在ecognition内使用CNN实现土地覆被分类

一、工作空间创建与数据加载

首先创建一个工作空间将待训练的tif和地面真实采样点直接拖入应用程序。

二、创建样本 

什么是样本呢？影像样本对于CNN来说就是就是image Patch，它是一个方形的光栅区域，我们可以定义它的大小，它有一个或多个图像层组成，可以是20个图层也可以只有一个图层，但是该影像图层的值必须在0~255的整数或者0~1之间的浮点数。我们必须确保各样本数据类型和深度的一致性。在选取样本的时候需要思考以下问题：

1. 是否需要加入特征影像层？
2. 需要使用到哪些图层？
3. 影像分辨率应该选择多少？（如果你只需要识别森林这样的大物体那么就可以选择分辨率相对较低的影像
4. 需要采多少样？这主要根据地类的复杂程度来判断。当然，样本的质量直接影响分类效果，对此样本的选取至关重要，在训练结果不好的情况下需要不断的进行调整。

 1、样本导入与转化

 我们要以某种方式创建代表主题层信息的图像对象，对此我们需要基于矢量对象进行分割然后根据形状文件中的信息对对象进行分类，但是目前的矢量文件是点对象，点对象并不能很好的代表我们想要输入的训练特征，那么我们可以通过一个点的缓冲丰富用于训练的样本特征。然后基于这个缓冲区进行分割。

这样的一个缓冲能够更好的帮助我们创建image patch。现在我们基于创建的缓冲区进行分割。

并在完成分割后给它进行赋予类别值.

以上已经完成了影像的采样但是CNN的输入是image patch，下面我们将将其转化为sample patch。