基于eCognition的面向对象遥感影像分割、分类及精度评价

基于eCognition高分辨率影像的分类研究作者：帅慕蓉谢贻文杨鹏飞来源：《无线互联科技》2018年第11期摘要：文章针对株洲县堂市乡某部分区域高分辨率影像，采用eCognition的多尺度分割和面向对象的最邻近法对影像进行分类，同时与ENVI5.3软件平台下的最大似然法分类结果进行了对比分析，并以野外验证后的目视解译为基准进行精度评价。

结果表明：基于eCognition平台下的面向对象的分类方法避免了传统分类结果噪声严重、精度低的缺陷，其总体分类精度为80%，Kappa系数为0.739 7，比传统分类结果精度高，比目视解译效率高。

关键词：eCognition；面向对象分类；高分辨率影像；最大似然法；Kappa系数近年来矿山地质环境调查是以遥感技术为手段，如何高效地从高分辨率影像中自动提取高精度地理信息已是当今遥感分类重点研究的问题。

传统的分类法是基于光谱信息的智能算法（如支持向量机（Support Vector Machine，SVM）算法[1]等），即使解译人员可以根据专业知识提高分类效果，但也不能解决“同谱异物”和“同物异铺”问题[2]。

针对传统分类方法存在诸多的局限性，不仅耗时耗力，而且精度低等问题，Baatz等[3]提出了面向对象的分类技术，克服了传统遥感影像分类方法的不足，能够在一定程度上提高影像的解译效率和质量。

为了使矿山周边环境可持续发展，面向对象的技术在矿山调查中的应用就显得格外重要。

因此，本文应用eC。

gniti。

n8.9软件对研究区进行影像分类实验研究，为湖南省矿山地质环境调查提供基础的地理信息数据，在野外调查中具有一定的指导意义。

1 面向对象的分类技术面向对象的分类技术是基于目标对象的信息提取技术，以影像分割后的对象作为分类的基础。

目前，基于eCognition平台下的分割算法有棋盘分割、四叉树分割、多尺度分割及光谱差异分割。

本文选用了常用的多尺度分割技术。

多尺度分割是一个基于像素层的自下而上的分割技术，从一个像素的对象开始进行相邻像素的区域归并或者将小的分割对象归并到大的分割对象中去。

二○一一届毕业设计面向对象的高分辨率遥感影像分类Object-oriented Classification of high Resolution RemoteSensing images学院：地质工程与测绘学院专业：遥感科学与技术姓名：学号：指导教师：完成时间：2011年6月17日二〇一一年七月摘要高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。

随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要高分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺寸、形状及相邻地物间的关系都得到很好的反映。

面向对象的分类方法与传统的基于像素的分类相比，不仅仅是依靠光谱信息，而且还充分利用影像的空间信息，分类时也克服了基于像元的逐点分类无法对相同语义特征的像素集合进行识别的缺点，是一种目前最适合于高分辨率遥感影像的分类方法。

本文采用面向对象的分类方法对高分辨率影像进行分类，该方法首先对影像进行多尺度分割获得同质区域对象，在此基础上利用模糊分类思想对分割后的对象进行分类。

该方法不仅充分利用了高分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。

多尺度分割采用的是区域生长合并算法，通过对尺度阈值、光谱因子及形状因子等参数的控制，可以获得不同尺度下有意义的对象。

分割后的对象不仅包含了原始的光谱信息，还可以提供大量辅助特征，如纹理、形状、拓扑等特征。

综合利用这些特征以及模糊分类的思想，使得高分辨率影像分类在减少分类不确定性的同时，还提高了分类的精度。

最后将面向对象分类结果与传统的基于像素分类结果进行对比分析，发现其分类精度要明显高于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。

