高空间分辨率遥感影像多尺度分割优化组合算法
GF-1影像地物最优分割尺度确定方法与评价
GF -1影像地物最优分割尺度确定方法与评价何燕君1 徐军2 宋之光1 黄胜敏1（1.南宁师范大学北部湾环境演变与资源利用教育部重点实验室，广西 南宁 530001；2.南宁师范大学自然资源与测绘学院，广西 南宁 530001）摘 要：GF-1卫星是中国高分辨率对地观测系统的第一颗卫星，在土地利用变更调查、土地利用动态监测等方面发挥重要作用。
在面向对象的信息提取研究中，传统最优分割尺度方法得到的往往是某一个确定数值。
以GF-1影像为实验影像，分别利用均值方差法、最大面积法、面积比均值法等方法，对影像常见地物进行最优分割尺度研究，得到最优分割尺度区间，采用eCognition 软件ESP 工具进行分割结果评价，在这个区间都能得到较好的分割效果。
关键词：GF-1；多尺度分割；最优尺度；eCognition；ESP1 引言高分一号（GF-1）卫星是中国高分辨率对地观测系统的第一颗卫星，已应用于土地利用动态遥感监测、土地利用变更调查等行业。
GF-1影像极大丰富了从影像中获取的地物信息。
影像分割是面向对象方法提取影像信息的首要环节。
GF-1影像在色调、亮度、饱和度、纹理和形状等方面均有提升，但其光谱特征由于波段较少削弱了作用[1]。
传统基于像元的影像处理方法信息提取精度偏低，且“椒盐”“噪声”现象明显，结果并不理想。
经过国内外学者不断研究，面向对象影像分析技术应运而生，成为高分遥感影像信息获取的主要方法，也有学者称之为面向地理对象的图像分析技术[2]。
面对影像分析技术最重要的是影像分割，影像分割是面向对象分类的关键技术之一，而分割尺度对地物的提取精度有重要影响，尺度选择的好坏影响影像分割质量、分类精度。
因此，确定最优分割尺度是影像分类的前提。
高分辨率遥感影像地物最优分割尺度的确定对面向地理对象的影像分析有重要意义。
本文利用均值方差法、最大面积法、面积比均值法和最优尺度估计法等常见最优尺度确定方法，对试验区GF-1影像进行耕地、林地、水体、裸地四种主要地物的多尺度分割实验，最终确定各自最优分割尺度参数。
遥感数据融合与多尺度地物分类方法与应用研究
遥感数据融合与多尺度地物分类方法与应用研究遥感技术的发展为地球资源的监测与管理提供了重要的技术手段。
通过遥感数据融合和多尺度地物分类方法，可以更准确地获取地球表面的信息，并为环境监测、城市规划、资源管理等方面提供更有效的支持。
一、遥感数据融合方法的研究与应用遥感数据融合是指将不同传感器获得的多源多光谱遥感影像进行整合，提取出更为准确的地物信息。
在遥感数据融合中，常用的方法包括基于像素级的融合和基于特征级的融合。
基于像素级的融合方法主要利用多个传感器观测的同一地物像元之间的相互关系，通过像素级运算对不同传感器的数据进行融合。
这种方法能够充分利用多个传感器的信息，提高地物分类的准确性。
例如，在农业遥感中，结合多谱段的高分辨率影像和偏振SAR数据，可以实现作物生长状况和土壤湿度的监测。
基于特征级的融合方法则基于不同传感器提供的特征信息，通过特征提取和组合的方式进行数据融合。
这种方法能够更好地利用多个传感器的优势，提高地物分类的分类精度。
例如，在城市规划中，结合光学、雷达和激光雷达数据，可以实现对城市中不同建筑物的识别与分类。
二、多尺度地物分类方法的研究与应用地物分类是遥感数据处理中的重要任务之一，其目标是将遥感影像中的像元分配给不同的地物类别。
随着遥感技术的发展，传感器分辨率不断提高，地物分类任务也面临着更多的挑战。
传统的地物分类方法主要基于像元级别的特征提取和分类器的训练，其精度受到地物空间分布的限制。
随着多尺度地物分类方法的提出，可以更好地利用不同层次的信息，提高地物分类的准确性。
多尺度地物分类方法主要分为基于像素级的多分辨率分割方法和基于对象级的多尺度目标识别方法。
