《ecognition培训》PPT课件.ppt

Ecognition培训,姓名:电话：Email:,主要内容,1.ecognition简介2.ecognition的特点3.创建工程4.多尺度分割5.分类,1.ecognition简介,eCognition是由德国DefiniensImaging公司开发的智能化影像分析软件。eCognition是目前所有商用遥感软件中第一个基于目标信息的遥感信息提取软件。它采用决策专家系统支持的模糊分类算法，突破了传统商业遥感软件单纯基于光谱信息进行影像分类的局限性，提出了革命性的分类技术面向对象的分类方法，大大提高了高空间分辨率数据的自动识别精度，有效地满足了科研和工程应用的需求。,1.ecognition简介,eCognition所采用的面向对象的信息提取方法，针对的是对象而不是传统意义上的像素，充分利用了对象信息（色调、形状、纹理、层次），类间信息（与邻近对象、子对象、父对象的相关特征）。,2.ecognition特点,1独特的面向对象分类方法；2模拟人类大脑的认知过程；3将计算机自动分类和人工信息提取相结合；4可以分析纹理和低对比度数据；5针对不同的影像数据和分类任务，进行不同尺度的影像分割；,2.ecognition特点,6快速简单的监督分类；7容易表达和分析复杂的语义任务；8模糊逻辑分类算法eCognition可以进行基于样本的监督分类或基于知识的模糊分类、二者结合分类及人工分类，影像对象和分类结果易于导出成常用GIS数据格式，可以用于集成或GIS数据库更新。,可以导入的数据类型,易康（ecognition）可以导入栅格和矢量数据，当然矢量数据在导入的时候必须先转换成栅格数据。软件支持一下两种基本类型的数据：影像层专题层影像层包含了连续的信息，而专题层包含的信息是离散的。这两种不同类型的数据在分割和分类中必须区别对待。除了影像层外也可以导入专题层。,易康可以导入的数据类型,易康可以导入的数据类型Arc/InfoBinaryGridERSIASCIIGRIDFile(.acs)TaggedimageFile(Geocoded)(.tif)ERMapperCompressedRaster(.ecw)CompuserveGIF(.gif)WindowsorOS/2Bitmapfile(.bmp)JPEGJFIF(.jpg)ErdasImagine(.img)PCIDSKimageformat(.pix),3.创建工程,1.从File菜单中选择NEWproject2.打开数据所在文件夹3.选择所要导入的数据确定这样一个新工程在易康中就被创建了。,调整视图设置,1.从View菜单中，选择ImageLayerMixing或者点击工具栏上的打开EditLayerMixing对话框。2.从Equalizing(均衡)下拉菜单中选择拉伸方式。3.从Presets下拉框中，选择色彩搭配方士。4.在RGB所对应的列中选择图层的色彩模式。5.点击ok后，影像会以您设置的视图方式显示。,4.多尺度分割,Multiresolutionsegmentation原理采用不同的尺度，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，这些原料随之在新分割中进行合并。同时也遵循高一层的对象边界限制。这个网状结构是一个拓扑关系。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,多尺度分割原理,对象，那么相邻的对象不能进行合并。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，继续分别与它相邻对像进行计算，这一过程将一直持续到用户指定的尺度上已经不能再进行任何对象的合并为止。,多尺度分割原理,多尺度分割原理图：,分割流程,多尺度分割步骤,1.process菜单中选择processtree打开进程树控件。2.在控件中右击，选择Appendnew选项，打开editprocess对话框。3.在Algorithm栏下选择所采用的分割类型。4.在对话框右栏Algorithmparameters中更改分割参数。5.选择Execult，执行分割。,多尺度分割参数设置,1.ImageLayers(影像层）：可以视它本身对于分割的重要性和适合度来考虑，如果赋予高的权重，则在分割过程中多参考它的信息。所有选中的影像层权重总和内部规划为1。2.Thematiclayers（专题层）：除了影像层，也可以在分割过程中使用专题层，和影像层不一样的是，它包含的信息是离散的。专题层不可能给予不同的权重，它只能选择用还是不用。如果在一个对象层的分割中不使用专题层，就不可能在这个对象层上的分类中使用这个专题层的信息。,多尺度分割参数设置,3.ScaleParameter(尺度参数）：尺度参数是一个抽象的术语，可以决定最终影像对象的最大异质度。用给定的尺度参数分割异质数据生成的对象要比在均质数据中得到的要小的多。改变尺度参数的大小，可以得到不同大小的影像对象。,多尺度分割前后图像对比,分割前,分割后,5.分类,Ecognition中面向对象法采用模糊分类原理，有两种分类器：最邻近分类器和隶属度函数分类器。1)最邻近分类法原理：对于每一个影像对象，在特征空间中寻找最近的样本对象，如果一个影像对象最近的样本对象属于A类，那么这个对象将被划分为A类。实际操作时，通过一个隶属度函数进行，影像对象在特征空间中与属于A类样本对象的距离越近，则属于A类的隶属度越大。影像对象属于哪一类由隶属度来确定，当属于每一个隶属读值小于最小隶属度（可以设置）,分类原理,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：,分类原理,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：其中，,分类原理,最邻近分类法的隶属度函数,分类原理,最邻近分类法的隶属度函数,分类的原理,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。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，类别可以通过将各种特征组合起来来识别，所用的操作为“and”、“or”和“not”等，可以用“lowlayermean”特征和“highLength/widthratio”。,分类原理,因此，可以建立语义层次结构，综合各种特征对影像进行分类。算法与最邻近法相似，对每一个特征，计算特征值，选择适当的隶属度函数，将其归属到0-1的隶属度，有不同特征时，可以通过“and”、“or”和“not”等操作进行组合。,分类原理,可以用的描述特征主要有两类：ObectFeatures，Class-relatedFeatures.1.ObjectFeatures(对象特征）：评价影像对象本身以及它们在影像对象层的结构情况获得的信息。2.Class-ReleatedFeatures(类间特征):类间相关特征指的是在处于影像对象层次中与其他对象分类所处的适合的任意的位置情况。这个位置可以在影像对象层次中定义为垂直距离(与父对象，子对象),水平距离(与邻近对象).这个距离由特征距离决定。,分类的步骤,1.插入一个新类打开ClassHierarchy(类层次结构)对话框.在窗口中右击选择InsertClass(插入类).依次对name、颜色等选项进行更改设定.如果用到隶属函数,在All对话框中，选择隶属度函数Ok以后新类被