易康精度评价

eCognition的概论eCognition是北京天目创新科技有限公司代理的德国DefiniensImaging公司的遥感影像分析软件，它是人类大脑认知原理与计算机超级处理能力有机结合的产物，即计算机自动分类的速度+人工判读解译的精度，更智能，更精确，更高效地将对地观测遥感影像数据转化为空间地理信息。

eCognition突破了传统影像分类方法的局限性，提出了革命性的分类技术－面向对象分类。

eCognition分类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）。

eCognition基于Windows操作系统，界面友好简单。

与其他遥感，地理信息软件互操作性强，广泛应用于：自然资源和环境调查，农业，林业，土地利用，国防，管线管理，电信城市规划，制图，自然灾害监测，海岸带和海洋制图，地矿等方面。

面向影像对象：＊面向像素的解算模式将像元孤立化分析，解译精度较低且斑点噪声难以消除；＊利用影像分割技术把影像分解成具有一定相似特征的像元的集合—影像对象；＊影像对象和像元相比，具有多元特征：颜色、大小、形状、匀质性等；基于对象属性特点：- 颜色信息丰富- 形状接近真实地物- 大小区分明显- 纹理信息突出- 上下文关系明确基于像素属性特点:- 基本上只以颜色信息来区分主要分类过程介绍：采用eCognition软件对影像进行分类操作非常简单，可以主要以三个步骤来形容如下：1.分割分割是面向对象分类的前提，多尺度分割是影像对象提取的专利技术，可以根据目标任务和所用影像数据的不同以任意选定的尺度分割出有意义的影像对象原型。

2.分类多尺度分割的结果是影像对象层次网络，每一层是一次分割的结果，影像对象层次网络在不同的尺度同时表征影像信息。

3.导出导出分类结果。

eCognition提供的专业分类工具包括* 多源数据融合* 多尺度分割* 基于样本的监督分类* 基于知识的模糊分类* 人工分类* 自动分类多源数据融合工具：可用来融合不同分辨率的对地观测影像数据和GIS数据，如Landsat,Spot,IRS,IKONOS, QuickBird,SAR,航空影像，LIDAR等，不同类型的影像数据和矢量数据同时参与分类。

1 简介Definiens eCognition Developer8 遵循了面向对象的影像分析方法。

针对影像自动分析，他提供了很多创新的特征和算法。

eCognition Developer8最根本的设计理念是：一，基于影像对象的方法，具备单个像素所不具备的语义信息，而语义信息是影像解译的一个重要的信息；二，具备丰富的影像对象信息和相互关系。

和基于像素的分类方法相比较，eCognition Developer8最基本的差别-不是对单个像素进行分析，而是对影像分割后生成的对象进行分析。

1.1 易康8（eCognition 8 ）产品组件易康8（ eCognition 8 ）产品组件由三个不同的组件构成，它们可以分别单独运行，也可以集成在一起，用来解决具备挑战性的影像分析任务。

图示如下：易康8（ eCognition 8 ）是快速影像分析解决方案创建的功能强大的综合开发环境，在新影像分析的解决方案的快速开发上，developer8可以充分利用Definiens eCognition Developer 8 提供的基于网络认知语言环境下的开发平台和工作流程的各种工具。

开发好的解决方案可以保存，重复使用，用于在标准平台和基于Definiens eCognition 8Server分布式环境的影像自动影像分析。

eCognition Architect可以让不同行业的专家（如：植被制图专家，城市规划专家、森林覆盖分析专家等）充分利用易康的技术。

他们只需要简单的进行影像分析工作流程的构架、参数的调整和运行相应的分析功能。

Definiens eCognition 8 Server 为大量的影像分析工作提供了一个进行批处理的系统环境。

1.2 易康8（eCognition 8 ）新功能描述Quickmap Mode 模式：除了传统的规则集开发模式之外，易康8提供了一种附加到快速启动模式- Quickmap Mode 模式，这种模式主要用于一些基于样本的影像分析特殊的场合，它提供了非常简化的工作流程，这个工作流程主要由基于样本对象分析的基本算法构成。