基于像素级的多分辨率分割方法主要通过分割算法将高分辨率遥感影像分割为多个子图像，然后对每个子图像进行地物分类，最后将分类结果进行合并。
这种方法可以充分利用不同分辨率下的特征信息，提高地物分类的准确性。
例如，在森林资源调查中，可以利用多分辨率的遥感影像进行森林类型的分类和监测。
一种高分遥感影像物体分割质量评价方法
一种高分遥感影像物体分割质量评价方法高分辨率遥感影像物体分割是遥感图像处理和图像识别的重要研究领域之一。
为了评价物体分割算法的质量，需要选择合适的评价方法。
本文将介绍一种常用的高分遥感影像物体分割质量评价方法。
一、精确度评价指标1.准确率（accuracy）: 准确率是最常用的评价指标之一，表示分类结果中正确分类的像素数量与总像素数量之比。
其计算公式为：accuracy = (TP + TN) / (TP + FP + TN + FN)，其中TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。
2.召回率（recall）: 召回率也称为灵敏度、命中率，表示分类结果中正确分类的像素数量与实际物体像素数量之比。
其计算公式为：recall = TP / (TP + FN)。
3.精确率（precision）: 精确率是指分类结果中正确分类的像素数量与算法预测结果中像素数量之比。
其计算公式为：precision = TP / (TP + FP)。
4.F值（F-measure）: F值是综合考虑精确率和召回率的评价指标，采用调和平均数的形式来衡量分割结果的质量。
其计算公式为：F-measure = (2 * precision * recall) / (precision + recall)。
二、区域性评价指标1.覆盖率（coverage）: 覆盖率表示分类结果中正确分类的像素数量与实际物体像素数量之比。
其计算公式为：coverage = TP/ (TP + FN)。
2.重叠度（overlap）: 重叠度表示分类结果中正确分类的像素数量与总像素数量之比。
其计算公式为：overlap = TP / (TP + FP + FN)。
三、形状性评价指标1.相对面积误差（RAE, Relative Area Error）: 相对面积误差是指分类结果与实际物体面积之间的相对误差。
其计算公式为：RAE = |A_r - A_t| / A_t，其中A_r为分类结果的面积，A_t为实际物体的面积。
面向遥感监测的影像分割算法研究
面向遥感监测的影像分割算法研究摘要：传统分水岭变换通常对梯度影像进行变换，往往会出现过分割现象。
本文针对传统分水岭变换算法的不足，提出了一个新的影像多尺度分割算法。
其基本过程是：传统分水岭变换先对边缘影像进行区域提取，通过边缘方向的拟合并修正边缘的强弱，获取区域分割结果。
最后，根据区域边界的强弱作为区域合并条件，获得多尺度的分割结果。
本文利用航空影像进行验证，实验表明不同层次的分割结果能够较好地反映地物的尺度特性。
关键词：方向分水岭变换多尺度分割边缘方向传统分水岭变换具有简单、速度快、能检测出弱边缘对象及能获得对象完整边界等诸多优点，被广泛的用于各种领域。
但因其一般是在梯度影像进行变换，受暗噪声等因素的影响，存在大量伪局部极小值区域，会出现过分割现象[1]。
高分辨率遥感影像在大气传递、成像过程容易产生噪声，特别是地物内部纹理丰富，利用传统分水岭方法分割时更容易出现过分割现象。
同时，利用传统分水岭算法分割高分辨率影像区域时，在强边界附近易于造成交叉，使分割效果变差[2-3]。
基于上述问题，本文利用方向分水岭变换算法增强弧和初始方向边缘强度的信号之间的一致性，反映边缘的强弱，并将其作为区域合并条件，完成影像多尺度分割。
