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

图像分析
多尺度分割
导入eCognition
专题图

地形图
光谱因子

形状因子

产生一般的分类
分类（没有关联类别的分类）

原始影像
几何精校正
图像融合

控制点

数据
图像预处理

1.标准最临近分类
（训练样本）
2.隶属度函数分类
产生子类（产生目的类）

分类（有关联类别的分类）
基于分类的分割

分类后处理

输出结果
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 criterion
1)对象的光谱(spectral)异质性指标colorh：
•ccccolorwh (1)
其中c为图层的权重，c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shapeh：
scompactnescompatnesssmoothnesssmoothnessshapehhh (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与scompactnes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






222111ObjObjObjObjObjObjMergeMergeMergesmoothnessblnblnblnh







222111ObjObjObjObjObjObjMergeMergeMergescompactnesnlnnlnnlnh
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。加
入形状的因子于影像分割的过程中，能约制对象形状的发展，使分割后的区域形
状较平滑完整，较符合人的视觉习惯。
3)对象的整体异质性指标h：

shapeshapecolorcolor
hhh

(5)

对象整体的异质性指标是由上述的光谱异质性指标与形状异质性指标所构成，

color

与shape代表光谱与形状两者间的权重调配，两者之和为1，亦可依使者的

需求进行调整。
分割流程如下：

图3 分割流程
依据以上流程，每一尺度层次的分割可以设计采用如下图所示的算法程序框图：

是 否
是 否
输入图像
设置各项参数

第一次分割
以单个像元为起点，
计算与临近像元合并
后的异质性

f第二次分割
以第一次分割生成的区域
对象为起点，计算与临近对
象合并后的异质性

f第n次分割
以第n-1次分割生成的区域
对象为起点，计算与临近对
象合并后的异质性

……
……

停止分割
图4某一尺度上的分割算法流程框图
4 分类法
eCognition中面向对象分类法采用模糊分类原理，有两种分类器：最邻近分
类器和隶属度函数分类器。
1)最临近分类法：
对于每一个影像对象，在特征空间中寻找最近的样本对象，如果一个影像对
象最近的样本对象属于A类，那么这个对象将被划分为A类。实际操作时，通过
一个隶属度函数进行，影像对象在特征空间中与属于A类样本对象的距离越近，
则属于A类的隶属度越大。影像对象属于哪一类，由隶属度来确定，当属于每一
类的隶属度值小于最小的隶属度（可以设置，如0.1）时，该影像对象不被分类。
影像对象o与样本对象s之间的距离计算公式：

(6)

设置分割尺度参数，光谱和形状因子
将每个像元视为一个对象，以任
意一个像素为起始点存入队列1

从队列1中取一个种子点放入队列2中 取一个种子点， 在其四邻域内，计算相邻两个对象合并后的的异质性指标f 队列2中 有无种子点 是 否 是 否 f结束









ffofsfvv

d

2


d通过所有特征值的标准差而得到归一化，基于距离d的多维指数隶属度函
数为：
(7)
其中， ，function slope= z(1)。

图5 最邻近分类法的隶属度函数
2) 隶属度函数分类法
隶属度函数可以精确定义对象属于某一类的标准，一个隶属度函数是一维
的，是基于一个特征的。因此如果一个类仅通过一个特征就能和其它类区分，或
者只用少数的特征，可以使用隶属度函数。比如，用“layer mean”将分割影像中
的水体提取出来。通常，类别可以通过将各种特征组合起来来识别，所用的操作


2

dkedz•







slopefunctionk1ln
为“and” “or” and “not”等，比如， 可以用“low layer mean”特征和“high length/width
ratio”。因此，可以建立语义层次结构，综合各种特征对影像进行分类。
算法与最邻近法相似，对每一个特征，计算特征值，选择适当的隶属度函数，
将其归属到[0-1]的隶属度，有不同特征时，可以通过“and” “or” and “not”等操作
进行组合。
可以用作类描述的特征主要有三类：Object Features（对象特征），
Class-Related Features（类间特征），Global features（全局特征）。
下面列出了几种基本的特征参数及其简要描述，当然，还有很多参数，这里
不再一一描述。
(1)Mean（均值）:
(8)
特征值范围[0，依据数据的颜色位数]，对8bit数据来说范围是[0-255]。
(2)StdDev（标准差）

(9)
(3)Area

没有地理参考时，一个像素的面积认为是1，有地理参考时，一个影像对象
的面积就是它的实际面积。
(4)Length/width


SeigSeigw

l

2
1



，SeigSeig21 (10)

(5)Rectangular fit
第一步，先制造一个面积和影像对象相等的矩形，此矩形的长宽比等于影像对象
的长宽比。第二步，将矩形外的物件面积比上矩形内的物件面积。0代表完全不
匹配，1代表完全匹配。


•niLiLcnc1

1




•niLLiLccn1
2

1

1

