1、Definiens professional 5.0規則設置訓練增強的策略，特征值和算法天目創新科技有限公司張春再目錄規則設置訓練1 用專題層和定制的相關特征分類建筑物11導入數據瀏覽專題圖層12用專題層進行分割13用專題層進行分類14用波普信息，高程信息分類建筑物15用自訂制的相關特征優化建筑物的分類結果2 封閉道路網的間隙 21找到所有道路終端的片斷 22準備循環和分類道路終端片斷對 23封閉間隙3 通過比較兩個分類結果進行植被的變化檢測 31 不同的變化檢測規則的概覽 32 創建影像對象層 33 2002年的植被分類 34 從2002到2004年的植被變化分類 35 計算并且輸出變化的統

2、計數量1、用專題層和定制的相關特征分類建筑物本單元進行了以下幾個訓練：導入瀏覽專題層用專題層進行分割用專題層進行分類除了影像層以外，我們可能會用到專題層進行分割.較清楚的定義對象對于專題層分類的隸屬關系，就不會創建影像對象隸屬于不同的專題層類。上圖是一個區域的影像層，專題層和分類結果的瀏覽圖為了確保這點，當一個專題圖層用于分割時，分開的不同的專題類的邊框限制了進一步的分割.基于這個原因，專題圖層不能賦予不同的權重，而僅僅只能是使用或者不使用.我們可以分割一個影像用一個或多個專題圖層.結果是影像的對象正確的描述了不同圖層間的交集。 用專題層分割影像，用它們的內容進行分類能夠集成外部的信息附加與影

3、像層.在這個單元，專題層的應用說明了如何去利用它們進行影像的分割和分類。11在這節訓練課中，我們將一同學習以下內容：在一個工程中裝載專題圖層為專題層定義別名打開第二個瀏覽窗口瀏覽專題層111 創建一個有專題層的工程在這個例子中，我們將一同來研究使用和不使用專題層進行分割的差別.用到的數據集是掃描的高分辨率的航空相片.這個offenberg樣例數據可以在offenberg文件夾里找到。1 用offenberg文件夾里的bmp創建一個工程.l offblue.bmpl offelev.bmpl offgreen.bmpl offred.bmp2 給圖層名別名并且重新排序如下：l bluel gre

4、enl redl elevation現在不要創建工程，因為還沒有導入一個專題圖層3 點擊insert按鈕，選擇專題圖層列表4 選擇cadastre_offnbg.asc作為專題圖層.5 選擇cadastre_offenbg.txt作為相應的屬性表文件，現在，專題圖層已經加入工程文件，如下圖：6 為專題圖層選擇一個適當的別名，然后點擊ok確定.112 打開第二個瀏覽窗口并且相互連接打開的兩個窗口現在專題圖層是和建立的工程文件相關聯的.我們可以在另外的窗口里瀏覽專題層1 從window菜單，選擇new window. 打開第二個窗口2 從windows菜單選擇link all,連接兩個窗口現在，這

5、兩個窗口顯示相同的區域的數據，如果我們放大或縮小一個窗口，另外一個也跟隨放大或縮小。113瀏覽專題圖層1設置第二個窗口為活動窗口，打開瀏覽設置窗口，進行下邊的任何一個操作打開瀏覽設置窗口：在view setting toolbar 工具欄，點擊l 在view菜單里，點擊view l setting，彈出以下對話框：3 點擊layer彈出一個菜單，在這里設置我們想要顯示的信息.4 選擇cadastrc.cadastre_offnbf.asc 圖層顯示在第二個窗口里.這一節，我們學習了以下的內容：在一個工程中裝載專題圖層為專題層定義別名打開第二個瀏覽窗口瀏覽專題層12 用專題圖層進行分割在本節，我

6、們將學習以下內容：à 用專題圖層進行分割à 比較用和不用專題圖層進行分割的區別在本節中用專題圖層進行分割，因此附加與影像層，專題圖層影響著影像對象的形狀.在利用專題圖層進行分割之后，它所能提供的信息在后邊的訓練中，用與分類的過程中。1、 添加一個父規則，并且命名為offenberg2、 插入一個子規則，并且命名為segmentation.3、 選種segmentation規則，插入一個子規則.4、 算法選擇multiresolution segmentation 121 算法參數的設置接著，我們進行的分割，不用高程圖層，而只用專題圖層進行分割.因此高程層的權重設為0而專題圖

7、層是被激活，賦予權重1.1、 命名層級別為level12、 影像層中選擇高程層，設置權重為0，在進行分割時，高程層將不被使用.3、 對于專題圖層，設置yes,現在專題圖層是被用于分割的，如果想不使用專題圖層，設置為no4、 設置尺度參數為405、 對于形狀因子，設置為0.46、 緊滯度參數設置為0.5見下圖：7、 運行該規則.現在所有的對象是在使用了專題圖層進行分割的.比較這些影像對象的信息.所有的對象是嚴格限制在專題圖層的邊界內。122 比較使用和未使用專題圖層進行分割的結果打開另外一個沒有使用專題圖層進行分割的工程文件offenberg_without_thematic_layer.dpr

8、.該工程文件沒有使用專題圖層進行分割，因此影像對象的邊界不受專題圖層的邊界限制.本節中，我們學習了以下內容：à 用專題圖層進行分割à 比較用和不用專題圖層進行分割的區別13 用專題圖層進行分類在本節中，我們將學習以下內容：à 用專題圖層進行分類除了用專題圖層進行分割以外，我們可以參照專題圖層包含的信息進行分類.本節中僅僅那些對象具備value 20 被分為類cadastre 20.在后邊的訓練中，將對cadastre 區域進行更深層次的分類，因此影像對象的范圍需要仔細設定.在特征列表里， object features欄目的下邊有thematic attribut