2 方向分水岭变换原理方向分水岭变换算法的区域提取方法的主要思想：由传统分水岭变换对上述得到的边缘影像进行区域提取，通过边缘方向的拟合并修正边缘的强弱，获取区域分割结果。
作为方向分水岭变换算法数据的输入，要先获得影像的边缘的方向和强度信息—边缘影像。
为进一步提高边缘的定位精度，将影像的光谱信息特征和纹理特征相结合，提取不同尺度下影像的边缘。
因此，根据影像的亮度和纹理特征，利用直方图差分方法分别得到影像多尺度的分割结果，通过对它们在不同方向下设置权重，获得不同尺度下影像的方向边缘强度[4]。
1）首先，在三个尺度下，根据灰度值和纹理基元特征分别计算八个方向的直方图的方向梯度，检测出灰度影像边缘和纹理区域边缘；2）找出八个方向的响应极大值，作为边界；3）将上述得到的多特征、多尺度得到的影像，设定权重以下公式形式组合起来，得到边缘强度mPb。
遥感图像一次多尺度分析与多维融合方法研究
遥感图像一次多尺度分析与多维融合方法研究遥感技术的快速发展为地球观测提供了大量的高分辨率遥感图像数据，为地理信息系统和环境监测等领域提供了重要的数据支持。
然而，由于传感器的差异、观测条件的不同以及图像的大尺度多时相特点，遥感图像的分析和融合变得十分复杂和具有挑战性。
为了更好地利用遥感图像数据，在一次多尺度分析和多维融合方面的研究变得越来越重要。
一次多尺度分析技术是指对遥感图像进行不同尺度级别的分析，将图像的不同空间和时间特征进行提取和表达。
这种方法可以帮助我们从不同的尺度上了解地球表面的变化和特征。
在一次多尺度分析中，常用的方法包括基于像元的分析、基于对象的分析和基于场的分析。
基于像元的分析是指通过对遥感图像中的每个像素进行分析和处理来获取地物信息。
这种方法可以精确地获取每个像素的特征，但可能会忽略地物的上下文信息。
基于对象的分析则是将像素组成的对象作为分析的基本单位，通过提取对象的形状、纹理、颜色等特征来获取地物的分类和识别结果。
基于场的分析是指通过对遥感图像进行分割和分类，生成地理信息场来表示地物的空间分布和相互关系。
这种方法可以更好地利用图像的上下文信息，但对于大规模的遥感图像，计算成本较高。
多维融合方法在遥感图像分析中起到了至关重要的作用。
由于遥感图像融合能够提供更丰富的空间、光谱和时间信息，因此可以提高图像的分辨率和准确性。
常用的融合方法包括基于变换的融合和基于模型的融合。
基于变换的融合方法是通过对不同传感器获取的图像进行变换，将它们融合在一起。
常用的变换包括主成分分析、小波变换和非负矩阵分解等。
这些变换可以提取图像的不同特征，并进行加权融合，从而提高图像的质量和信息量。
基于模型的融合方法则是通过建立数学模型，将不同传感器获取的图像进行融合。
这种方法能够更好地利用图像的物理特性和统计信息，提供更准确的信息。
综上所述，遥感图像一次多尺度分析与多维融合方法的研究对于有效地利用遥感图像数据具有重要意义。
遥感影像的多尺度分析方法研究
遥感影像的多尺度分析方法研究一、引言遥感技术的快速发展为我们获取地球表面信息提供了丰富的数据资源。
遥感影像作为这些数据的主要表现形式，包含了大量关于地理、生态、环境等方面的有价值信息。
然而，要从这些海量且复杂的数据中准确提取有用的信息并非易事，这就需要采用有效的分析方法。
多尺度分析方法便是其中一种重要的手段，它能够帮助我们更好地理解和处理遥感影像。
二、多尺度分析的基本概念多尺度分析，简单来说，就是在不同的尺度上对对象进行观察和分析。
在遥感影像中，尺度可以理解为分辨率或者观察的细节程度。
例如，高分辨率的遥感影像能够提供更详细的地物特征，而低分辨率的影像则能展现更宏观的地理格局。
多尺度分析的核心思想是，不同的地物和现象在不同的尺度上表现出不同的特征和规律。
通过在多个尺度上进行分析，可以更全面、准确地认识和理解遥感影像所反映的现实世界。
三、多尺度分析方法的分类（一）基于图像金字塔的方法图像金字塔是一种常见的多尺度表示方法。
