《面向对象分类课件.pptx》由会员分享，可在线阅读，更多相关《面向对象分类课件.pptx（55页珍藏版）》请在三一办公上搜索。
1、面向对象分类,面向对象分类,易康简介(Definiens professional 8.0)基础应用,易康简介(Definiens professional 8,一、产生背景,高分辨率遥感影像（high-resolution remote sensing imagery）的大量出现与广泛应用SPOT5、IKONOS、QuickBird、WorldView-、GeoEye-1高分辨率遥感影像广泛应用于土地利用、森林资源监测与调查、土地整理监测传统基于像元（pixel based）分类方式获得的结果与地理数据库难以整合“椒盐”现象，分类结果不易矢量化分类利用的高分影像信息有限，导致分类精度不高,一
2、、产生背景高分辨率遥感影像（high-resolution,高分土地利用信息提取,空间分辨率的提高，提供更多的纹理、形状、上下文等空间信息，地物看的更清晰，更便于人工目视解译,30米分辨率TM图像,米分辨率SPOT5图像,传统的基于像素自动分类方法，已不适合面向对象影像分析与信息提取技术,高分土地利用信息提取空间分辨率的提高，提供更多的纹理、形状、,高分辨率遥感数据拥有更加丰富的地物信息（光谱、几何、结构、纹理等）,过去的方法是依靠人工勾绘边界，看图识字。高分辨率遥感图像地物信息丰富、数据量大。但仅依靠人工的方法对高分辨率遥感影像进行解析已经难以满足应用需求。,二、技术流程和核心方法,高分辨率
3、遥感数据拥有更加丰富的地物信息（光谱、几何、结构、纹,影像对象按照局部区域的不同特征进行分割，所分割出来独立的结果就叫影像对象。,每个影像对象代表影像的一个确定空间连续的区域。影像区域的像素与影像对象关系是部分关联。如果两个影像对象是邻近关系，那么它们包含的像素在影像区域也是相邻关系。,影像对象 每个影像对象代表影像的一个确定空间连续的区域。,影像对象层和影像对象层组,对像层：对象层是由易康(eCognition)软件分割的多个影像对象组成，而多个影像对象可以按照一定的尺度参数合并或分割成分别由上下组成的一个新的对象层。对象层组：对象层组由两个或多个以上的影像对象层组成,由上至下是一对多、由下
4、至上是多对一,影像对象层和影像对象层组 对像层：由上至下是一对多、由下至上,基于对象分类,基于对象分类分类特征提取与计算光谱特征形状、纹理特征等分类方,分类流程图,分类流程图,工作流程,影像输入,创建对象-分割,为分类建立特征空间,结果输出,分类,精度评价,工作流程影像输入创建对象-分割为分类建立特征空间结果输出分类,新建工程,在启动破解版时，要先将系统时间改为2010年1月10日，可用期限为7天。,快速制图模式,自设定规则模式,新建工程在启动破解版时，要先将系统时间改为2010年1月10,输入工程名,影像相关信息（参考坐标系统、像素数、分辨率、影像坐标范围）,每个波段作为一个图层,添加图层移
5、除图层编辑图层,专题图层（辅助分类图层）,添加图层移除图层编辑图层,元数据,新建工程,打开方式：File菜单New Project或从工具栏点击,是否使用地理编码,注：如果在新建工程时，有信息需要添加或者修改，选择FileModify Open project,输入工程名影像相关信息（参考坐标系统、像素数、分辨率、影像坐,调整视图设置,在视图设置工具条中的编辑图层混合按钮编辑影像图层混合窗口打开，数据波段默认情况下以三个条带以红、绿、蓝三色被显示,调整视图设置 在视图设置工具条中的编辑图层混合,编辑影像图层混合对话框,编辑影像图层混合对话框,要看真彩色效果，通过点击来设置蓝、绿、红在各自对应的
6、列如图，真彩色波段设置,要看真彩色效果，通过点击来设置蓝、绿、红在各自对应的列,常用窗口,进程树窗口,类层次窗口,影像对象特征显示窗口（可选择）,特征窗口,特征值域,样本编辑窗口,View|Windows,常用窗口进程树窗口类层次窗口影像对象特征显示窗口（可选择）特,规则（Processes）,图像分析算法是Definiens的专家开发出的一套先进的模仿人类认知的语言进行开发的高级影像分析算法，这种算法主要采用了面向对象的图像分析方法，各种算法的设计是通过对规则集的设计实现的。一个单一的规则是解决一个具体图像分析问题中规则的集合单元，规则集是进行规则集合而开发的一个主要工具。在影像中一个单一的