关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类AbstractWith the application of the high-resolution image more and more popular,it is urgently require people to carry on research to classification of the high-resolution remote sensing in order to meet the increasing application and study requirement of the information of high-resolution images.However,we use the traditional pixel-oriented method to classify the high-resolution remote sensing image,it can’t fully utilize image information we should reduce the precision of classification and has slow speed.According to the characteristic of the high-resolution remote sensing image,the paper proposes to use the object-oriented method to classify high-resolution remotely sensed data.This paper makes use of the object-oriented approach to the classification of high-resolution imagery,involves the segmentation of image data into objects at multiple scale levels.Class rules are generated using spectral signatures,shape and contextual relationships,and then used as a basis for the fuzzy classification of the imagery.The object is derived by means of multi-scale segmentation in this paper.The hierarchical image segmentation and region-merging are implemented.Aside from the spectral values of the pixels,the shape of the objects created by the pixels and the relationships between the objects,are also considered during the classification.The utilization of spectral,textural,shape properties and fuzzy thinking may reduce the uncertainty in the process of classification.A comparison of the results shows better overall accuracy of the object-oriented classification over the pixel-based classification.This conclusion indicates that object-oriented analysis has great potential for extracting land cover information from satellite imagery.Key Words:high-resolution imagery;object-oriented classification;image segmentation;multi-scale;nearest neighbour classification目录摘要 (2)Abstract (3)目录 (4)第一章绪论 (5)1.1研究背景 (5)1.2面向对象的遥感影像分类方法的提出 (6)1.2.1基于像元的分类方法 (6)1.2.2面向对象遥感影像分类方法的提出 (8)1.3面向对象遥感影像分类国内外研究现状 (8)1.3.1国际上面向对象遥感影像分类方法研究 (8)1.3.2国内面向对象遥感影像分类方法研究 (10)1.4研究方法和内容 (10)第二章面向对象的遥感影像分类 (11)2.1影像分割 (11)2.1.1多尺度影像分割 (12)多尺度分割参数的选择 (12)2.2影像分类 (17)2.2.1最邻近分类 (17)2.2.2决策支持的模糊分类 (18)第三章实验数据与研究方法 (19)3.1实验数据 (21)3.2软件平台 (21)3.3实验区信息提取实验 (22)3.3.1图像分割 (22)3.3.2影像分类 (26)3.3.3基于像元的影像分类 (31)第四章分类结果评价 (32)4.1两种分类结果精度评价 (32)第五章结论与讨论 (34)5.1结论 (34)5.2讨论 (35)参考文献 (36)第一章绪论1.1研究背景1957年原苏联将全球首颗人造地球卫星成功送入预定轨道，开创了空间科学研究和技术应用的新局面。

基于eCogniton的高分辨率遥感图像的自动识别分类技术王文宇;李博【期刊名称】《北京建筑工程学院学报》【年(卷),期】2006(022)004【摘要】传统的遥感信息分类和提取,主要是利用数理统计与人工解译相结合的方法. 这种方法不仅精度相对较低,效率不高,而且依赖参与解译分析的人,在很大程度上不具备重复性. 专业高分辨率遥感影像分类软件eCogniton采用一种全新的面向对象图像的分类技术来进行影像的分类和信息提取. 面向对象图像分类技术的关键技术在于:(1)用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;(2)eCogniton 采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;(3)基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征:形状、纹理、相互关系、上下关系等信息. eCogniton的分类结果与传统分类方法相比,其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类.【总页数】4页(P26-29)【作者】王文宇;李博【作者单位】北京建筑工程学院,测绘与城市空间信息学院,北京,100044;北京师范大学,地理学与遥感科学学院,北京,100875【正文语种】中文【中图分类】P2【相关文献】1.基于Ecogniton的光学遥感图像舰船目标检测 [J], 陈韬亦;陈金勇;赵和鹏2.基于DeepLabv3架构的高分辨率遥感图像分类 [J], 张鑫禄;张崇涛;戴晨光;季虹良;王映雪3.城市绿化现状高分辨率卫星数据遥感图像分类探讨——以石家庄市城市绿化现状遥感图像分类处理为例 [J], 李名松; 董双发; 梁春利4.基于中、高层特征融合的高分辨率遥感图像场景分类 [J], 赵春晖;马博博5.基于Unet的高分辨率遥感图像地物分类 [J], 林志斌;黄智全;颜林明因版权原因，仅展示原文概要，查看原文内容请购买。

基于 E-cognition 的面向对象的高分辨率遥感图像分类研究黄瑾【摘要】High resolution remote sensing images have abundant information about spatial and texture ,while the spectral information is less relatively .The traditional classification methods based on pixels’ spectrum features contain limited information when dealing withimages ,which is low in precision .In order to improve the precision of images classification ,the paper elaborates the object‐oriented classification method by using E‐cognition software:first ,using multi‐scale segmentation algorithm to generate objects ,then classifying them with proper features ,finally the precision of classification being analyzed objectively with overall accuracy and Kappa coefficient . According to the experiment ,the object‐ori ented classification method has high precision .%高分辨率遥感影像具有丰富的空间以及纹理信息，而光谱信息较弱，若采用传统的基于像元的分类方法，仅从光谱特征出发，在进行图像处理时能够获取的信息有限，导致分类精度较低。

面向对象的遥感影像信息提取摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。

面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。

面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。

关键词：多尺度分割、分类、遥感影像、面向对象Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。

对于遥感图像分类方法的研究与精度评定综述摘要：从遥感图像分类方法的基本原理入手,介绍了遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的精度评定做了一些介绍。

关键词：遥感图像/图像分类/精度评定0 引言遥感分类，即遥感模式识别，是把一个像素区分为某一地物类别的过程[1]。

遥感图像分类方法通常分为两大类，即监督分类与非监督分类。

非监督分类是指在缺乏先验类别知识的情况下，只根据本身的统计特性进行分类，监督分类是根据已知的先验知识（一般由一组样本数据提供），找出各类的特征，根据这些特征对未知像素进行分类[2]。