它通过对原始影像进行一系列的降采样操作，生成不同分辨率的影像层，从而构建出一个金字塔结构。
在分析时，可以从金字塔的不同层次获取相应尺度的信息。
（二）基于小波变换的方法小波变换是一种能够将信号分解为不同频率和尺度成分的数学工具。
应用于遥感影像分析时，它能够有效地提取影像在不同尺度和方向上的特征。
（三）基于分形理论的方法分形理论用于描述具有自相似性的复杂对象。
在遥感影像中，一些地物的分布和形态可能具有分形特征，通过分形分析可以揭示这些地物在不同尺度下的规律。
（四）基于多分辨率模型的方法这类方法通过建立不同分辨率的模型来描述遥感影像，例如多分辨率网格模型等。
四、多尺度分析方法在遥感影像中的应用（一）地物分类不同类型的地物在不同尺度上具有不同的特征。
例如，城市中的建筑物在高分辨率下可以清晰地看到其轮廓和细节，而在低分辨率下则表现为成片的块状区域。
通过多尺度分析，可以综合利用不同尺度的信息，提高地物分类的准确性。
遥感影像分类算法及数据融合技术
遥感影像分类算法及数据融合技术随着遥感技术的不断发展，遥感影像分类成为了遥感数据处理的重要任务之一。
遥感影像分类算法的研究不仅能提高遥感数据的后续应用效果，也为资源调查、环境监测等领域提供了可靠的数据支持。
本文将主要探讨遥感影像分类算法的发展以及数据融合技术的应用。
一、遥感影像分类算法的发展遥感影像分类算法是指将遥感影像数据划分为不同的类别或类型的方法。
在遥感影像分类中，常用的算法包括传统的基于像元的分类算法和基于对象的分类算法。
1.1 基于像元的分类算法基于像元的分类算法是按照图像的像素信息直接进行分类判定的方法。
常见的基于像元的分类算法有最大似然法、支持向量机、随机森林等。
这些算法主要依靠像素的统计特性、频域分析等方法进行分类。
最大似然法是一种经典的分类算法，它基于像素的概率分布模型进行分类判定。
该方法利用已知训练样本的统计特征，计算待分类像素在每个类别中出现的概率，并选择概率最大的类别作为分类结果。
支持向量机是一种常用的监督学习算法，它通过找到一个最优的超平面将不同类别的样本间隔最大化来实现分类任务。
该算法具有强大的分类性能和泛化能力，广泛应用于遥感影像分类领域。
随机森林是一种基于决策树的分类算法，它通过构建多个决策树并对其结果进行投票来实现分类。
随机森林具有较好的鲁棒性和准确性，对于遥感影像的非线性分类任务有良好的效果。
1.2 基于对象的分类算法基于对象的分类算法是将邻域像素合并为对象，以对象为基本单位进行分类。
与基于像元的分类算法相比，基于对象的分类算法能更好地捕捉到地物的空间信息和上下文特征。
常见的基于对象的分类算法包括分水岭算法、形态学算法、区域生长算法等。
这些算法通常通过分割影像图像得到对象，然后通过计算对象的特征参数进行分类。
分水岭算法是一种基于区域的图像分割算法，它通过模拟灌水过程将图像分割为不同的区域。
分水岭算法具有较好的分割效果和边界保持能力，常用于遥感影像目标提取和分类。
基于多尺度均值漂移的高分辨率遥感影像快速分割方法
辨率影像的耕地地块提取 。文 献［ ３ 传统 的水平 集 图像 分 ８将 割方法 （ —Ｖ模型 ） ｃ 拓展到小波域 ， 采用 与文献 Ｅ３ 似的投 ７类 影 准则 ， 比未采用小波变换 的结果速度提 高了 ｌ 倍 。 相 ～２ 但 文献Ｅ ］ ８ 的方法均 只适用 于单波 段影像 的处 理 。受上述 多尺
收稿 日期 ：２ １—２２ ，修 订 日期 ：２ １—５２ ０００ —２ ０ ００—６
定义 １ ： ［ Ｘ代表一个 ｄ维 的欧 氏特征空 间， ∈ Ｘ以列 剃
基金项 目：国家 （７ ９ ３汁划） 日（０ ６ Ｂ ０ ３ ３ ，国家 自然科学基金项 目（ １ ０ ２ ６ ０ ７ ２ ９ ，湖南 省教育厅科研项 目（９ ５ ７ 和西南林 项 ２ ０ Ｃ ７ １０ ） ４０ １ ８ ，４ ９ １ １ ） ０之 间 的矛 盾 。