7、规则能使一个具体的算法应用到一个具体特定的区域，条件信息为选择特定区域的分类或合并提供了很好的语义信息。,规则（Processes）图像分析算法是Definiens的,单一的规则中的主要功能算法、算法作用的影像对象域、算法参数,算法,对象域,算法参数,循环次数,单一的规则中的主要功能算法对象域算法参数循环次数,在这个项中您能读到您在规则树中所设置的所有参量。如图：自动命名的规则上述例子命名解释:所有对象的Mean nir特征值若小于200在第一层级将被分类为水体。算法（Algorithm）:从下拉菜单中选择您想要进行的算法，依据所选择的算法，在编辑对话框右侧部分的规则集合设置的算法参数也将发生
8、变化并显示。默认情况下通常最常使用的算法是可以应用的，选择其它的算法时可以通过下拉选项和滑动条进行选择，在最下端的select more里可以选择更多算法，添加可利用的算法到算法名单中。,在这个项中您能读到您在规则树中所设置的所有参量。,算法参数,根据所选择的算法不同，参数的设置也不同，必须在参数设置表格进行设置，如，多尺度分割的算法被插入。,多尺度分割算法的参数,算法参数 根据所选择的算法不同，参数,指定分类的算法参数,注释：对于一个规则，您也可以添加自己的标注，您可以在打开编辑对话窗口中点击注释图标 通过插入注释可以使规则变得容易理解和输入一些必须的信息。,指定分类的算法参数注释：,规则可
9、以包含任意数量的子规则，它们所显示的结果是影像分析所定义的结构和流量控制图，规则包含很多不同类型算法，允许用户建立一个连续图像分析流程。,规则次序流程,规则可以包含任意数量的子规则，它们所显示的结果是影像,如图：规则窗口中显示了一个规则流程,如图：规则窗口中显示了一个规则流程,分割和分类,分割：获取影像对象的过程（像素向上合并的过程）。分类：把具有相近关系的影像对象归为一类的过程。易康(eCognition)分类相关概念隶属度分类：为对象选取特征并对这些特征的值用隶属度函数进行描述，将这些对象归为一类的过程。隶属度函数（membership functions）：一种模糊函数。在分类中，当完全
10、不属于该类时，隶属度为0；完全属于时，隶属度为1.最邻近分类：通过选取一系列样本对象，选择特征集（多个特征），计算这些样本在这些特征间的分离度。再根据分离高的特征计算所有对象与样本点的距离，距离小于阈值，归为一类。,分割和分类分割：,影像分割,根据影像的部分特征将一幅图像分成若干“有意义”的互不交叠的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。影像分割是对遥感影像进行进一步面向对象分析、理解和识别的基础，是高分辨率遥感影像应用领域的关键技术之一。,影像分割根据影像的部分特征将一幅图像分成若干“有意义”的互不,影像分割,Smoothness量小说明该对象边界比较
11、光滑 Compactness表示对象紧凑程度。,主要利用光谱特征，形状特征调整地块边界,影像分割 Smoothness量小说明该对象边界比较光滑主要,基于区域合并的多尺度分割,基于区域合并的多尺度分割,eCognition 中的分割算法棋盘分割：最快的分割算法，但对感兴趣对象的特征描述并不有效。分割产生相同大小的对象。四叉树分割：四叉树分割速度很快，可以产生多种尺度大小的对象。直接产生的对象没什么意义，但对后续光谱差异分割和多尺度分割区域生长算法有用。对比分裂分割多尺度分割：用得最多、最有效、速度最慢的一种分割方式。光谱差异分割：影像对象域只能为对象。多阙值分割：当需要基于绝对的像素值进行分割
12、时使用这个算法。对比过滤分割,分割,eCognition 中的分割算法分割,不同分辨率下的分割结果,不同分辨率下的分割结果,特征,一个特征是目标对象的相关信息的表述。分类过程中用到的最多的两类特征：影像对象特征（object feature）:是和一个对象关联的表述其信息的特征。类相关特征（class-related feature）：是一个类和整个层次结构中的类关联表述。,特征一个特征是目标对象的相关信息的表述。,影像对象特征,颜色、形状、位置、纹理、专题图层等更多信息也可通过影像对象的网状结构来进行归纳分类或合并。,类特征的一个重要例子是给定了类的子对象数量及给定类的子对象的相邻关系（Re
13、lative border to neighboring objects and number of subobjects）。,类特征,影像对象特征颜色、形状、位置、纹理、专题图层等,如图所示，特征窗口常用的对象特征,如图所示，特征窗口常用的对象特征,光谱特征,亮度最大均值最小均值最大均值差均值标准差最大像素值最小像素值,对象比率Mean Diff.to neighborsMean Diff.to neighbors(abs)Mean Diff.to brighter neighbors()Mean Diff.to darker neighbors,光谱特征亮度对象比率,形状特征,表现对象大小
