eCognition

1.1操作前准备

1.1.1待分类影像切割

eCognition不支持超过500万个对象的文件分割,因此需要在eCognition分割前要先将遥感影像切割成200M左右的小文件。为保证切割后影像分类后结果的无缝镶嵌,在Arcmap中制作切割用的矢量边界,然后转至ERDAS中制作所需要的aoi。

1.1.2辅助图层准备

用与上步相同的aoi 文件对相应的dem、坡度、坡向图等专题图层进行切割,这些文件在eCognition分类中都将作为辅助信息用到。

 

1.2 建立eCognition工程文件

1.2.1 加入影像层和各专题图层

打开eCognition软件,打开软件选择右边的 RuleSet 模式,创建新的工程文件。

先加入第一步做好的遥感影像文件,然后将dem、坡度、坡向图等专题图层都加入进来。

1.2.2 影像层赋别名

为方便分类中使用,需要将各个图层赋上别名,按加入图层的先后顺序,确保给各图层加上正确的名称(Green、Red、Nired、Swired、Pan、Dem、Slope、Aspect )等。

1.2.3图层设置

先在Erdas中查看相应文件信息(information),记下文件的左上角的x值和右下角的y值及分辨率。然后在eCognition中双击相应图层,在弹出的如下对话框中分别输入刚才记下的x、y和分辨率。为了确保输入坐标正确,在各图层都输入后,进行检查。工程文件创建后,就不能再进行更改这些数据了。

eCognition_第1张图片

1.2.4创建新的工程文件:

点“OK”开始创建工程文件,完成后应先保存该工程文件,再开始下步的工作。

 

1.3 影像分割

面向对象的影像分类方法需要在影像分类之前对其进行分割,分割方法将像元按照同质性进行聚类,从而形成分类所需要的“对象”。

1.3.1分割对象选择

只选择遥感影像的1、2、3、4层,即兰、绿、红、近红四个波段参与分割,其它层不参与分割。即在分割时将兰、绿、红、近红四个波段权重值设为1,将其它层权重值设为0。

1.3.2分割顺序

先进行多尺度分割,再进行光谱差异分割。

1.3.3分割参数

多尺度分割时尺度参数(Scale Parameter)为10,颜色、形状参数(color、shape)分别为0.8、0.2,光滑度(Smoothness)和紧致度(Compactness)分别为0.5、0.5。

光谱差异分割,在多尺度分割(Lev10)之上进行,先进行光谱差异为1的分割(Lev10S1),然后在这两层中间再进行光谱差异为5的分割(Lev10S5)。以后的影像分类主要在Lev10S5上进行。

 

1.4 影像分类

1.4.1自定义参数

eCognition中已提供了大量对影像分类非常有用的参数,如亮度、面积、长宽比等。根据实际需要,可以自定义一些指数,对更加精确地进行分类很有帮助。

常用的自定义指数有:

(1)归一化植被指数NDVI

([Mean Nired]-[Mean Red])/([Mean Nired]+[Mean Red])*100

(2)土壤调整植被指数SAVI

(([Mean Nired]-[Mean Red])/([Mean Nired]+[Mean Red]+0.5))*(0.5+1)*100

(3)分维数

2* lg ([Length]/4)/ lg ([Area])

(4)宽波段植被指数WDRVI

(0.05*[Mean Nired]-[Mean Red])/(0.05*[Mean Nired]+[Mean Red])*100

(5)绿波段-短波红外波段G-SW

[Mean Green]-[Mean Swired]

(6)红波段-近红外波段R-NIR

[Mean Red]-[Mean Nired]

1.4.2 创建类层次结构

类层次结构类似于决策树,先建立两大互补类,在实际施工中根据影像的实际情况,我们先分出植被和非植被,或水体和非水体,然后再建立互补小类。

eCognition_第2张图片

1.4.3选择合适参数进行分类

这是实际分类中最重要和最难以准确把握的步骤,往往需要持续不断的调整,找到分类的最佳指标取值范围,才能达到较好的分类效果。有时为了将两种类别分开,可能需要多个参数参与其中一个细节的分类。

在分类时,将窗口排成如下图的样式,便于对比操作。

Feature View工具,可用于选择合适的分类参数。双击某一指标,如NDVI,图像上会显示NDVI分布图,调整Feature View下方左右方框中的数值(左(蓝)右(绿)),找出区分目标对象和非目标的阈值,或使目标对象在蓝绿内。

阈值的确定可在视图中移动鼠标,查看影像对象的特征值。浏览几次后,可以获得这个特征值的范围印象,并且可以断定目标对象的一个大致的阈值。

eCognition_第3张图片

1.4.4不同目标对象分类时常用的参数

植被、非植被:NDVI,SAVI(正常的影像NDVI小于10,可认为是非植被,但具体影像可能有很大差别,要通过Feature View找到这个值)

水体:亮度、面积、NDVI,SAVI。水体一般较暗,NDVI较低。水体光谱较均一,分割形成的对象面积较大。

道路、采矿、垃圾场:亮度高,NDVI,SAVI低。道路具有较大的长宽比。矿区和垃圾场都为一条道路连接一个块状高亮区域,但垃圾场形状较规则。

1.4.5 手工分类

自动分类结果必然会存在不准确的地方,必须用手工进行修改。但手工修改中一个个点击小对象进行分类结果改变,或绘制精细的多边形进行成片分类结果改变,往往耗时、费力。根据我们的经验,利用手工修改中的过滤工具,可显著提高手工作业效率。

可以选择一类,或按下Shift键选择多类。然后,在手工修改时,就可以粗略的画矩形框或多边形,而选中的只是刚才选择的类别,而不是框中的全部对象。这样,可以方便的给批量被错分的类赋新的类别。

1.4.6 分类结果的导出

对于在eCognition中的分类结果,需要以shp文件格式导出,并在ARCGIS软件中进行编辑,如格式转换、接边处理等。其中一块的分类结果和导出结果如下。

eCognition_第4张图片

eCognition_第5张图片

分类结果图

导出后的土地利用图

你可能感兴趣的:(图像处理)