近年来 ， 均值漂移 （ ａ ｈｆ，ＭＳ 算 法在影 像分 割 中 ｍｅｎｓ ｉ ｔ ）
的应 用 备 受 关 注 。基 于 ＭＳ的 分 割 算 法 具 有 较 好 的 抗 噪 能 ］ 力 、 合 并 行 处 理 的 特 点 。但 作 为 一 种 迭 代 算 法 ，ＭＳ算 法 适 具 有 较 高 的 计 算 复 杂 度 ， 成 为 该 算 法 在 具 有 海 量 特 性 的 遥 这
业 大 学 重 点 科 研基 金 项 目（ １０ ３ 资 助 １ １０ ） 作 者简 介 ：干 雷光 ，１ ８ 生 ， 南 林 业 大 学 资 源 学 院 讲 师 ９ ２年 西 ＊通 讯 联 系 人 ｅｍａｌ ｏ ｅｙ １ ６ ｃｒ ￣ ｉ ｘ ｒ＠ ２ ．ｏ ：ｆ ｎ ｅｍａ ： ｇ ａｎ ｇ ｉ ｃｍ － ｉ ｗｌｂ ｉ＠ ｍａｌ ｏ ｌ ．
１ ＭＳ分 割算 法
ＭＳ过程是一种基于非参数 概率密度梯度估 计的迭 代聚
- 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)。
高空间分辨率遥感影像多尺度分割优化组合算法许飞;曹鑫;陈学泓;崔喜红【摘要】高空间分辨率遥感影像能够充分地描述地表覆盖空间异质性,可用于提取地面目标物.然而高空间分辨率在像元尺度的目标提取时易产生“椒盐效应”问题,面向对象的小尺度影像分割也受此效应影响;而大尺度的影像分割造成较小目标的遗漏.本文提出了一种针对高空间分辨率遥感影像的多尺度分割优化组合算法MOCA (Multi-scale-segmentation Optimal Composition Algorithm),基于后验概率信息熵指标选择影像中每个地面目标的最优分割尺度并集成组合,获得高空间分辨率遥感影像的多尺度分割优化组合结果.本文使用F指标和BCI (Bidirectional Consistency Index)两种指标评估地面目标物提取精度,并将MOCA与同类多尺度分割方法进行比较.实验结果表明,本文提出的MOCA算法可实现多个分割尺度的最优组合,并获得较高的地面目标物提取精度.%High spatial resolution remote sensing imagery can fully delineate the heterogeneity of land covers and has been widely used for extracting surfaceobjects.However,pixel-based object extraction from high spatial resolution images may bring in'salt-and-pepper effect',and this effect also occurs when segmentation scale is small using object based analysis.Choosing a big segmentation scale will omit small surface objects.In this research,a Multi-scalesegmentation Optimal Composition Algorithm (MOCA) for object-based extraction with high spatial resolution imagery are proposed.MOCA selects optimal segmentation scale for each surface object based on entropy of posterior probabilities of land covers,and combines