14、的有：面积、周长、等价直径、长度、宽度、String length、String width；表现对象的细长程度的有：长宽比、细长度；表现对象的边界复杂度、紧凑性的有：形状指数（即分形维数）；表现对象与圆的接近程度的有：球状指数；表现对象与最小外接矩形的接近程度的有：扩展度（矩形度）；如果对象为椭圆形，表现对象的椭圆形状的有：离心率、扁率；其他：主轴方向,形状特征表现对象大小的有：面积、周长、等价直径、长度、宽度、,纹理特征,灰度共生矩阵（grey level co-occurrence matrix,GLCM），通过对影像灰度级之间的二阶联合条件概率密度P（i,j,d,st）来表示影像的纹理
15、。P（i,j,d,st）表示在给定空间距离d和空间方向st，以灰度级i为始点，终点出现灰度j出现的概率。,纹理特征 灰度共生矩阵（grey l,分类,1.最邻近分类器分类在特征空间中计算待分类影像对象与各地类训练样本之间的距离，寻找与待分类影像对象距离最近的样本对象，将该待分类对象归属到最近样本对象所在的类别；另外，还可以以欧氏距离为测度，将距离转换为隶属度，最终将待分类样本归属到隶属度最大的那一类。2.成员函数模糊分类特征模糊化（特征值隶属度）多特征模糊逻辑运算（地块多特征隶属度通过逻辑运算得到一个隶属度）反模糊化（隶属度类别）,分类1.最邻近分类器分类,K邻近方法（K-NN）,K-NN首先
16、搜索未知样本的K个邻近已知类别的训练样本，将未知样本归于这K个邻近中多数样本所属的那一类,K邻近方法（K-NN）K-NN首先搜索未知,选择样本,特征空间优化,选择可能的特征集,计算特征集距离矩阵,分离度较高的特征集,分类,最邻近分类,选样本时保持选中状态,保存样本时先创建TTA掩膜,提示：在样本编辑器窗口中尽量不要添加或少添加纹理特征，否则会导致计算时间很长,选择样本特征空间优化选择可能的特征集计算特征集距离矩阵分离度,（1）,（2）,（3）,最邻近分类,（1）（2）（3）最邻近分类,最大隶属度1,最小隶属度0,隶属度函数,模糊大于（左）小于（右）,布尔大于小于,线性大于小于,左：线性范围（取
17、反）右：线性范围,单值,近似高斯,大致范围,全范围,菜单Classification Advanced Settings Edit Minimum Minimum MembershipValue编辑归类最小隶属度值,最大隶属度1最小隶属度0隶属度函数模糊大于（左）小于（右）布,41,设定阈值隶属度值大于阈值，则这个影像对象O将会被划分为class red，否则该对象将被归为未分类对象,41设定阈值,1、进行尺度为100的影像分割。,2、在Class Hierarchy中点右键，选择Insert class，依次建立四个,类：房屋、道路、湖泊、草地。,面向对象影像分类步骤（基于样本）,1、进行尺
18、度为100的影像分割。2、在Class Hiera,3、编辑特征空间：选择菜单“Classification-,Nearest Neighbor-Edit Standard NN Feature Space”，双击左边的特征列表中的特征，选择以下一些特征，如下图：,面向对象影像分类步骤（基于样本）,3、编辑特征空间：选择菜单“Classification-,4、应用分类规则：选择菜单“Classification-NearestNeighbor-Apply Standard NN to Classes”把它插入到类描述中，选择左边框中的类，单击，即可将该类加入到右边的框中，如下图：,面向对象影
19、像分类步骤（基于样本）,4、应用分类规则：选择菜单“Classification,点击OK后，在Class Hierarchy中双击一个类，如草地，可,以看出分类特征已经添加到该类中，如下图：,面向对象影像分类步骤（基于样本）,点击OK后，在Class Hierarchy中双击一个类，如,选择,按钮，打开样本编辑器，如右图：,面向对象影像分类步骤（基于样本）,5、选择样本：选择菜单View-toolbar-sample，打开样本导航器，如图：,选择按钮，打开样本编辑器，如右图：面向对象影像分类步骤（基于,6、选择类的样本：从样本编辑器中的Active Class中选择需要选择样本的类，如草地，