应用E-Tracking技术评价不同体质量指数PCOS患者颈动脉弹性功能周漫;郑华敏;李天慧【摘要】目的应用血管回声跟踪技术(E-Tracking)探讨不同体质量指数(BMI)多囊卵巢综合征(PCOS)患者颈动脉弹性功能变化及其临床应用价值.方法选择98例PCOS患者作为研究组,按不同体质量指数(BMI)分为肥胖型PCOS组(OB-PCOS)和非肥胖型PCOS组(NOB-PCOS);同期选择55例有正常排卵的输卵管性不孕患者作为对照组.常规颈动脉超声检测内中膜厚度(IMT),应用E-Tracking技术获取颈动脉弹性指标硬化参数(β)、压力应变弹性系数(Ep)、顺应性(AC)、增大指数(AI)、单点脉搏波传导速度(PWVβ).结果 3组颈总动脉IMT比较差异无统计学意义(P＞0.05);OB-PCOS组β、Ep高于对照组(P＜0.05):AC低于对照组(P＜0.05);AI、PWVβ均高于对照组,但差异均无统计学意义(均P＞0.05);NOB-PCOS组β、Ep、AI、PWVp均高于对照组,但差异无统计学意义(均P＞ 0.05);AC低于对照组,但差异无统计学意义(均P＞0.05).结论应用E-Tracking技术能监测不同BMI PCOS患者颈动脉弹性功能改变,为临床早期评估血管功能及针对性防治提供理论依据.【期刊名称】《现代实用医学》【年(卷),期】2016(028)003【总页数】3页(P292-294)【关键词】多囊卵巢综合征;血管回声跟踪技术;颈动脉弹性;体质量指数【作者】周漫;郑华敏;李天慧【作者单位】325000浙江省温州,温州医科大学附属第一医院;325000浙江省温州,温州医科大学附属第一医院;325000浙江省温州,温州医科大学附属第一医院【正文语种】中文【中图分类】R445.1多囊卵巢综合征（PCOS）是临床常见的一种生殖与代谢功能异常并存的内分泌紊乱的疾病，因其临床表现复杂多样、远期多种并发症引起广泛关注。

图像分类和融合中精度评价指标1.图像分类中精度评价的几个指标对分类结果进行评价，确定分类的精度和可靠性,有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线。

比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。

评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和用户精度：1. 混淆矩阵（confusion matrix）混淆矩阵又称误差矩阵（error matrix），是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。

通常，阵列中的列代表参考数据，行代表由遥感数据分类得到的类别数据。

有像元数和百分比表示两种。

Ground Truth(Pixels)Class水体林地耕地未利用地居民地Total水体257920024425838林地8016825297684132419210耕地5196027424381154239583未利用地3100963848710156居民地3230491333055131056 Total26745168852777010495439481258432.总体分类精度（Overall Accuracy）等于被正确分类的像元总和除以总像元数。

被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = 110230/1258433.Kappa系数（Kappa Coefficient）它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。

结果k=83.96%.4.错分误差（Commission）指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。

eCognition（易康）软件在城市绿化覆盖调查中的应用发表时间：2018-03-22T14:32:50.237Z 来源：《防护工程》2017年第32期作者：陶方李文林熊健[导读] 随着影像提取技术、遥感处理技术和计算机智能化等技术的发展，影像提取的工作将会越来越便捷、需要人工干涉的内容也会越来越少、精度也将越来越高。

江苏省地质勘查技术院江苏南京 210018摘要：城市绿化覆盖调查是结合江苏省自然地理现状、美丽江苏建设需要及政府、公众关注点的要求下开展的任务。

本论文以易康软件作为平台，在已有航天遥感影像的基础上，研究如何使用遥感影像半自动解译等方法，通过遥感影像获取与处理、城市绿化信息提取等技术，对城市建成区和中心城区开展城市绿化覆盖遥感调查，获取城市绿化覆盖解译成果及统计分析成果。

关键词：易康；高分辨率影像；多尺度分割；地物提取0引言城市绿化覆盖调查可以反映出城市绿化建设的覆盖程度，对城市绿化及生态环境以及城市生存环境可进行对比分析，得出的数据可以反应城市宜居指数，也为城市生态建设提供指引。

随着卫星数据的积累，我们虽然获取大量的高分辨率影像，但使用传统的人工矢量化方式进行生产，无法满足城市绿化覆盖调查大范围、更新快的需求。

如何减少人工编辑的工作量同时又能高效准确的提取地物信息，是目前制约着遥感技术发展的一个难题。

因此，自动、高效、准确的基于遥感影像地物提取方法已经成为遥感应用领域的主要发展方向。

本文将通过易康软件，研究如何通过高分辨率卫星影像来提取城市绿化信息。

1 eCognition（易康）软件eCognition是全球第一个基于面向对象的影像分析软件，其面向对象的影像分析方式可充分利用已有的矢量、栅格、DEM、点云等数据信息对所有类型的常用影像数据源进行智能高效的解译。

城市绿化覆盖调查的解译方案分为人工解译和自动解译。

人工解译耗时长、综合不够精确、人为主观判断因素影响过大，而全自动解译存在难度大、地物提取不够智能、工程化应用太难等弊端，因此两者结合是目前最好的解决方案。

基于卫星遥感影像的城市建筑物分类提取研究摘要遥感技术是根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。

