影像提取算法

1、1. eCognition分類算法1.1分割算法棋盤分割(chessboard segmentation)將像素域或圖像對象域拆分為方形圖像對象。與圖像左對齊并且固定大小的 頂部邊框對齊的方形網(wǎng)格應用于域中的所有對象，并且沿著這些網(wǎng)格線切割每個 對象。四叉樹分割(quadtree based segmentation)四叉樹分割與棋盤分割類似，但是它要創(chuàng)建出不同大小的正方形。可以使用 Scale Parametere定義每個正方形內的顏色差異上線。在裁剪出一個初始的正 方形網(wǎng)絡后，四叉樹分割繼續(xù)如下：如果不符合同質性標準，那么把每個正方形 裁剪成四個較小的正方形。例如：正方形對象中最大的顏色差

2、異要比定義的尺度 值大。重復以上過程直到在每個正方形中都符合同質性標準?？跐M足條件對比分離分割(contrast split segmentation)使用對比度分離分割算法將圖像或圖像對象分割為暗區(qū)和亮區(qū)。該算法通過將不同的像素值視為潛在閾值來實現(xiàn)優(yōu)化。測試閾值的范圍從最 小閾值到最大閾值，根據(jù)步長和步進類型參數(shù)選擇中間值。如果測試閾值滿足最 小暗區(qū)和最小亮區(qū)標準，則評估亮對象和暗對象之間的對比度。選擇最大對比度 的測試閾值作為最佳閾值并用于分裂。多尺度分割(multiresolution segmentation)多尺度分割簡單的來說就是從任一個像元開始，采用自下而上的區(qū)域合并方 法形成的

3、對象。小的對象可以經(jīng)過若干步驟合并成打的對象，每一對象大小的調 整都必須確保合并后對象的異質性小于給定的閾值。因此，多尺度影像分割可以 理解為一個局部優(yōu)化的過程，而異質性則是有對象的光譜和形狀差異確定的，形 狀的異質性則由其光滑度和緊湊度來衡量。顯然，設定了較大的分割尺度，則對 應著較多的像元被合并，因而產(chǎn)生較大面積的對象。多尺度分割算法主要由影像各波段權重、分割尺度、顏色和形狀等分割參數(shù) 決定。多尺度分割要求進行多次調試，選出最優(yōu)分割參數(shù)，保證生成的影像對象 內部異質性盡量最小，且對象之間的異質性最大，同時影像對象能夠很好地表達 各地物的基本特征。表征異質性的指標異質度 計算公式為式中： 為

4、用戶規(guī)定的形狀權重；為形狀異質性； 為光譜異質性。與 的 計算公式為(3)式中：為用戶規(guī)定的緊致度權重；，分別為形狀的緊致度和平滑度；n為波段總數(shù)；為波段權重；為波段的標準差。 和 的計算公式為-式中：E為對象邊界長度；N為對象內的像素總數(shù)；L為包含對象的矩形周長。光譜差異細分(spectral difference segmentation)根據(jù)相鄰圖像對象的平均圖像層強度值合并。如果它們的層平均強度之間的 差異低于最大光譜差異給出的值，則合并相鄰圖像對象。注意：此算法不能用于基于像素級域創(chuàng)建新的圖像對象級別。對比濾鏡分割(contrast filter segmentation)使用像素濾

5、鏡通過對比度和漸變來檢測潛在對象，并創(chuàng)建合適的對象基元。 集成的整形操作修改圖像對象的形狀，以幫助形成連貫和緊湊的圖像對象。得到 的像素分類存儲在內部專題圖層中。每個像素被分類為以下類別之一：無對象， 第一層中的對象，第二層中的對象，兩個層中的對象，被閾值忽略。最后，棋盤 分割用于將該專題層轉換為圖像對象級別。使用此算法作為分析的第一步，可顯 著提高整體圖像分析性能。1.2分類算法1.2.1 指定類(assign class)作為eCognition Developer軟件中最為簡單的一種規(guī)則分類方法，assign class指定類算法通過建立閾值條件來判定分割對象是否屬于某一類別。要提取 的