20、在分割图上点击样例对象,当你单击一个类时，它的特征值在每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它们的相关特征值，如下图：,面向对象影像分类步骤（基于样本）,6、选择类的样本：从样本编辑器中的Active Class,面向对象影像分类步骤（基于样本）,选择样本导航器中的,按钮，然后双击分割图上的某一个对象，,就可以该对象选择为该类的样本，选择后样本编辑器会成为如下的状态：依次为所有的类选择足够的样本。,面向对象影像分类步骤（基于样本）选择样本导航器中的按钮，然后,面向对象影像分类步骤（基于样本）,7、执行分类：在Process Tree中选择Append New，Algo
21、rithm中选择Basic Classification-Classification，在Algorithm Parameters的Active Classes中选择“草地、道路、房屋、湖泊”，设置如下图：在航空遥感影像上，城市道路特征明显，形成相互连通的网状，一般呈亮灰色，其两边通常可见深色调的行道树或道路隔离带，容易识别,面向对象影像分类步骤（基于样本）7、执行分类：在Proce,K邻近方法（K-NN）获取影像对象的过程（像素向上合并的过程）。高分辨率遥感影像（high-resolution remote sensing imagery）的大量出现与广泛应用在这个项中您能读到您在规则树中所
22、设置的所有参量。影像分割是对遥感影像进行进一步面向对象分析、理解和识别的基础，是高分辨率遥感影像应用领域的关键技术之一。面向对象影像分析与信息提取技术就可以该对象选择为该类的样本，选择后样本编辑器会成为如下的状态：就可以该对象选择为该类的样本，选择后样本编辑器会成为如下的状态：保存样本时先创建TTA掩膜点击OK后，在Class Hierarchy中双击一个类，如草地，可菜单Classification根据所选择的算法不同，参数的设置也不同，必须在参数设置表格进行设置，如，多尺度分割的算法被插入。面向对象影像分类步骤（基于样本）,面向对象影像分类步骤（基于样本）,点击OK后，再右键选择Execu
23、te，即可得到分类结果：,K邻近方法（K-NN）面向对象影像分类步骤（基于样本）点击O,面向对象影像分类步骤（基于样本）,对于分类图中的白色区域，表示这些对象没有被分类，只需要将这些对象添加到相应的类中，再重新进行分类，就可以得到正确的分类结果了，重新分类后的结果如下：,面向对象影像分类步骤（基于样本）对于分类图中的白色区域，表,K-NN首先搜索未知样本的K个邻近已知类别的训练样本，将未知样本归于这K个邻近中多数样本所属的那一类传统的基于像素自动分类方法，已不适合多特征模糊逻辑运算（地块多特征隶属度通过逻辑运算得到一个隶属度）如图：规则窗口中显示了一个规则流程单一的规则中的主要功能数据波段默认
24、情况下以三个条带以红、绿、蓝三色被显示由上至下是一对多、由下至上是多对一隶属度分类：为对象选取特征并对这些特征的值用隶属度函数进行描述，将这些对象归为一类的过程。按钮，打开样本编辑器，如右图：灰度共生矩阵（grey level co-occurrence matrix,GLCM），通过对影像灰度级之间的二阶联合条件概率密度P（i,j,d,st）来表示影像的纹理。K-NN首先搜索未知样本的K个邻近已知类别的训练样本，将未知样本归于这K个邻近中多数样本所属的那一类 Edit Minimum Edit Minimum Smoothness量小说明该对象边界比较光滑根据所选择的算法不同，参数的设置也不
25、同，必须在参数设置表格进行设置，如，多尺度分割的算法被插入。表现对象与圆的接近程度的有：球状指数；to neighbors(abs)隶属度值大于阈值，则这个影像对象O将会被划分为class red，否则该对象将被归为未分类对象,精度评价算法的研究,基于像素的精度评价算法包括采样方法、样本容量的计算、误差矩阵的计算与意义、各种精度评价指标和Kappa分析等问题。面向对象的精度评价算法包括最佳隶属度评价法、分类稳定性评价法和基于对象样本的误差矩阵统计法。,K-NN首先搜索未知样本的K个邻近已知类别的训练样本，将未知,精度评价,在eCognition中的精度评价也是基于测试样本进行的。这就要求在较客观的情况下（一般要求有其他数据支持），为每一类选取精度评价样本。,注：分类时要选好分类的地区影像，一般要求要有地面数据支持，也就是说要知道你待分类的影像的地物类别，这样在你的分类完成后才可能评价你的分类精度，分类精度的评价一般是用混淆矩阵来评价，从混淆矩阵中算出总精度和Kappa系数就可作为分类精度了。,精度评价在eCognition中的精度评价也是基于测试样本进,结果导出,输出类型,输出图层,输出文件名称,选择要导出的类,选择要导出类的相关特征注：要导出类名，必须添加此特征，无需改任何参数,结果导出输出类型输出图层输出文件名称选择要导出的类选择要导出,感谢观看,感谢观看,
