ecognition操作指南.pdf

发布时间：2022-06-08 发布人：admin 分类：说明书资料大小：3.61M 资料格式：pdf 举报版权申诉

第1页 / 共20页

第2页 / 共20页

第3页 / 共20页

第4页 / 共20页

第5页 / 共20页

第6页 / 共20页

第7页 / 共20页

第8页 / 共20页

eCognition实例

1.1、TM影像的分类

1.1.1导入栅格图像

1.1.2创建图像对象

1.1.3通过分类体系创建知识库

1.1.4插入分类器

1.1.5定义样本对象

1.1.6对图像进行分类

1.2、印度尼西亚热带雨林雷达图像主干河流提取

1.2.1导入并显示雷达数据

1.2.2创建图像对象

1.2.3特征观察

1.2.4创建分类体系

1.2.5图像第一次分类

1.2.6第一次分类结果

1.2.7完成河流类别的分类

1.3、总结

eCognition 实例 1.1、TM 影像的分类在这个练习中，您将会运用一种基于 TM 影像数据的最近邻域的分类方法。在这一练习中，您将学会：怎样装载和显示栅格图像；运行一种图像分割；建立一种简单的分类层次；在图像分类描述中插入最近邻域分类器；进行分类； 1.1.1 导入栅格图像 1、运行 eCognition，从“File”菜单中选择 New Project... 2、浏览目录”\data\orangecounty\”,通过按住 Shift 键同时选择五张位图，然后打开。 3、点击“OK”导入栅格图层导新工程中，显示如下视图。

1.1.2 创建图像对象 1、在“Process Tree”面板中点击鼠标右键，选择选择“Append New”。 2、“Algorithm”中选择“Segmentation->multi-resolution segmentation” 3、编辑分割指数。

4、点击“Execute”。 5、利用“View Settings”对话框显示分割完后的图像，可以显示原始图像，也可以用对象均值显示。现在已经建立了一个简单的包括图像对象图层的体系。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。 1.1.3 通过分类体系创建知识库 1、从 “Classification”菜单中选择“Class Hierarchy...”。在这一练习中图像将会分为四类：impervious surface,water,agriculture 和 rural. 首先要做的是确定每一类的名称和颜色。 2、选择“Classification->Edit Classes-〉Insert Class”或者在此窗口点击鼠标右键，选择“Insert Class”，生成 impervious surface, water, agriculture 和 rural 四类。

1.1.4 插入分类器这个练习是利用最邻近域分类方法。当你在类描述中插入标准最近邻域分类器之前，要定义特征空间，在特征空间中图像对象之间的距离将会被计算。相比传统的最邻近方法，此标准邻域是个项目的一种定义，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近邻域的特征空间时，其它地方的也会随之改变。 1、选择菜单“Classification-> Nearest Neighbor-> Edit Standard NN Feature Space...” 2、在此练习中，我们将通过光谱相似度来进行分类，因此我们选择“Object feature->Layer Value->Mean”您可以看到在右边的窗口里有七个图层的平均值。若此特征空间被采纳，可以点击 Ok.如需在此类图层中再选择，在右侧面板中点击待去除的特征。注意：尽量使用少的特征，在一个类描述中使用太多的特征可能会有在特征空间中导致巨大的重复，使分类复杂化且减少有意义的信息。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。

3、通过双击 impervious surface 来打开“Class description”对话框。 4、双击逻辑表达式“and （min）”。 5、鼠标移动到浏览“Standard Nearest Neighbor”,点击“Insert”按钮，将它插入到类描述中。 6、关闭“Insert Expression.” 7、点击 OK 来关闭“Class Description”对话框。 8、重复步骤把标准邻近这个分类器插入到剩余的类描述中。或者，标准最近邻域也可以通过选择菜单“Classification->Nearest Neighbor->Apply Standard NN to Classes...”插入到类描述中。

1.1.5 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，你必须首先定义训练区，用它来代表一类。在 eCognition 中这样的训练区称为样本或者样本对象。 1、为了更容易识别图像对象，把显示模式切换到“Pixel”，在“View Setting”中激活“Outlines”。 2、点击 Apply 来激活这些设置。（5、4、3 波段显示）

3、从“Classification->Samples”菜单中选择“Sample Editer...”命令或者在工具栏中点击图标。 4、从“Classification->Samples”菜单中选择 “Select Samples”。在“Sample editor”窗口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“Sample edit”显示的特征空间等同于标准最邻近特征空间。坐上角的“Active Class”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脚的“Compared to”下拉框中其他的类进行比较。 5、在“Active Class”对话框中选择 agriculture 或者在“Class Hierarchy”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 单击某一地物，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、通过上述方法再插入三个其他的样本对象。 9、通过上述方法再选择两个地物。练习人工最近邻分类时，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，尤其当这一类是非匀质的，否则这样的非匀质对象就不能够充分的被考虑到。在以下几个步骤中，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匀质地区。 10、重复以上样本的选择，分别为 water, impervious surface 和 rural 定义训练区。每一类选择两三个地物。不要忘记选择恰当的类型作为 active class.

分享到：

赞收藏

资料库

ecognition操作指南.pdf

相关推荐

课程资源

热门标签

最新资料