Ecognition8多尺度分割和光谱分割的结合应用解读
基于eCognition高分辨率影像的分类研究
基于eCognition高分辨率影像的分类研究作者：帅慕蓉谢贻文杨鹏飞来源：《无线互联科技》2018年第11期摘要：文章针对株洲县堂市乡某部分区域高分辨率影像，采用eCognition的多尺度分割和面向对象的最邻近法对影像进行分类，同时与ENVI5.3软件平台下的最大似然法分类结果进行了对比分析，并以野外验证后的目视解译为基准进行精度评价。
结果表明：基于eCognition平台下的面向对象的分类方法避免了传统分类结果噪声严重、精度低的缺陷，其总体分类精度为80%，Kappa系数为0.739 7，比传统分类结果精度高，比目视解译效率高。
关键词：eCognition；面向对象分类；高分辨率影像；最大似然法；Kappa系数近年来矿山地质环境调查是以遥感技术为手段，如何高效地从高分辨率影像中自动提取高精度地理信息已是当今遥感分类重点研究的问题。
传统的分类法是基于光谱信息的智能算法（如支持向量机（Support Vector Machine，SVM）算法[1]等），即使解译人员可以根据专业知识提高分类效果，但也不能解决“同谱异物”和“同物异铺”问题[2]。
针对传统分类方法存在诸多的局限性，不仅耗时耗力，而且精度低等问题，Baatz等[3]提出了面向对象的分类技术，克服了传统遥感影像分类方法的不足，能够在一定程度上提高影像的解译效率和质量。
为了使矿山周边环境可持续发展，面向对象的技术在矿山调查中的应用就显得格外重要。
因此，本文应用eC。
gniti。
n8.9软件对研究区进行影像分类实验研究，为湖南省矿山地质环境调查提供基础的地理信息数据，在野外调查中具有一定的指导意义。
1 面向对象的分类技术面向对象的分类技术是基于目标对象的信息提取技术，以影像分割后的对象作为分类的基础。
目前，基于eCognition平台下的分割算法有棋盘分割、四叉树分割、多尺度分割及光谱差异分割。
本文选用了常用的多尺度分割技术。
多尺度分割是一个基于像素层的自下而上的分割技术，从一个像素的对象开始进行相邻像素的区域归并或者将小的分割对象归并到大的分割对象中去。
ecognition多尺度分割原理
ecognition多尺度分割原理ecognition是一种用于图像分割和对象识别的先进软件工具，可以自动解释遥感图像并产生高质量的分割结果。
ecognition的多尺度分割原理是其核心功能之一，通过在不同尺度上对图像进行分割，可以提高分割结果的准确性和完整性。
1.图像预处理：首先对输入的遥感图像进行预处理，包括图像增强、去噪和几何校正等操作，以提高图像的质量和准确性。
2.多尺度分割：ecognition使用一种叫做基于对象的多尺度分割（OBIA）的方法进行图像分割。
OBIA是一种将图像分割成具有语义意义的对象的方法，而不是简单的像素分割。
ecognition首先将原始图像分解成不同尺度的图像金字塔，然后在每个尺度上进行分割。
此外，ecognition使用图像的多个特征信息（如颜色、纹理、形状等）来对图像进行分割。
通过在不同尺度上融合这些特征信息，可以获得更准确的分割结果。
3.对象合并：在分割过程中，ecognition会生成大量的图像对象，每个对象都有独特的属性和特征。
为了简化和提高分割结果，ecognition会根据一些准则对相似的对象进行合并。
这些准则可以是基于颜色相似度、形状相似度或空间邻近性等。
通过合并相似的对象，可以减少分割结果中的杂乱背景，提高对象的完整性和连续性。
4.对象分类：在分割和合并的过程中，ecognition使用一个基于训练样本的分类器对图像对象进行分类。
分类器可以根据对象的特征和属性，将其分为不同的类别。
通过对象分类，可以对分割结果进行语义上的解释，进一步提高分割结果的质量和可用性。
5.后处理：最后，ecognition还提供一些后处理功能，用于改善分割结果的质量。
后处理包括去除噪声、填充空洞、平滑边界等操作，以产生更准确和连续的分割结果。
总结起来，ecognition的多尺度分割原理是通过对图像进行多尺度分割、对象合并、对象分类和后处理等步骤，来提高分割结果的准确性和完整性。
