eCognition簡要介紹.ppt

eCognition 軟件特色和應(yīng)用介紹 exproing the soul of Imagery,講課大綱,EC軟件基本原理 基本概念 面向?qū)ο笏枷?多尺度分割 常用分類特征介紹 EC軟件應(yīng)用 遙感分類植被自動化分類 變化監(jiān)測泥石流災(zāi)害快速評估 EC軟件操作實驗 面向?qū)ο蠓诸悾ɑ谝?guī)則） 面向?qū)ο蠓诸悾ɑ跇颖荆?基本概念1,基本概念1,分割 VS 分類 分割：cut the image into pieces for further analysis 分類：label these objects according to their attributes 對象（子對象，父對象，相鄰對象） 對象：包含狀態(tài)（數(shù)據(jù)）和行為（操作）的集合體，用來描述真實世界的（物理或邏輯概念上的）物體。 尺度 & 尺度分割 宏觀：待分析問題粒度大?。ù幚韺ο蟠笮。?微觀：區(qū)域內(nèi)像素個數(shù)（分辨率）或區(qū)域合并的異質(zhì)性閾值 規(guī)則 VS 特征 條例，章法&區(qū)別于其他物體的標(biāo)志,面向?qū)ο笏枷?影像（畫圖表示） 影像并非由單個像素來代表，而是由包含重要語義信息在內(nèi)的影像對象以及他們之間的相互關(guān)系構(gòu)成。 抽象性 抽取其本質(zhì)，核心的東西 封裝性 繼承性,面向?qū)ο笏枷耄ǔ橄笮?，封裝性，繼承性）2,Pixel Level,Level 1,Level 2 Level 1的父層 Level 3的子層,Level 3,Scene,網(wǎng)絡(luò)認(rèn)知技術(shù)（Cognition NetworkTechnology）,EC軟件中的面向?qū)ο?繼承性,抽象,封裝性,面向?qū)ο蟮闹饕獌?yōu)勢2,分類特征得到擴(kuò)展 對象完全繼承像元的空間、光譜特性，同時帶來單個像元所不具備的面狀特征及層次關(guān)系等對象特有分類特征 運行效率得到提高 從數(shù)以萬計的像元優(yōu)化到數(shù)千個對象，處理時只需考慮每個對象的平均值，大大提高計算機(jī)運行效率 分類精度得到保障 對象能夠準(zhǔn)確反映地物的真實邊界、輪廓信息，從而從根本上減少錯分、漏分的幾率，同時能有效避免椒鹽現(xiàn)象 分割尺度可控 針對不同地物目標(biāo)的提取需求，可靈活控制分割尺度，滿足多尺度分割分類要求,多尺度分割思想3,多尺度分割（異質(zhì)性最小的區(qū)域合并算法4）,區(qū)域異質(zhì)性f 光譜異質(zhì)性x（畫圖） 形狀異質(zhì)性y（畫圖）,w1為光譜權(quán)值，x為光譜異質(zhì)性，y為形狀異質(zhì)性,w2為緊致度的權(quán)重； u為影像區(qū)域整體緊致度；v為影像區(qū)域邊界光滑度；E為影像區(qū)域?qū)嶋H的邊界長度；N為影像區(qū)域的像元總數(shù)；L為包含影像區(qū)域范圍的矩形邊界總長度,形狀參數(shù)（緊致度&光滑度）,u為影像區(qū)域整體緊致度； v為影像區(qū)域邊界光滑度； E為影像區(qū)域?qū)嶋H的邊界長度； N為影像區(qū)域的像元總數(shù)； L為包含影像區(qū)域范圍的矩形邊界總長度,E為區(qū)域A的紅色邊界的長度 L為青色矩形的周長 N為區(qū)域A所包含的像素數(shù) 緊致度u衡量區(qū)域的飽滿程度 光滑度v衡量區(qū)域邊界的光滑（破碎）程度,合并后的區(qū)域異質(zhì)性計算4,合并區(qū)域的異質(zhì)性f 合并區(qū)域的光譜異質(zhì)性x （畫圖） 合并區(qū)域的形狀異質(zhì)性y（畫圖）,基于異質(zhì)性最小的多尺度分割算法流程圖3,4,易康多尺度分割參數(shù)設(shè)置,形狀權(quán)重,緊致度權(quán)重,選擇基于像素層還是基于對象層,選擇自底向上合并（create below）or自頂向下分割 （create above）,選擇分割算法 （多尺度分割）,尺度參數(shù),EC分割參數(shù)選擇原則5,盡量以最大的可能分割尺度來區(qū)分不同的影響區(qū)域獲得影像對象（在滿足必要的精度條件下盡可能使用大尺度） 在滿足必要的形狀標(biāo)準(zhǔn)的前提下盡可能采用顏色標(biāo)準(zhǔn)。原因是影像數(shù)據(jù)中最重要的信息是光譜信息，形狀標(biāo)準(zhǔn)的權(quán)重太高會降低分割結(jié)果的質(zhì)量。 對于邊界光滑的地物類型，選擇較大的光滑度參數(shù) 對于形狀緊致的地物類型，選擇較大的緊湊度參數(shù) 顏色因子一般要占很大的權(quán)重，因為顏色是遙感影像信息提取中最重要的參考信息。 形狀因子有助于避免由于影像對象形狀的不完整對精度產(chǎn)生的影響， 緊湊度參數(shù)有利于將結(jié)構(gòu)緊湊與不緊湊的目標(biāo)區(qū)分開來， 而光滑度因子將起到完善邊界光滑的影像對象的作用。,常用分類特征介紹3（光譜特征）,對象S的均值Mean 對象S的亮度Brightness 對象S的標(biāo)準(zhǔn)差StdDev,#S為對象S所包含的像素個數(shù)； ck(x,y)表示第k層影像(x,y)位置的灰度值；,常用分類特征介紹6 （形狀特征畫圖）,周長，面積 對象邊界的像素個數(shù) 對象中所包含的像素個數(shù) 近似邊界周長 長寬比 長度&寬度 緊致度&光滑度,應(yīng)用2Exploring the Soul of Imagery,農(nóng)業(yè)：作物分類，農(nóng)業(yè)保險，長勢分析，作物估產(chǎn) 林業(yè)：植被分類，動態(tài)監(jiān)測，變化提取，小斑區(qū)劃，樹冠統(tǒng)計 國土：土地利用分類，變化監(jiān)測，快速制圖，地圖更新 環(huán)保：變化監(jiān)測，環(huán)境分析，區(qū)域規(guī)劃 災(zāi)害：損毀評估，受災(zāi)區(qū)域分類，應(yīng)急響應(yīng),遙感分類,特征提取,變化監(jiān)測,快速制圖,EC軟件一般操作流程,實驗-面向?qū)ο蠓诸悾ɑ谝?guī)則）,自底向上合并分割,自頂向下繼承分類,L4:100,L3:70,L2:50,L1:40,Pixel Level,有待進(jìn)一步研究的問題,模糊分類法則 最優(yōu)尺度分割 合并策略 分類特征的描述,思考？,Whats the soul of Imagery? 面向?qū)ο笏枷氲木柙谀模?EC軟件的應(yīng)用價值在哪？ 如何運用它解決空間相關(guān)問題？ EC軟件的研究價值在哪？給 你的研究帶來哪些啟示？,參考資料