eCognition简要介绍.ppt

* * * 发掘影像最大潜能 Exploring The Soul Of Imagery eCognition 软件特色和应用介绍  exproing the soul of Imagery 讲课大纲 EC软件基本原理 基本概念 面向对象思想 多尺度分割 常用分类特征介绍 EC软件应用 遥感分类——植被自动化分类 变化监测——泥石流灾害快速评估 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 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。 尺度 尺度分割 宏观：待分析问题粒度大小（待处理对象大小） 微观：区域内像素个数（分辨率）或区域合并的异质性阈值 规则 VS 特征 条例，章法区别于其他物体的标志 面向对象思想 影像（画图表示） 影像并非由单个像素来代表，而是由包含重要语义信息在内的影像对象以及他们之间的相互关系构成。 抽象性 抽取其本质，核心的东西 封装性 继承性 面向对象思想（抽象性，封装性，继承性）[2] Pixel Level Level 1 Level 2 Level 1的父层 Level 3的子层 Level 3 Scene ….. 网络认知技术（Cognition NetworkTechnology） EC软件中的面向对象 继承性 抽象 封装性 面向对象的主要优势[2] 分类特征得到扩展 对象完全继承像元的空间、光谱特性，同时带来单个像元所不具备的面状特征及层次关系等对象特有分类特征 运行效率得到提高 从数以万计的像元优化到数千个对象，处理时只需考虑每个对象的平均值，大大提高计算机运行效率 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） 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） S Y_min X_max Y_max X_min 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] 合并区域的异质性f’ 合并区域的光谱异质性x’ （画图） 合并区域的形状异质性y’（画图） 基于异质性最小的多尺度分割算法流程图[3,4] 易康多尺度分割参数设置 形状权重 紧致度权重 选择基于像素层还是基于对象层 选择自底向上合并（create below）or自顶向下分割 （create above） 选择分割算法 （多尺度分割） 尺度参数 EC分割参数选择原则[5] 尽量以最大的可能分割尺度来区分不同的影响区域获得影像对象（在满足必要的精度条件下尽可能使用大尺度） 在满足必要的形状标准的前提下尽可能采用颜色标准。原因是影像数据中最重要的信息是光谱信息，形状标准的权重太高会降低分割结果的质量。 对于边界光滑的地物类型，选择较大的光滑度参数 对于形状紧致的地物类型，选择较大的紧凑度参数 颜色因子一般要占很大的权重，因为颜色是遥感影像信息提取中最重要的参考信息。 形状因子有助于避免由于影像对象形状的不完整对精度产生的影响， 紧凑度参数有利于将结构紧凑与不紧凑的目标区分开来， 而光滑度因子将起到完善边界光滑的影像对象的作用。 常用分类特征介绍[3]（光谱特征） 对象S的均值Mean 对象S的亮度Brightness 对象S的标准差StdDev #S为对象S所包含的像素个数； ck(x,y)表示第k层