eCognition中文操作手册共43页文档
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。
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”…\data\orangecounty\”,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。
eCognition应用
Hyperspectral CASI
7、5不同尺度分类结果统计信息集成
ID 针叶林面积
2 3 4 6 7 8
落叶林面积
950 29296 14081 16263 12432
7669
干针叶林面积
15479 12428
1722 3948 12791 29058
采伐区面积
0 350
0 631 648 2048
• 2）矢量数据：
• 外业检验并经目视解译的土地利用分类图 • 1：1万的土地利用现状图
• 3）其它资料：
与调查有关的行政区划、农、林等方面的文献资料
• 4）土地利用分类等级体系选择：
结合本次实验的目的及实验区特点，以农用地为主，选择 分类体系为2001年国土资源部发布《土地分类》试行版本， 该分类体系采用三级分类体系，其中一级地类3个、二级 地类15个、三级地类71个。
非植被 植被
Multiresolution Segmentation
不同尺度分割
像素精级影粗中分像分分割对割割象
多尺度分割——形成对象层次与邻域关系
a 对象等级结构
a 对象等级结构
b 对象层次
b 对象层次
易康的特点
• 德国易康eCognition软件面向对象的遥感影像解译思想朝 更接近人类思维模式的方向又迈进了一步，而且其解译的 精度和效率通过下面介绍的一些影像解译实际应用项目得 到了较系统客观的检验与验证；
所占百分比(%) 9.75 2.95 1.53 1.21 0.45 0.33 48.12 5.4 19.08 5.38 5.8 100
4、1 QuickBird影像城市土地利用分类
西安煤航宝鸡快鸟数据城市土地利用分类
ecognition培训---文本资料
可以导入的数据类型
易康（ecognition）可以导入栅格和矢量数据，当 然矢量数据在导入的时候必须先转换成栅格数据 。软件支持一下两种基本类型的数据： 影像层 专题层
• 影像层包含了连续的信息，而专题层包含的信 息是离散的。这两种不同类型的数据在分割和 分类中必须区别对待。除了影像层外也可以导 入专题层。
多尺度分割参数设置
3.Scale Parameter(尺度参数）：尺度参数是一 个抽象的术语，可以决定最终影像对象的最大异 质度。用给定的尺度参数分割异质数据生成的对 象要比在均质数据中得到的要小的多。改变尺度 参数的大小，可以得到不同大小的影像对象。
多尺度分割后图像对比
分割前
分割后
5.分类
求。
1.ecognition简介
eCognition所采用的面向对象的信息提取方法，针对的是
对象而不是传统意义上的像素，充分利用了对象信息
（色调、形状、纹理、层次），类间信息（与邻近对象、 子对象、父对象的相关特征）。
2.ecognition特点
1 独特的面向对象分类方法； 2 模拟人类大脑的认知过程； 3 将计算机自动分类和人工信息提取相结合； 4 可以分析纹理和低对比度数据； 5 针对不同的影像数据和分类任务，进行不同尺 度的影像分割；
多尺度分割原理
多尺度分割原理图：
分割流程
多尺度分割步骤
1.process菜单中选择process tree打开进程树控 件。 2.在控件中右击，选择Append new选项，打开 edit process对话框。 3.在Algorithm栏下选择所采用的分割类型。 4.在对话框右栏Algorithm parameters中更改分割 参数。 5.选择Execult，执行分割。
eCognition简要介绍
u为影像区域整体紧致度； v为影像区域边界光滑度； E为影像区域实际的边界长 度；
N为影像区域的像元总数； L为包含影像区域范围的矩 形边界总长度
