持自己设立特征，而本次实习我利用 eCognition 的功能只是该软件茫茫多的内容的冰山一角。以后如果有机会的话，我会在相关的实习中对该软件进行更加

23、深入的了解。（3）针对于本次实习，我认为主要的流程是分割和分类两大步。对于第一步分割，分割的结果直接决定了分类的精确程度。不同的分割方法效果有所不同，简单的方法，例如棋盘分割处理速度是最快的，但是分割的内容更多的仅仅是在物理上对影像内容进行分割，而没有考虑到影像中地物见的相关性。对于四叉树分割，处理速度也很快，也考虑到了影像中地物之间的相关性，但是利用正方形小区域来表示曲线和斜线时，误差较大。而多尺度分割，处理速度较慢，但是处理的效果很好，如果参数调整的较为合理的话，能够很好地对不同地物进行分类，但是仅仅经常把一个地物分成很多项，整张图显得过于密集，需要一个分割合并的过程。这时就对波谱差异分割

24、来对多尺度分割的结果图进行进一步分割。波谱差异分割的效果很好，每一类地物聚集在一起，但是处理速度是最慢的。（4）完成分割之后，就是对地物进行分类，分类方法有很多，这里我只用了最邻近分类法（属于监督分类）。但是管中窥豹，可以从该方法了解到监督分类的大致步骤。首先是样区的选择，这一步在监督分类中是十分重要的一步。本次实习结果较差的原因，我个人认为就是样区的选择出了问题，将一部分植被分到了道路中。完成样区选择后就是分类标准的设立，可以利用软件自己提供的功能，也可以自己设立规则，本次实习中我就设立了 NDVI，NDWI 两个指标作为分类规则。如果分类规则设立过多，想了解设立规则能否起到作用就可以进行特征选择，优选出合适的分类的特征。最后一步就是执行分类，得到分类结果。（5）本次实习总体上来是自己还是较为独立的完成了实习任务，感谢老师提供的实习机会。