作为空间地理信息系统建设的一种有效方法，在智慧城市建设中发挥着重要作用。

文章通过应用遥感影像进行城市建筑物自动化分类提取方法的研究，为相关技术应用于智慧城市建设提供参考。

关键词：智慧城市；遥感影像；建筑物；自动化提取1.研究背景随着经济社会的高速发展，城市面貌也在发生着巨大的变化，为了更科学有效的进行城市规划、建设和管理，城市建设管理部门需要及时掌握城市建设变化情况。

在远程遥感观测技术出现之前，人们主要通过工程测量等方法来收集城市信息，进行城市规划与管理。

卫星遥感技术以其大范围、快速准确获取地面信息的优越性，越来越广泛应用于土地利用、城市规划与管理等领域。

在智慧城市建设中，对于建筑物的识别提取是极其重要的，如何识别建筑物从而更好的分类和提取也直接关系到建筑物提取的自动化程度。

此外，由于城市建设的不断发展，城市建筑物不断更新变化，因此，对建筑物进行有效的识别与提取是一个非常关键的问题，找到一种准确高效且自动化的高分遥感建筑物提取方法来替代人工方式具有重要意义。

2.研究现状目前的建筑物提取主要是通过利用图像特征信息来进行图像建筑物的识别以及提取。

这些年来，国内外的很多学者都专注于对遥感影像建筑物进行精确识别，以及在影像上提取出建筑物等信息的研究，并且提出了很多的方法和理论，也取得了一定的成果。

比如利用建筑物的位置关系对相似的建筑物进行过滤，最后通过图割算法实现对建筑物的精确提取；过Mask R-CNN算法来实现对建筑物的矢量提取；通过人工提取的方法对房屋进行提取，从而实现对建筑物房屋位置、范围等的初步自动化提取等。

在国外，Janja Avbelj and Rupert Muller提出了一种新的彩色高分辨率遥感图像建筑物提取方法。

易康阈值法分类-概述说明以及解释1.引言1.1 概述概述:易康阈值法分类是一种基于阈值设定的分类方法，通过设定适当的阈值来将数据分成不同的类别。

该方法广泛应用于模式识别、数据挖掘和机器学习等领域。

本文将详细介绍易康阈值法分类的原理、应用以及优势，在深入探讨该方法的实际意义和应用效果的基础上，为读者提供了解和使用易康阈值法分类的参考方向。

1.2 文章结构:本文主要分为三个部分：引言、正文和结论。

- 引言部分主要介绍了本文的背景和意义，对易康阈值法分类进行了简要概述，并明确了文章的结构和目的。

- 正文部分包括了易康阈值法分类原理、应用和优势三个小节，具体介绍了易康阈值法分类的基本原理、在实际应用中的具体场景和效果，以及相较于其他方法的优势和特点。

- 结论部分对整篇文章进行了总结，展望了易康阈值法分类在未来的发展方向和应用前景，并给出了对该方法的结论评价。

通过以上结构，读者可以全面了解易康阈值法分类的相关知识，并对其在实际应用中的价值有一个清晰的认识和理解。

整体结构严谨，逻辑清晰，便于读者理解和吸收。

1.3 目的:易康阈值法分类作为一种常见的数据分类方法，在实际应用中具有重要的意义和作用。

本文旨在深入探讨易康阈值法分类的原理、应用和优势，从而帮助读者更好地了解这一方法的工作机制和实际价值。

同时，通过分析易康阈值法分类的优点和局限性，我们还希望能够引发更多的讨论和研究，进一步推动数据分类领域的发展和创新。

最终，我们希望通过这篇文章，能够为相关领域的研究者和从业者提供一些启发和帮助，促进数据分类技术的不断进步和应用。

2.正文2.1 易康阈值法分类原理易康阈值法是一种常用的机器学习算法，主要用于分类问题。

其原理基于将数据分成不同的类别，在每个类别中寻找一个阈值，使得对于每一个数据点，当其特征值大于该阈值时属于该类别，否则不属于该类别。

这种分类方法可以简单而有效地对数据进行分类，适用于各种类型的数据。

在易康阈值法中，首先需要确定分类的类别数量。

易康简单操作解析注意：Econition是先分割再分类。

创建新工程Project：Project，浏览定位到文件夹（文件），打开，在对话框Create New Project中利用Sort 按钮左边箭头排序，Create。

调整波段显示组合：View，Layer Mixing或点击工具栏上，打开Edit Layer Mixing 对话框，在Equalizing （均衡）下拉框中选择拉伸方式（Histogram （直方图）,Linear，Stedev，Gamma correction 等），一般选Histogram，在Presets下拉框中选择混合方式（One layer gray，Three layer mix，Six layer mix（六层混合）方式等），一般选Six layer mix，Ok。