E为区域A的红色边界的长度 L为青色矩形的周长 N为区域A所包含的像素数 紧致度u衡量区域的饱满程度 光滑度v衡量区域边界的光滑（破碎）程度
合并后的区域异质性计算[4]
EC软件操作实验
面向对象分类（基于规则） 面向对象分类（基于样本）
基本概念[1]
基本概念[1]
分割 VS 分类
分割：cut the image into pieces for further analysis
分类：label these objects according to their attributes
分类精度得到保障
对象能够准确反映地物的真实边界、轮廓信息，从而从根本上减少错 分、漏分的几率，同时能有效避免椒盐现象
分割尺度可控
针对不同地物目标的提取需求，可灵活控制分割尺度，满足多尺度分 割分类要求
多尺度分割思想[3]
多尺度分割（异质性最小的区域合并算法[4]）
区域异质性f
光谱异质性x（画图） n x pii i 1
形状异质性y（画图）
w1为光谱权值，x为光谱异 质性，y为形状异质性
w2为紧致度的权重； u为影像区域整体紧致度； v为影像区域边界光滑度； E为影像区域实际的边界长 度；N为影像区域的像元总 数；L为包含影像区域范围 的矩形边界总长度
形状参数（紧致度&光滑度）
Y_min
S
X_min
Y_max X_max
对象（子对象，父对象，相邻对象）
对象：包含状态（数据）和行为（操作）的集合体，用来描述真实世界的 （物理或逻辑概念上的）物体。
ecognition 多尺度分割原理
ecognition 多尺度分割原理（实用版）目录1.引言2.多尺度分割的概念和意义3.Ecoresis 多尺度分割原理的提出4.Ecoresis 多尺度分割原理的具体方法5.Ecoresis 多尺度分割原理的优点和应用6.结论正文【引言】随着计算机视觉技术的发展，图像分割在实际应用中扮演着越来越重要的角色。
其中，多尺度分割作为图像分割的一种重要方法，可以提高分割的准确性和鲁棒性。
本文将介绍 Ecoresis 多尺度分割原理，帮助读者更好地理解和应用这一方法。
【多尺度分割的概念和意义】多尺度分割是一种将图像划分为多个不同层次的区域的方法，旨在提高分割的准确性和鲁棒性。
通过分析图像中的不同尺度信息，多尺度分割可以更好地揭示图像中的细节和结构，从而在许多实际应用场景中取得良好的效果。
【Ecoresis 多尺度分割原理的提出】Ecoresis 多尺度分割原理是由 E.A.Knothe 等人于 2017 年提出的。
该原理基于深度学习模型 Ecoresis，通过引入多尺度信息对图像进行分割，从而提高分割的准确性和鲁棒性。
【Ecoresis 多尺度分割原理的具体方法】Ecoresis 多尺度分割原理的具体方法可以分为以下几个步骤：1.首先，通过卷积神经网络提取图像的特征；2.然后，利用上采样和下采样操作分别得到图像的高分辨率版本和低分辨率版本；3.接着，将高分辨率版本和低分辨率版本送入两个不同的卷积神经网络，分别得到高分辨率版本和低分辨率版本的分割结果；4.最后，将两个分割结果进行融合，得到最终的多尺度分割结果。
【Ecoresis 多尺度分割原理的优点和应用】Ecoresis 多尺度分割原理具有以下优点：1.能够有效地融合多尺度信息，提高分割的准确性和鲁棒性；2.适用于各种实际应用场景，如图像分类、目标检测和语义分割等。
【结论】Ecoresis 多尺度分割原理是一种有效的图像分割方法，能够提高分割的准确性和鲁棒性。
eCognition中的分割与分类方法研究
eCognition中的分割与分类方法研究1 eCognition中的图像分析主要过程如下：图1 eCognition中图像分析的主要流程2 Multiresolution segmentation采用不同的尺度，进行多次分割，形成网络层次结构，每一个分割都利用低一层的影像对象作为原料，这些原料随之在新分割中进行合并。
同时，也遵循高一层中的对象边界限制。
这个网状结构是一个拓朴关系，比如，父对象的边界决定了子对象的边界，父对象的区域大小由子对象的总和决定。
每一层都由它的直接的子对象来构成，在下一个高层上，子对象合并为大对象。