6、類別可認為是目標類別，其他類別可認為是背景類別，當目標類別和背景類別 在某特征上具有顯著差異時，可以利用assign class算法來構建分類規(guī)則，而且這里的規(guī)則是一種“硬分類規(guī)則”，即要么是，要么不是，所以可稱之為確定性規(guī) 則分類。分類（classification）Classification算法使用類描述對分割對象進行分類，所謂類描述即雙擊class hierarchy中任意一個類別對應的類別屬性界面。隸屬度分類（模糊分類） 這種方式正是在應用該算法的時候使用的，但并不是說使用該算法的時候就必須 要用隸屬度分類，因為隸屬度分類構建的是模糊規(guī)則，而在類描述里面即可以使 用模糊規(guī)則，又可以使

7、用確定性規(guī)則，又可以同時使用兩種規(guī)則，又可以定義監(jiān) 督分類的標準最鄰近特征空間。2. ENVI分類算法2.1監(jiān)督分類監(jiān)督分類：又稱訓練分類法，用被確認類別的樣本像元去識別其他未知類別 像元的過程。它就是在分類之前通過目視判讀和野外調查，對遙感圖像上某些樣 區(qū)中影像地物的類別屬性有了先驗知識，對每一種類別選取一定數(shù)量的訓練樣本， 計算機計算每種訓練樣區(qū)的統(tǒng)計或其他信息，同時用這些種子類別對判決函數(shù)進 行訓練，使其符合于對各種子類別分類的要求，隨后用訓練好的判決函數(shù)去對其 他待分數(shù)據(jù)進行分類。使每個像元和訓練樣本作比較，按不同的規(guī)則將其劃分到 和其最相似的樣本類，以此完成對整個圖像的分類。根據(jù)分類

8、的復雜度、精度需求等確定哪一種分類器。目前ENVI的監(jiān)督分類 可分為基于傳統(tǒng)統(tǒng)計分析學的，包括平行六面體、最小距離、馬氏距離、最大似 然，基于神經(jīng)網(wǎng)絡的，基于模式識別，包括支持向量機、模糊分類等，針對高光 譜有波譜角（SAM），光譜信息散度，二進制編碼。下面是幾種分類器的簡單描述。平行六面體(Parallelepiped)根據(jù)訓練樣本的亮度值形成一個n維的平行六面體數(shù)據(jù)空間，其他像元的光 譜值如果落在平行六面體任何一個訓練樣本所對應的區(qū)域，就被劃分其對應的類 別中。最小距離(Minimum Distance)利用訓練樣本數(shù)據(jù)計算出每一類的均值向量和標準差向量，然后以均值向量 作為該類在特征空間

9、中的中心位置，計算輸入圖像中每個像元到各類中心的距離， 到哪一類中心的距離最小，該像元就歸入到哪一類。馬氏距離(Mahalanobis Distance)計算輸入圖像到各訓練樣本的協(xié)方差距離(一種有效的計算兩個未知樣本集 的相似度的方法)，最終技術協(xié)方差距離最小的，即為此類別。最大似然(Maximum Likelihood)假設每一個波段的每一類統(tǒng)計都呈正態(tài)分布，計算給定像元屬于某一訓練樣 本的似然度，像元最終被歸并到似然度最大的一類當中。神經(jīng)網(wǎng)絡(Neural Net)指用計算機模擬人腦的結構，用許多小的處理單元模擬生物的神經(jīng)元，用算 法實現(xiàn)人腦的識別、記憶、思考過程。支持向量機(Suppo

10、rt Vector Machine)支持向量機分類(Support Vector Machine或SVM)是一種建立在統(tǒng)計學 習理論(Statistical Learning Theory或SLT)基礎上的機器學習方法。SVM可 以自動尋找那些對分類有較大區(qū)分能力的支持向量，由此構造出分類器，可以將 類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準確率。波譜角(Spectral Angle Mapper)它是在N維空間將像元與參照波譜進行匹配，通過計算波譜間的相似度， 之后對波譜之間相似度進行角度的對比，較小的角度表示更大的相似度。2.2非監(jiān)督分類非監(jiān)督分類：也稱為聚類分析或點群分類。在多光譜圖像中搜尋、定義其自 然相似光譜集群的過程。它不必對影像地物獲取先驗知識，僅依靠影像上不同類 地物光譜(或紋理)信息進行特征提取，再統(tǒng)計特征的差別來達到分類的目的， 最后對已分出的各個類別的實際屬性進行確認。目前比較常見也較為成熟的是ISODATA、K-Mean和鏈狀方法等。ISODATA 算法ISODATA(Iterative Self-Orgnizing Data Analysize Technique)重復自組 織數(shù)據(jù)分析技術，計算