易康eCognition9.0分类|规则集和机器学习的方法的面向对象的多尺度分割分类

前言：因为第一次接触，所以非常非常细致，，

 第一步：File—new project:（新建一个project,可以保存）

 

 第二步：选择影像（注意路径一定纯英文）

第三步：双击修改波段名称，方便后续计算

第四步：修改波段显示：按需求进行波段组合，还可以进行显示拉伸

 

 

 进行多尺度分割

第五步：新建工程树进行分类，右键Precess Tree,选择Append New

第六步：进行多尺度分类，Algorithm选择多尺度分类方式（如图

第七步：修改尺度大小

第八步：点击Execute进行计算，得到如下结果

进行规则集分类

第九步：在分割的基础上，基于规则分类，这里以水体为例子，首先计算NDWI

点击Feature Values 的 Customized 的 “Arithmetic Feature”,输入NDWI计算公式（Green-nir）/（Green+nir），记得在Mean里选择。

第十步：观察对象的特征阈值，点击水体的对象，看NDWI的范围；确定后进行分类。

第十一步：进行分类，右键Precess Tree,选择Append New。选择“assign class” ，并修改右侧的Use class 的Value为“water”，弹出窗口内选择蓝色。

第十二步：点击“Condition”，进行规则设置。

第十三步：value1找到并选择NDWI，“>=”，value2选择“0.5”。

第十四步：得到规则法的水体结果

第十五步：合并相同类别的对象，依旧新建方法，选择“merge region”，Class filter选择“water”，进行运算。得到结果。

进行监督法分类：前几步的多尺度分割和上面一致，就不重新复制了。做完多尺度分割之后，进行如下步骤

第四步：进行样本选择，点击“Classification”——“Samples”——“Sample Editor”.

第五步：再次点击“Classification”——“Samples”，选择“Select Samples”，“Active class”进行分类样本的选项（双击就是选上了，每个类别都要选）。

第六步：计算样本特征，点击“Nearest Neighbor”——“Feature Space Optimization”

第七步：选择计算特征，把计算的“NDVI”、“NDWI”、原始波段等信息双击进行选择，我选了8个。

第八步：进行特征优化

第九步：计算每个类别的特征，点击“Select Classes”，选择进行分类的类别

第十步：双击类别可以看到刚刚计算的各特征

第十一步：进行监督分类，分类方法选择“classification”，右侧加入所分类别，点击“Execute”，并得到分类结果。

 计算植被和水体的面积占比

第十二步：进行植被和水体的面积占比的计算，方法选择“Update variable”,右侧的“Variable”是变量名称，先计算所有像素的个数，“Assignment”选择“by feature”

Feature选择“Number of pixels in scene”

第十三步：计算水体像素的个数，方法选择“Update variable”,右侧的“Variable”是变量名称，先计算所有像素的个数，“Assignment”选择“by feature”

Feature选择“Area of classified objects”，再“Class”选择“water”。

第十四步：计算水体像素的占比，方法选择“Update variable”,右侧的“Variable”是变量名称，先计算所有像素的个数，“Assignment”选择“by expression”,输入表达式。

第十五步：得到两种分类方式的植被和水体的面积占比；

1.规则类：

2．监督分类：

结束！

最后：感觉现在用易康完成分类的很少啦，但不乏一些学子需要完成课程实验 ，在此给自己记录！希望能帮到大家！