影像提取算法.docxVIP

1. eCognition分类算法 1.1分割算法 1.1.1棋盘分割(chessboard segmentation) 将像素域或图像对象域拆分为方形图像对象。与图像左对齐并且固定大小的顶部边框对齐的方形网格应用于域中的所有对象，并且沿着这些网格线切割每个对象。 1.1.2四叉树分割(quadtree based segmentation) 四叉树分割与棋盘分割类似，但是它要创建出不同大小的正方形。可以使用Scale Parametere定义每个正方形内的颜色差异上线。在裁剪出一个初始的正方形网络后，四叉树分割继续如下：如果不符合同质性标准，那么把每个正方形裁剪成四个较小的正方形。例如：正方形对象中最大的颜色差异要比定义的尺度值大。重复以上过程直到在每个正方形中都符合同质性标准。 1.1.3对比分离分割(contrast split segmentation) 使用对比度分离分割算法将图像或图像对象分割为暗区和亮区。 该算法通过将不同的像素值视为潜在阈值来实现优化。测试阈值的范围从最小阈值到最大阈值，根据步长和步进类型参数选择中间值。如果测试阈值满足最小暗区和最小亮区标准，则评估亮对象和暗对象之间的对比度。选择最大对比度的测试阈值作为最佳阈值并用于分裂。 1.1.4多尺度分割(multiresolution segmentation) 多尺度分割简单的来说就是从任一个像元开始，采用自下而上的区域合并方法形成的对象。小的对象可以经过若干步骤合并成打的对象，每一对象大小的调整都必须确保合并后对象的异质性小于给定的阈值。因此，多尺度影像分割可以理解为一个局部优化的过程，而异质性则是有对象的光谱和形状差异确定的，形状的异质性则由其光滑度和紧凑度来衡量。显然，设定了较大的分割尺度，则对应着较多的像元被合并，因而产生较大面积的对象。 多尺度分割算法主要由影像各波段权重、分割尺度、颜色和形状等分割参数决定。多尺度分割要求进行多次调试，选出最优分割参数，保证生成的影像对象内部异质性尽量最小，且对象之间的异质性最大，同时影像对象能够很好地表达各地物的基本特征。表征异质性的指标异质度f计算公式为 f=ω1×h 式中：ω1为用户规定的形状权重；h1为形状异质性；h2为光谱异质性。h1与 h1=ω2 h2=i=1n 式中：ω2为用户规定的紧致度权重；k1，k2 分别为形状的紧致度和平滑度；n为波段总数；λi为波段 权重；σi k1=EN k2=EL 式中：E 为对象边界长度；N 为对象内的像素总数； L 为包含对象的矩形周长。 1.1.5光谱差异细分(spectral difference segmentation) 根据相邻图像对象的平均图像层强度值合并。如果它们的层平均强度之间的差异低于最大光谱差异给出的值，则合并相邻图像对象。 注意：此算法不能用于基于像素级域创建新的图像对象级别。 1.1.6 对比滤镜分割(contrast filter segmentation) 使用像素滤镜通过对比度和渐变来检测潜在对象，并创建合适的对象基元。集成的整形操作修改图像对象的形状，以帮助形成连贯和紧凑的图像对象。得到的像素分类存储在内部专题图层中。每个像素被分类为以下类别之一：无对象，第一层中的对象，第二层中的对象，两个层中的对象，被阈值忽略。最后，棋盘分割用于将该专题层转换为图像对象级别。使用此算法作为分析的第一步，可显着提高整体图像分析性能。 1.2分类算法 1.2.1 指定类(assign class) 作为eCognition Developer软件中最为简单的一种规则分类方法，assign class指定类算法通过建立阈值条件来判定分割对象是否属于某一类别。要提取的类别可认为是目标类别，其他类别可认为是背景类别，当目标类别和背景类别在某特征上具有显著差异时，可以利用assign class算法来构建分类规则，而且这里的规则是一种“硬分类规则”，即要么是，要么不是，所以可称之为确定性规则分类。 1.2.2 分类(classification) Classification算法使用类描述对分割对象进行分类，所谓类描述即双击class hierarchy中任意一个类别对应的类别属性界面。隶属度分类（模糊分类）这种方式正是在应用该算法的时候使用的，但并不是说使用该算法的时候就必须要用隶属度分类，因为隶属度分类构建的是模糊规则，而在类描述里面即可以使用模糊规则，又可以使用确定性规则，又可以同时使用两种规则，又可以定义监督分类的标准最邻近特征空间。 2. ENVI分类算法 2.1监督分类 监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知