different scales to produce the suitable scales composition.F-measure and Bidirectional Consistency Index (BCI) are used to evaluate the accuracy of surface object extraction and compared with the existing multi-scale-segmentation method.Results show that MOCA can achieve the optimal composition of multiple scales and obtain a high accuracy of object extraction.【期刊名称】《地理信息世界》【年(卷),期】2017(024)003【总页数】5页(P1-5)【关键词】高空间分辨率;面向对象;多尺度分割;后验概率;信息熵【作者】许飞;曹鑫;陈学泓;崔喜红【作者单位】北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875;北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875;北京师范大学地表过程与资源生态国家重点实验室,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875【正文语种】中文【中图分类】P2370 引言高空间分辨率遥感影像提高了遥感技术监测地面信息的精细程度，被广泛应用于城市规划、土地资源调查等领域。
然而，受光照条件、地形起伏等因素影响，高空间分辨率使遥感影像在监测同一地表覆盖类型时出现严重的光谱变异性，即“椒盐效应”（salt-andpepper effect）[1]。
当使用基于像元的分类方法处理高空间分辨率遥感影像时，这种“椒盐效应”会使高分影像中同一种地表覆盖类型的分类结果出现误分，降低了分类方法提取地面目标的精度。
影像分割算法是一种解决“椒盐效应”的图像处理算法，该方法对遥感影像的像元分割为若干个分割体，每个分割体内的像元均为同质性像元[2]。
通过后续的分类、目标识别等影像处理过程，分割体可以被转换为具有特殊语义的对象[3]。
在分割算法中，分割尺度决定了分割体容纳同质像元的能力，当分割尺度越大时，分割体内部像元的同质性越低，分割体的面积越大；当分割尺度越小时，分割体内部像元的同质性越高，分割体的面积越小。
过小的分割尺度会使分割体无法容纳地面物体类内的光谱变异性，即无法克服“椒盐效应”的影响；过大的分割尺度会使分割体不但能容忍地面物体类内的光谱变异性，也能够容忍地物类间的变异性，导致分割体内部包含不同类别的像元，遗漏具有较小分割尺度的地面物体。
因此，当影像分割算法被用于处理高空间分辨率遥感影像时，选择分割尺度是一个非常重要的问题。
目前，遥感影像的分割算法包括单一尺度的分割方法[4-6]和多尺度分割算法[1-2,7]。
其中，单一尺度的分割方法不适用于地表覆盖条件复杂的遥感影像。
在遥感影像中，不同类型的地面物体具有不同的物理空间尺度，因此，在遥感影像分割时，单一分割尺度无法同时刻画所有类型的地面物体。
相反，多尺度分割允许同一幅遥感影像被不同大小的分割尺度分割，相比之下多尺度分割更具有实用性。
此外，在处理高空间分辨率遥感影像的工作中，eCognition®[8]是一种被广泛使用的影像处理平台，该软件可以实现以多种尺度分割遥感影像的功能。
针对从多尺度影像分割中寻找影像中各种地物目标的最优尺度问题，本文提出了一种基于后验概率信息熵的多尺度分割组合算法MOCA（Multi-scalesegmentation Optimal Composition Algorithm）。
