eCongnition 图像分割分类初学者保姆教程含多种工具介绍

易康，启动

首先打开它

 

在工具栏的1、2、3、4的那个工具那里我们选择4，这是四种不同的工作区，实测4最好用，大家尽可以试试123.然后点击第一个按钮create project，选择数据

 

 给你的project一个名字。右侧勾选use geocooding就会考虑坐标系，不勾选就会当作普通图像处理，输出的结果就没有坐标系，再用arcgis开的时候就对不上。

subselect可以选取一部分图像来操作。

下面的框框可以remove掉一些不需要的数据，但是再insert的时候一加进来就会全部加进来，不能选加哪个波段。

然后ok打开它，这时候可以存一下这个project，以便这次没做完下次接着做，类似于arcgis的xmd文件。要和数据存在同一目录下，打开时选择工具栏第二个按钮open project，选择dpr后缀的文件就可以打开。

调整波段显示。

第一个按钮single layer gray就是单波段显示 ，点开倒数第二个可以看到是哪个波段。第二个可以开三波段rgb显示。第三个第四个按钮，加减就是顺次往后推一个或者往前推一个波段。比如本来是123，加一下就变成234。如果要具体调整还是要打开倒数第二个按钮，在下图右侧RGB那里调整。左下角可以调整拉升方法 。linear：所有数据拉到0~255，如果有极端值就会效果很差。但是一般用这个。

econgnition是没有toolbox的，在process tree里右键append new，所有的功能都在这里添加。

 分割

首先用分割，推荐多尺度分割。这种方法会根据你的参数不断合并小的对象，合成大的对象。当合并以后方差超过我们设的阈值scale parameter的时候，就不合并。不超过就合并。这个阈值一般是多试几次试出来的。咱们先试个200。layer weight可以设置考虑多少个图层以及权重。levelname就是这一步操作的名字，咱们叫做seg200。最下面的shape0.1就是考虑形状和值的权重，数字越大shape权重越大，值的权重越小，一般形状的权重会小一些。compactness0.5是调整分割结果的形状破碎还是完整，越大越完整，越小越破碎。

 点击excute就会直接执行，但是也可以点击ok先保存到咱们的process tree里，然后右键excute。可以选择任意时刻来执行你的任意操作。然后看看结果图发现很多东西都没分开哈哈哈说明parament太大了，小一点。首先删掉这一次的分割：

也可以在工具栏那个叉叉那里删：

然后把parament改成100再试试。可以双击或者右键上一个的那个seg200直接改，然后excute，也可以新建一个seg100

 

好像好多了。

这几个按钮可以调整显示，鼠标悬停可以看到显示的是什么东东，后文会说

分类

分割完以后就分类。

 在这里右键给他新建几个类，右键空白处新建就可以，命名调颜色。

建好以后拖进去就可以变成二级类。调色永远很快乐哈哈哈

但是这里咱们不做复杂了，右键delete二级类。 还可以右键存一下这个类（如果十几个类很复杂并且以后还要用的话），然后load就可以加进来。

接下来给他训练样本。

点击这个water就可以开始选了。双击就会被选出来。如果你看起来跟我不一样，可能是因为之前那几个可以调整显示的按钮跟我按的不一样。

 具体来说：

第一个是看该波段，第二个是看原始影像，第三个是看样本。马赛克那个是……就是马赛克。后面是显示轮廓、显示填充。我上面的图是显示轮廓。 

选样本的时候，尽量在各个地方都选一些样本，选到一些长得不一样的。比如我的建筑类，可能包括看起来白白的商业用地，也可能有灰色的城中村，如果只选择到了其中一种，就可能造成分类误差。每一类尽量选50个以上，除非总量就很小，但是尽可能多。

如果想批量选择可以看这个：eCognition易康面向对象分类批量选择样本，批量导出shp_econgnition-CSDN博客

咱们进行一个样本的选。开432假彩色（在前文调整波段那里），选完记得存，工具栏第三个按钮

然后就

 手动修改分类结果：最后一个工具manual editing toolbar。用法跟选样本一样（工具栏的那个选类别）。有一些建筑阴影分成了水体就可以手动改一下。

自动改：assign class将满足一定条件的对象变成另一个类。比如把面积小于150的water变成lake（新增一个lake）

 

 精度评价

理论上需要一套跟训练样本不一样的验证样本。在sample菜单栏里delete all sample（这里最好备份一个project）。然后再select sample。这里有办法避免选取重复的样本，可以看这个：

econgnition选择面向对象的样本，输出shp并在arcmap里打开，随机平均分为训练样本和测试样本_econgnition选择某一类-CSDN博客

第三个是基于像素的，第四个是基于对象的。然后就会输出混淆矩阵。KIA就是kappa系数。OA一般用百分比表示，kappa一般小数。然后save statistic就可以保存成csv。如果使用基于对象的，可能会因为面积差太多而导致偏差，所以可以用基于像素的。但要用这个首先就要在sample里create TTA mask，相当于矢量转栅格，可以选下面的save保存成tiff。然后就可以用它了。

面积相差不大就可以用基于对象的，但用基于像素的肯定不会错。