遥感技术广泛应用的重要途径之一就是遥感图像分类，分类的精度直接影响遥感数据的应用水平和实用价值。

非监督分类的方法相对简单一些，但精度差；而监督分类有先验知识做指导，精度相对较高，但是需要地面采样，成本比较高[3]。

1 遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征，它们构成了光谱空间，每种地物有其固有的光谱特征，它们位于光谱空间中的某一点，但由于干扰的存在，环境条件的不同，例如：阴影，地行上的变化，扫描仪视角，干湿条件，不同时间拍摄及测量误差等，使得测得的每类物质的光谱特征不尽相同，同一类物质的各个样本在光谱空间是围绕某一点呈概率分布，而不是集中到一点，但这仍然使我们可以划分边界来区分各类[4]。

因此，我们就要对图像进行分类，图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像内诸像元划分到各子空间去，从而实现分类[5]。

2 遥感图像分类遥感图像分类主要有两种途径：一是监督分类与非监督分类：二是遥感数字图像的计算机分类。

2.1 监督分类与非监督分类监督分类是在我们对遥感图像上样本区内地物的类别已知的基础上，把这些样本类别的特征当做来识别非样本数据的类别的依据。

所谓监督分类就是根据我们知道的判别类别和样本类别的经验知识，确定出判别函数以及判别准则，其中利用一定数量的已知类别的样本观测值把待定参数求解出来的过程称之为训练或学习，然后把未知类别的样本的所有观测值代入到这个函数中求出的判别函数，再根据相应的判别准则对该样本的所属类别做出判定。

eCogniton⾯向对象分类之精度评价[转]
eCognition提供的精度评价⼯具简单易⽤，误差矩阵（混淆矩阵）、kappa系数等概念也与常规遥感软件⽆异，由于它是基于模糊逻辑的软分类，精度评价⾥⼜多了⼀个“分类稳定性”指标，感觉很科学。

⽽且，精度评价的结果也能在图上直观地显⽰。

总之，评价⼀个字：好！
eCognition提供的四种精度评价的⽅法：
1、分类稳定性。

由于是软分类，每个对象对应于每个类别都有⼀个概率值。

每个对象（图斑）属于最佳分类的概率值与次佳分类的概率值之差，即为该图斑的分类稳定性。

分类稳定性最⼤值为1，最为稳定；最⼩值为0，表⽰完全模棱两可，最不稳定。

稳定性也可以在图⾥⾯直观显⽰，从深绿到红⾊的图斑，表⽰稳定性从⾼到底。

（东阳何⽣的读书札记）
2、最佳分类结果概率值。

也是0到1，也可以在图中由绿到红显⽰。

3、根据 TTA Mask 计算的混淆矩阵，以像素为统计对象。

（东阳何⽣的读书札记）
4、根据验证样本计算的混淆矩阵，以图斑为单位。

※ Statistics⼯具，强⼤的统计功能，⽤户可以⾃定义统计的类别、特征，所属层次，做诸如⾯积统计之类的各种各样的统计。

遥感影像分类的算法与精度评价方法探究随着遥感技术的发展和应用广泛，遥感影像的分类成为了研究的热点之一。

遥感影像分类是将遥感影像中的像素按照其地物类别进行识别和分类的过程。

在遥感影像分类中，算法的选择和精度评价方法的确定至关重要。

本文将探究遥感影像分类的算法和精度评价方法，并分析它们在实际应用中的优缺点。

一、遥感影像分类算法1. 基于像素的分类算法基于像素的分类算法是遥感影像分类中最常用的一种方法。

它将每个像素点作为独立的单元进行分类，通常使用的算法包括最大似然法、支持向量机和决策树等。

最大似然法是一种概率统计的算法，可以通过计算每个像素点的概率来确定其所属类别。

支持向量机利用样本点在特征空间中的位置来构建分类器，对于非线性可分的遥感影像分类效果较好。

决策树将遥感影像的特征按照一定的规则组织成树状结构，通过判断路径上的条件来确定像素的分类。

2. 基于对象的分类算法基于对象的分类算法是近年来兴起的一种分类方法。

它将相邻的像素点合并成对象，然后对这些对象进行分类。

与基于像素的分类算法相比，基于对象的分类算法考虑了空间上的相邻关系，可以更好地处理遥感影像中的纹理和边界信息。

基于对象的分类算法常用的有分水岭算法、区域生长算法和基于图的分割算法等。

二、遥感影像分类精度评价方法遥感影像分类精度评价是判断分类结果好坏的重要标准。

常用的精度评价方法包括混淆矩阵、准确度评价和Kappa系数等。

1. 混淆矩阵混淆矩阵是一种将分类结果与实际情况进行对比的方法。

它将分类结果按照实际类别进行统计，得到一个矩阵，其中每个元素表示分类结果中被正确分类到某一类的像素个数。

通过分析混淆矩阵可以得到不同类别的分类精度和错误分类情况。

2. 准确度评价准确度评价是计算分类结果准确率的一种方法。

准确率是指分类结果中被正确分类的像素数占总像素数的比例。

准确度评价方法可以根据分类结果中每个类别的像素数和正确分类的像素数来计算准确率。

3. Kappa系数Kappa系数是一种用来评价分类结果与实际情况一致性的方法。