图像分割Segmentation：Image Objects，Multiresolution Segmentation（多尺度分割），设置参数（Scale parameter 10（参数的大小，可得到不同大小的影像对象），Segmentation mode为Normal（分割模式可以选择Normal或Spectral difference，常用Normal），Homogeneity Criterion（均质标准）有三个：颜色，光滑度和紧致度。

Color颜色是生成有意义对象的一条重要标准。

Shape 0.3，则Color的权重值默认为0.7，Compactness 0.5，则Smoothness 0.5）（权重值Shape +Color=1，权重值Compactness +Smoothness=1），确认“Diagonal pixel neighborhood（像素领域）”is disabled，Start。

像素领域有：4领域和8领域。

选8领域可能难生成Polygons。

在Edit Layer Weight（编辑层的权重）可以选择使用Image Layers影像层和Thematic layers专题层，影像层可以视它对分割的重要性和适合度赋予权重值的高低，权重值高，分割过程就多参考它的信息，权重值为0，则在分割中就不会考虑，所有选中的影像层权重总和内部归一化为1。

econgnition9精度评价步骤By Zack H1、首先是做好一个分类完成工程，待精度评价。

2、新建工程开始准备精度评价2.1 file-new project 同时加载样本点和图像2.2打开view-view setting,可以切换样本点和图像视图。

2.3 新建分割操作，注意分割尺度选择1000000（大于图片的像素长宽就行）。

分割完成后很难看出区别，但是仔细看，可以看到样本点，如图可以看到蓝色的样本点。

2.4 新建分类类别，名称和样本点的属性要对应。

关键步骤：先见建分类类别，再执行分类2.5 新建分类过程，这里要执行两步分类。

第一步分类在Algorithm中选择assign class by thematic layer。

第二步分类在Algorithm中选择classified image objects to sample。

2.6 将分类结果转化为样本并输出为TTA MASK。

并保存为TTA MASK；classification-sample-create TTA Mask from sample.保存TTA Mask，注意选择保存的格式：“.asc”2.7 保存工程，方便下次需要修改时使用。

3．进行精度评价3.1 打开之前分类好的待评价工程。

并加载刚刚保存的TTA Mask。

先加载“.asc”文件程序会弹出一个对话框，这是再选择“.csv”文件。

关键一步，这里选择“否”！！3.2 编辑样本对应的分类类型，classification-sample-edit conversion table点击右键，在目录中选择对应的类型。

3.3 进行精度评价。

tools-accuracy assessment选择基于TTA Mask的混淆矩阵，选择全部的分类类别。

最后点击show statistics，显示精度评价。

附件一：易康分类特征介绍一、 对象特征(一)图层z平均值（mean）由构成一个影像对象的所有n个像素的图层值计算得到图层平均值。

特征值的范围：[0；根据数据的比特位数来定]，对于8比特的数据来说，值域是[0；255]。

z亮度（Brightness）影像对象的图层数量除以包含光谱信息的图层平均值的总和（一个影像对象的光谱平均值的平均值）。

使用对话框Define Brightness可以定义哪一个图层提供光谱信息（在Class Hierarchy编辑器中的菜单项Settings>Image Layers for Brightness…）。

特征值的范围：[0；根据数据的比特位数来定]，对于8比特的数据来说，值域是[0；255]。

z标准差（StdDev）由构成一个影像对象的所有n个像素的图层值计算得到标准差。

特征值的范围：[0；根据数据的比特位数来定]z贡献率（Ratio）第L层的贡献率是一个影像对象的第L层的平均值除上所有光谱层的平均值的总和。

另外，只有包含光谱信息的图层可以使用以获取合理的结果。

特征值范围：[0；1](二)对于邻域（to Neighbors）z对于邻域的平均差分（Mean Diff. to Neighbors）对于每一个相邻的对象，计算图层平均值的差分，根据对象间的边界长度赋予权重（如果它们是直接相邻的，特征距离=0）或者根据相邻对象的面积赋予权重（如果被讨论的影像对象周围的邻域已用某一范围（像素级）来定义，特征距离>0）。

对于直接相邻对象的平均差分如下计算：所关心的影像对象的边界长度与第i个直接相邻对象共同的边界长度所关心的影像对象的图层平均值第i个相邻对象的图层平均值相邻对象的数量如果你用某一个范围内的对象来定义领域（参见特征距离（feature distance），平均差分则计算如下：所有领域对象的总面积第i领域对象的面积所关心的影像对象的图层平均值第i领域对象的图层平均值相邻对象的数量特征值的范围：[0；根据数据的比特位数来定]z对于邻域的平均差分（绝对值）（Mean Diff. to Neighbors（abs）和对于邻域的平均差分相同，不同是差分使用的是绝对值。