eCognition中的分割与分类方法研究

《eCognition中的分割与分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、eCognition中的分割与分类方法研究1eCognition中的图像分析主要过程如下：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图1eCognition中图像分析的主要流程2Multiresolutionsegmentation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

2、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

3、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。3Computationoftheheterogeneitycriterion1)对象的光谱(spectral)异质性指标：(1)其中为图层的权重，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(interestobject)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：(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，与代表两者间的权重调配，两者的和为1；平滑指标与紧

4、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（interestobject）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：(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，与代表光谱与形状两者间的权重调

5、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：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

6、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

7、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)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，，functionslope=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“layermean”将分割影像中的水体提取出来。通常

8、，类别可以通过将各种特征组合起来来识别