搜索
1操作指南用户指南通过不同的例子向用户介绍软件的使用。您将会发现eCognition可以操作不同的数据，并可应用于不同的领域。操作指南涉及软件全部的重要特征。通过这个指南，可了解新的术语和技术。(由于eCognition现升级为4.0，故指南中可能有部分在软件4.0版使用中有出入，待4.0版的说明书正式出版后再做修正，且水平有限，给您造成的不便请谅解！)例1：TM影像的切割（子集）关键字：多分辨率分割，样本对象，最邻近分类，训练检测区域掩模，特征空间优化例2：分析城区表面的不可渗透度（如水泥，沥青等路面）关键字：训练检测区域掩模，基于分类的分割，多层分类，利用多尺度信息，精度评估，导出专题层例3高分辨率的航空数字化关键字：成员函数，数字表面模型，专题层，类相关特征，边界优化例4印度尼西亚热带雨林雷达图像关键字：子对象线性分析分割，基于子对象的线特征例5航空照片和丹麦的LIDAR表面模型关键字：自定义特征，自动操作，多重窗口函数，基于分类的分割此操作手册如果和其它eCognition的解释性章节结合起来使用，效果会更好。更有利于用户掌握eCognition的特征。2OrangeCountry（美国加利福尼亚州）地区的TM影像的切割在这个练习中，您可以利用LANDSATTM数据进行最邻近分类。最邻近分类可以很容易快速获得分类结果，只需点到即可分类！在这一练习中，您可学会：·导入和显示栅格数据，·图像分割，·创建一个简单的类层次，·在类描述中插入最邻近分类器，·分类·进行分类质量评估。数据提供方；PCIGeomatics导入栅格图像1．运行eCognition，从Project菜单中选择New...或者在工具栏中点击图标.2．浏览目录”…\data\orangecounty\”,一次选中此目录下的五个文件（可用鼠标全部选中，也可通过SHIFT键选中），然后打开。33．按照波长改变tif文件顺序4．点击Create按钮导入栅格图层到新工程中。45．打开“EditLayerMixing”对话框，（利用主菜单中“ViewLayerMixing”或者点击工具栏上的），进行直方图拉伸，三层混合显示。如下操作：6.点击ok按钮，就显示如下视图。57.打开”EditHighlightColors”对话框，可通过View菜单或者单击工具栏中的），）来改变”Selection”和”Outlines”的颜色8.点击ActiveView按钮此时，栅格数据导入并显示。但此时只有单个像素信息可以利用。要生成图像对象（成组的像素），必须通过分割这个过程。生成图像对象1．从Segmentation菜单中选择MultiresolutionSegmentation..或者在工具栏中点击图标。注意：切记分割图像时的一个最基本的规则是，所生成的对象要尽可能的大，同时必要的时候又要尽可能的小。2．编辑分割参数，注意位图文件的Layerweight权重在右侧进行调整。3．点击Start.64．生成polygons查看图像对象的outlines(“PolygonsCreatePolygons”或者点击工具栏中的)，像。并且要选择好生成polygons的那个层。5．利用”ViewSettings”对话框显示分割完后的图像，可以显示成原始图像，也可以用对象均值（具有光滑的outlines）显示.6.可利用进行均值和像素值显示的切换，利用进行outlines的显示和隐藏。现在已经建立了一个简单的包括图像对象层的体系。从每一个图像对象中我们可以得到大量可用于图像分类的信息。通过分类体系创建知识库1．从“Classification”中选择”OpenClassHierarchy”,或者从”Toolbars&Dialogs”选择“ClassHierarchy”,或在工具栏中点击图标。在这一练习中，设定了四类：impervioussurface,water,agriculture和rural.首先要做的是确定每一类的名称和颜色。2．确定是在“Inheritance”模式下。3．选择ClassificationEditClassesInsertClass或者在此窗口点击鼠标右键，选择”InsertClass”,生成impervioussurface,water,agriculture和rural四类。7插入分类器eCognition提供两种不同的分类器：最邻近和成员函数。这个练习是运用最邻近分类方法。当你在类描述中插入标准最邻近表达式前，要定义特征空间，在此特征空间中的图像对象间的距离将会被计算。相比传统的的最邻近方法，此标准最邻近是在项目中的一种定义，因此可以用一个有代表性的特征空间作用到所有的类描述中。当你在任意地方改变标准最邻近的特征空间时，其它地方的也会随之改变。1．选择菜单”ClassificationNearestNeighborEditStandardNNFeatureSpace...2．您可以看到在右边的窗口里五个层的平均值已经有默认值了。若此特征空间被采纳，可点击Ok.注意：尽量使用少的特征。在一个类描述中使用太多的特征有可能会在特征空间中导致巨大的重复，使分类复杂化且会减少有意义的信息。但是如果你必须使用大量的特征，那么推荐您使用最邻近分类器。在多维特征空间中的相关处理，最邻近要比成员函数来得适宜。83．双击impervioussurface打开”ClassDescription”对话框。4．双击逻辑表达式”and（min）”5．鼠标移动到“Standardnearestneighbor”表达式上，点击Insert按钮，把它插入到类描述中。6．关闭”InsertExpression”.7．点击OK来关闭”ClassDescription”对话框。8．重复步骤把标准最邻近这个分类器插入到剩余的类描述中。