该算法使用eCognition®对高空间分辨率遥感影像在多个尺度下进行分割，以分割体为单位计算不同分割尺度下高空间分辨率遥感影像内每个分割体的平均光谱。
基于不同分割尺度下分割体的平均光谱，通过选取目标类型训练样本，使用分类器（本文中为支持向量机SVM[9]）生成不同分割尺度下的目标类型的后验概率，并计算不同分割尺度下的后验概率信息熵。
最后，利用相邻分割尺度下信息熵指标的最大差分值寻找每个地面物体的最优分割尺度。
本文使用F指标（Fmeasure）和BCI （Bidirectional Consistency Index）两种指标评估地面目标物提取精度，并将MOCA与同类多尺度分割方法进行比较。
本文提出的MOCA算法试图实现多个分割尺度的最优组合，以期获得较高的地面目标物提取精度。
1 实验算法本文提出了一种多尺度分割优化组合方法MOCA，其基本过程包括计算像元级后验概率矢量、遥感影像的多尺度分割、计算不同分割尺度分割体的后验概率信息熵、建立后验概率信息熵最大差分指标、逐对象选择最优分割尺度。
1）计算像元级后验概率矢量以及对高分影像进行多尺度分割本文提出的方法需要计算多尺度分割结果中每个分割体的后验概率矢量。
首先，本文使用支持向量机（SVM）计算单个像元的后验概率矢量。
计算时，本文分别对树木、草地、屋顶、道路和水体每种地表覆盖类型选择3000～5000个像元作为训练样本，将训练样本输入至SVM分类器中得到像元级后验概率矢量。
与此同时，本文使用eCognition 8.9软件对遥感影像进行多级尺度分割。
分割时，形状因子设置为0.2，紧致度因子设置为0.5。
此外，影像的DN值的数量级决定了eCognition分割尺度的范围。
以HYDICE数据为例，本文以10为步长，从50递增至1000，最终被选择的多级分割尺度为50，60，70，80，…，970，980，990，1000。
基于以上参数，本文在eCognition 8.9软件中利用MRS(multiresolution segmentation)算法创建规则集，生成高空间分辨率遥感影像在不同分割尺度下的分割结果。
然后，将eCognition生成的多尺度分割结果生成编号文件，以分割尺度为顺序依次导出为栅格数据，其中栅格数据中每个像素对应的值就是该像元所在分割体的编号。
基于上述步骤获得的eCognition多尺度分割结果，以及像元级后验概率矢量，可计算每一个分割尺度下各分割体的平均后验概率矢量，最终得到每个地面物体在所有分割尺度的平均后验概率。
其中，对于某一分割尺度上的一个分割体而言，其后验概率矢量可以表示如下：式中，表示当前分割体属于第i类的平均后验概率，Pj,i表示当前分割体的第j个像元属于第i类的后验概率，N代表当前分割体包含的像元个数。
根据公式（1）可以计算出影像中所有分割尺度下每个分割体的平均后验概率矢量。
2）建立后验概率信息熵最大差分值指标在不同分割尺度的分割结果中，总有一个面积最大的分割体Simax覆盖地面物体i。
随着分割尺度的增加，不同类别的像元融入Simax，导致Simax的平均后验概率矢量随着分割尺度的增加发生变化。
后验概率信息熵[10]能够将分割体的后验概率矢量转换为分割体的类别纯净度指标；Simax的后验概率信息熵随着分割尺度的变化信息也能够代表Simax内部像元纯净度的变化。
本文对所有地面物体的Smax按照分割尺度的递增顺序分别计算其后验概率信息熵。
后验概率信息熵的计算方法如下：式中，Pi表示分割体属于第i类的后验概率，n代表总类别个数。
当分割体处于过分割时（即分割尺度较小时），分割体内所包含的类别单一，后验概率信息熵值较小；当分割体处于低分割（即分割尺度较大时），分割体内包含的类别丰富，后验概率信息熵值较大。
随着分割体在不同尺度下形状大小的变化，分割体的后验概率信息熵也发生变化。