eCognition的精度评价
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的概论 1
eCognition的概论eCognition是北京天目创新科技有限公司代理的德国DefiniensImaging公司的遥感影像分析软件，它是人类大脑认知原理与计算机超级处理能力有机结合的产物，即计算机自动分类的速度+人工判读解译的精度，更智能，更精确，更高效地将对地观测遥感影像数据转化为空间地理信息。
eCognition突破了传统影像分类方法的局限性，提出了革命性的分类技术－面向对象分类。
eCognition分类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）。
eCognition基于Windows操作系统，界面友好简单。
与其他遥感，地理信息软件互操作性强，广泛应用于：自然资源和环境调查，农业，林业，土地利用，国防，管线管理，电信城市规划，制图，自然灾害监测，海岸带和海洋制图，地矿等方面。
面向影像对象：＊面向像素的解算模式将像元孤立化分析，解译精度较低且斑点噪声难以消除；＊利用影像分割技术把影像分解成具有一定相似特征的像元的集合—影像对象；＊影像对象和像元相比，具有多元特征：颜色、大小、形状、匀质性等；基于对象属性特点：- 颜色信息丰富- 形状接近真实地物- 大小区分明显- 纹理信息突出- 上下文关系明确基于像素属性特点:- 基本上只以颜色信息来区分主要分类过程介绍：采用eCognition软件对影像进行分类操作非常简单，可以主要以三个步骤来形容如下：1.分割分割是面向对象分类的前提，多尺度分割是影像对象提取的专利技术，可以根据目标任务和所用影像数据的不同以任意选定的尺度分割出有意义的影像对象原型。
2.分类多尺度分割的结果是影像对象层次网络，每一层是一次分割的结果，影像对象层次网络在不同的尺度同时表征影像信息。
3.导出导出分类结果。
eCognition提供的专业分类工具包括* 多源数据融合* 多尺度分割* 基于样本的监督分类* 基于知识的模糊分类* 人工分类* 自动分类多源数据融合工具：可用来融合不同分辨率的对地观测影像数据和GIS数据，如Landsat,Spot,IRS,IKONOS, QuickBird,SAR,航空影像，LIDAR等，不同类型的影像数据和矢量数据同时参与分类。
图像精度评价方法
图像精度评价方法进行遥感影像分类或进行GIS动态模拟时，需要评价结果的精度，而进行评价精度的方法主要有混淆矩阵、总体分类精度、Kappa系数、多分误差、漏分误差、每一类的生产者精度（制图精度）和用户精度。
1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。
混淆矩阵的每一列代表了地面参考验证信息，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在地表真实像元相应类别中的数量。
如有50个样本数据，这些数据分成3类，每类50个。
分类结束后得到的混淆矩阵为：43 5 22 45 30 1 49则第1行的数据说明有43个样本正确分类，有5样本本应该属于第1类，却错误分到了第二类，有2个样本本应属于第一类，而错误的分到第三类。
2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。
被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。
像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数：The Kappa Index of Agreement (K): this is an important index that the crossclassification outputs. It measures the association between the two input images and helps to evaluate the output image. Its values range from -1 to +1 after adjustmentfor chance agreement. If the two input images are in perfect agreement (no change has occurred), K equals 1. If the two images are completely different, K takes a value of -1. If the change between the two dates occurred by chance, then Kappa equals 0. Kappa is an index of agreement between the two input images as a whole. However, it also evaluates a per-category agreement by indicating the degree to which a particular category agrees between two dates. The per-category K can be calculated using the following formula (Rosenfield and Fitzpatrick-Lins,1986):K = (Pii - (Pi.*P.i )/ (Pi. - Pi.*P.i )where:P ii = Proportion of entire image in which category i agrees for both datesP i. = Proportion of entire image in class i in reference imageP.i = Proportion of entire image in class i non-reference imageAs a per-category agreement index, it indicates how much a category have changed between the two dates. In the evaluation, each of the two images can be used as reference and the other as non-reference.Kappa系数是另外一种计算分类精度的方法。
211017069_面向对象的多层次规则分类地物遥感信息提取方法试验分析研究
第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年 ３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号 １０００ ５２６９（２０２３）０２ ００６７ ０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘 淑 １，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘 要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。
针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。
运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９ ９５％，Ｋａｐｐａ系数为０ ７４。
与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。
关键词：面向对象；ＧＦ ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７ 文献标志码：Ａ 随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。
真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１ ３］。
目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。
遥感论文——精选推荐
基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。
所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。
然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。
而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。
随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。
虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。
所以也会出现上述的一些问题（如：椒盐现象等）。
所以传统的分类方法已不能满足分类的需求。
所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。
采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。
所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。
本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。
分类精度评价
遥感影像分类精度评价遥感影像分类精度评价(2009-11-20 14:20:57)在ENVI中，选择主菜单->Classification->Post Classification->ConfusionMatrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
对分类结果进行评价，确定分类的精度和可靠性。
有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。
对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。
1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。
混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。
2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。
被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。
像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数：是另外一种计算分类精度的方法。
它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。
- 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的精度评价
2013-04-11 18:54:19| 分类：软件操作| 标签：|举报|字号大中小订阅
1. 首先是制作标准样点文件。
通过在arcgis中的Add XY 命令可以生成shp，点文件（投影系统，坐标与影像保持一致），这个shp文件中一定要有一个属性是和类层次中的类一致，即类名与属性一致。
2. 在Ecognition软件中把坐标在arcgis里面做成shp之后作为专题图放到ecognition软件中，在新建层上分割。
注意：样点专题图参与分割。
3. 用assign class by thematic layer算法，字段用class_name。
4. 之后将已经分类的影像对象（即刚刚分类的样点图斑）转化成样本，用classified image objects to samples。
Class filter中选择所许检查的类，这里选择六大类。
此时的样本点已经通过专题图生成了。
5. TTMask生成：在样点已经生成的前提下，可以直接使用菜单，如图：选择最开始进行生成样点的图层就可以。
6. 如果直接由TTmask就可以对分类结果进行评价了。
Show statistics 就能看到结果了。