或者，也可以通过选择菜单”ClassificationNearestNeighborApplyStandardNNtoClasses”把它插入到类描述中定义样本对象eCognition中最邻近分类方法类似于传统图像分析软件中的监督分类方法，你必须首先定义训练区，它是一个类的典型代表。在eCognition中这样的训练区称为样本或者是样本对象。1．为了更容易识别图像对象，把显示模式从”Objectmean”切换到”Pixel”，在“View9Settings”中激活”Outlines”。或者利用工具栏中的按钮完成。2．按照下图改变图层显示方式。在这个视图中，大部分的对象都可很容易识别出来，亮绿色代表农业用地，不可渗透对象显示成紫色且呈现出高纹理。水体显示成黑色，但在图像的左下角不要把它们同山区造成的阴10影相混淆。其它剩下的对象代表农村地区。农村地区包含不同的光谱特征的地物。所以，农村地区是一个非均质类型。很幸运的是，eCognition的最邻近分类器可解决这种问题。3．从Samples菜单中选择OpenSampleEditer命令...或者在工具栏中点击图标。4．从Samples菜单中选择SelectSamples。在Sampleeditor窗口中显示了特征值的五种曲线。此特征值是对象在每个通道的平均值。这样，在Sampleeditor中显示的特征空间等同于标准最邻近特征空间。左上角的ActiveClass选择框中可以选择要编辑的类名称。其样本特征值可以和右上角Comparedto下拉框中其它的类进行比较。5．在ActiveClass选择框中选择agriculture或者在ClassHierarchy中点击此类。6．点击agriculture类的样本对象。单击时，将会有一个红色箭头在每个特征上标记此对象的值。7．双击或者按住SHIFT单击某一对象，即可标记此对象为样本对象这一样本对象的特征值就会以直方图方式显示出来。8．在sapmleeditor中通过上述方法再插入三个其它的样本对象练习人工最邻近分类时，开始对每个类选择一个或者少量的样本对象，在特征空间中覆盖此类的范围，尤其当这一类是非均质的，否则这样的非均质对象就不能够充分的被考虑到。在下几个步骤中，您可学会如何改善分类效果。注意，在使用最邻近分类器时，每一类的分布不需要是连续的！这样，就可以总结农业地区中不同的非均质地区。9．重复以上样本的选择，分别为water,impervioussurface和rural定义样本区。每一类选择两到三个样本对象。不要忘记选择要定义样本的类作为activeclass.利用最邻近分类方法，训练区是由选择的样本对象决定的。现在第一次分类就可以进行了。11对图像对象分类在前面的步骤中，已定义了特征空间和为最邻近分类方法要用的一些初始样本。因而已经完成了分类所需的知识。下列步骤就是用来完成图像对象分类的：1.编辑分类过程的参数。由于此练习现在只有一个对象层，所以类描述中没有类间相关特征可以利用，可以选择无类间相关特征的分类2.点击工具栏中的图标开始分类。3.改变视窗显示分类后结果（点击）），禁止outlines由于分类结果依赖选择的样本，您做出来的效果可能会和上面的图像稍微有些不同。以上的结果看上去非常不错，但是仍然需要进一步的改善。注意，一方面图像中有一部分对象没有指定给任何类，另外一方面，有相当多的对象被分错了，尤其是图像左下角部分中的水。此外，太多的对象被分成了不可渗透表面。这些误分可以在迭代步骤中，通过校正典型的误分对象时进行改正。4.转到您想处理的类上5.改变视窗返回到样本、像素和outlines上。打开第二个窗口显示分类结果，并且和第一个窗口相关，将会非常有益。(WindowNewWindow及WindowLinkallWindows)6.通过双击，把一个或者两个未分类的图像对象样本指定到它们属于的类上。7.把一个或者两个误分的图像样本对象指定到正确的类上。8.重新分类，并且显示没有outlines的分类结果。12新的分类结果会比原来的图像好一些，但还有改进的余地，如果需要可继续编辑样本对象。9.重复把未分类的对象作为样本，把错分类的对象纠正到正确的类中，再次分类，检查分类结果。10.重复这种指定样本和分类的循环过程，直到得到满意的分类结果。13实际上，对最邻近分类这种不断改进的迭代方法会导致多维特征空间中类分布的边界不同。先确定少数的样本，需要的时候再逐步添加样本，是一种非常有效的分类方法。这是因为最邻近分类器不依赖连续的、高斯函数分布，并且在特征空间中可以发现特别复杂的形状分布。接下来，让客观的方法来检验分类结果精度。分类结果评估1．从Tools菜单中选择AccuracyAssessmnet选项。2．选择BestClassificationResult统计类型。在eCognition中，已分类的对象不是简单的属于某一类或是不属于某一类。可以得到ClassHierarchy中每个类的成员函数值的详细清单。一类对象如果具有最高的成员函数值，且不低于最低成员函数值，我们就能把它分为此类。这个值可以从”ClassificationAdvancedSettingsMinimumMembershipValue…”编辑。对于分类结果的精度，有一点很重要，就是一种图像对象的最高成员函数值绝对很高，这就表明此对象属性非常适合于至少一类对象的描述。使用最邻近分类方法，一个高的成员函数值意味着同某一给定样本之间的特征距离很接近。对每一类图像对象，用最邻近分类方法，通过增加最邻近函数的方法可能会使分类精度提高。但是，这种过程可能会降低分类的稳定性。3．点击Showstatistics.14上述统计值以矩阵表示。如果想要以图表形式显示，可以利用”ViewSettings”对话框，点击“Mode”改变显示模式。图表显示方式可以表明每类对象的赋值，从红色（低值）到绿色（高值）。如果你选择的不同的样本对象，有可能你的结果会和上面的有些差异。4.在图像对象上移动鼠标可获取最佳分类结果的信息。如上所见，大部分对象上的最佳分类的值都是很显著的高，只有少数对象的值比较低，例如