这个合并会被已有父对象的边界所限制。
如果是不同的父对象，那么相邻的对象不能进行合并。
图2 影像多尺度分割的网络层次结构从一个单个像元开始,分别与其相邻对象进行计算,若相邻的两个对象和合并后的异质性指标小于给定的域值，则合并，否则不进行合并。
当一轮合并结束后，以上一轮生成的对象为基本单元，继续分别与它的相邻对象进行计算，这一过程将一直持续到在用户指定的尺度上已经不能再进行任何对象的合并为止。
3 Computation of the heterogeneity criterion1)对象的光谱(spectral)异质性指标color h ：∑•=cc c color w h σ (1)其中c ω为图层的权重，c σ为图层的标准差，c 为图层数；根据不同的影像特性以及目标区域(interest object)特性，图层间的权重调配亦有所不同，可依使用的需求加以调整。
2)对象的形状(spatial)异质性指标shape h ：s compactnes compatness smoothness smoothness shape h h h ⨯+⨯=ωω (2)其中形状的异质性指标是由平滑(smoothness)与紧密(compactness)这两个子异质性指标所构成，smoothness ω与s compactnes ω代表两者间的权重调配，两者的和为1；平滑指标与紧密指标计算如下式所示：(3)(4) 其中，l 为对象的实际边长，b 为对象的最短边长，n 为对象面积；若平滑指标⎪⎪⎭⎫⎝⎛⨯+⨯-⨯=222111Obj Obj Obj Obj Obj Obj Merge Merge Merge smoothnessb l n b l n b l n h ⎪⎪⎭⎫ ⎝⎛⨯+⨯-⨯=222111Obj Obj Obj Obj Obj Obj Merge MergeMerge s compactnes n l n n l n n l n h的权重较高，分割后的对象边界较为平滑，反之，若紧密指标的权重较高，分割后的对象形状较为紧密较接近矩形，根据不同的影像特性以及目标对象（interest object ）特性，两者间的权重调配亦有所不同，可依使用者的需求加以调整。
- 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、"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、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)。
Ecognition资料
Ecognition 8.7知识
图1 多尺度分割
图2 光谱差异分割
Ecognition资料
易康软件是目前较为前沿的面向对象分类软件，应用广泛。
其中，尺度分割是面向对象的一个重要问题，这里介绍多尺度分割与光谱分割的结合应用。
分割是易康软件应用的开始，是整个操作的第一步骤。
将多尺度分割与光谱差异分割相结合，能够得到一个较好的分割尺度。
多尺度分割
是一种自下而上的分割方式：通过识别象元的相似性，使相邻相似象元合并形成对象。
气氛个尺度是一个抽象概念，无具体意义。
但是宏观上讲：分割尺度越大，影像对象越大。
（这里假设形成的影像对象层为level 1）。
这是会形成大大小小的影像对象，斑块还是比较破碎。
光谱差异分割
也是一种自上而下的分割方式。
基于以上level1可以进行光谱差异分割，其实质是对level1 中的影像对象的合并。
那么在光谱相似区就会形成较大的对象，而光谱差异大的区域形成破碎的对象。
此分割后形成level2，基于level2的分类能得到较好结果。
Level1分割结果 level2分割结果
从以上结果可以看出，level2中右侧的水体变成了较大斑块，左上角的农田也进行合并，这在分
类过程中，合并同质对象，减少了对象个数，既提高了运算速度，也提高了分类精度。
其他的分割方法还有：四叉树分割，棋盘分割等。
不过这两类算法属于自上而下的分割算法，
与前面介绍二者不同，在应用时，要注意影像对象层间的父子关系。