9、es.à The thematic object Id: 專題圖層對象的辨別號.à The number of overlapping thematic objects:僅僅當影像對象和專題層對象有重疊的時候才有效，否則是無效的。à The thematic objects attribute 特征顯示了這個專題圖層的內容.見下圖：131 分析的策略1、添加一個新的父規則，并且命名為classification2、插入一個子規則，并且命名為classify cadastre 20.3、插入一個子規則，并且用thematic attribute value20 進行

10、分類.132 解決方案14 使用波譜信息和高程信息進行建筑物的分類.在本節中，我們將學習以下內容：à 用波譜特征分類建筑物.à 用平均高程特征分類人行道信息.à 用相關性特征進行錯分對象的分類.在offenberg示例中，利用光譜信息，我們可以分類出建筑物和未知的區域.為了區別出它們，我們可以用高程信息和紋理信息，同時考慮相關特征去分類出忽略的部分，糾正錯分的類。141 分析策略à 找到一個可以描述建筑物和未知區域的波譜特征à 在cadastre20范圍內，用這個波譜特征分類所有的未知的區域.à 找到可以區分出建筑物和未知區域的高程臨

11、界值à 從未知的區域內分離出建筑物142 解決方案1、 添加一個新的父規則classify buildings in cadastre 20.2、 為classify buildings in cadastre 20插入一個子規則，采用spectral feature 3、 添加第二個規則，利用平均高程從所有的建筑物對象中分類出sealed areas cadastre 20類143 可供選擇的另外的一種解決方案規則集的設置在本節中，我們將學習以下內容：à 用波譜特征分類建筑物.à 用平均高程特征分類交通信息.à 用相關性特征進行錯分對象的分類.15 用

12、定制的相關特征提煉建筑物分類的結果在本節中，我們將學習以下內容：à 檢驗通過定制特征工具定制的相關性特征.à 創建一個描述高程差異的相關特征.à 用創建的相關特征剔除錯分的建筑物對象.à 用創建的特征分類遺漏的建筑物對象.在offenberg 工程中，存在一些屋頂的部分被遺漏，一些屋頂被錯分.定制的相關特征用于分類，描述那些在相同的高度的對象是建筑屋.自定制的特征可以滿足不同的需求.集成了軟件提供的各種算法和相關的特征，去創建自定制的特征。à 算法特征是由現有的特征組成并且是不變的，是由不同的算法操作組成.算法特征可以由很多的特征組成，但是僅僅

13、作用于一個單一的對象.à 相關特征是用來比較對象的某一個特征與相關的對象之間的距離，相關的對象是指相鄰的對象，父對象，子對象或者全部的影像對象層.相關特征是一個單個的特征，這個特征描述了一組相關對象的關系。151 創建一個定制的相關特征通過定制工具，定制相關的特征.確定一個對象的高程信息相對于周圍確定的類之間的關系.編輯定制特征的對話框1、 可通過兩種方式打開對話框à tools>manage customize features>addà 在feature view 的object features>customized里雙擊create ne

14、w relational feature. 彈出編輯對話框如下圖： 當創建一個新的特征，在處定義特征的名稱.在處定義相關特征的類別.在處選擇不同的類別，在處有不同的算法操作供選擇.在處定義和相關對象的距離.在處選擇將要比較的特征.在處選擇需要進行相關性評價的類，如果沒有限制在一個具體的類上，可以不選擇。不同種類的關系特征和操作.列舉如下：à 均值( mean)à 標準差( standard deviation)à 均值差(mean difference)à 絕對的平均差(mean absolute difference)à 比率(ratio)&

15、#224; 總和(sum)à 數量(number)à 和最高值的平均差(mean difference to higher values)à 和最低值的平均差(mean difference to lower values)相關特征的示例：確定一個對象和周圍的指定的類之間的最小的距離，不受它們之間絕對距離的限制.注意：對于類相關的特征，相關指的是和組層級的相關，意思是如果一個相關特征是和一個類相關的，它就會自動和該類的層級中所有的子類相關.創建一個描述和臨近對象的高程差異的特征2、 特征命名為 meandiff_meanelevation_no_buildings

16、.建議命名定制的的特征，采用一個比較清楚的表達規則，例如：calculation><feature><rel-shortcut><distance>to<class>3、 相關功能：平均差4、 相關功能涉及的對象：相鄰對象5、 距離：0象素（對象應當鄰近）6、 特征選擇:objects feature>layer values>mean>elevation.7、 選擇的類：buildings cadsstre20（陰影和建筑物相鄰的關系應當被確定的）8、 創建新的特征152 用定制的相關特征剔除錯分的建筑物對象1、添加新的

17、父規則，命名為refine classification2、找到新定制相關特征的閾值定義錯分的對象，例如-10.負值意味著對象的高程值比周圍的相臨的確定類的對象低。3、插入一個子規則，區分出building cadastre20 里錯分的對象上圖根據附加的規則，根據錯分的建筑物對象的高程差異，區分出錯分的對象.區分后的結果如下圖：153 遺漏的建筑物屋頂的分類有些建筑物是被漏分的，這些區域的對象和已經分類的建筑物類有相近的高度信息，利用它們之間較小的高程差異，去區分遺漏的建筑物對象。1、 利用feature view 決定一個區分遺漏對象的臨界值.因為遺漏的對象有相似的高度信息.1-15的高程

18、閾值范圍，可以適合進行分類.可以用membership function 較好的描述出來。2、 創建一個新的roof part 類.3、 插入一個membership function ，應用整個范圍函數，設置好兩端的邊界值.如下圖：4、 添加一個新的規則，采用classifications 算法，從cadastre 20類中區分出滿足membership function條件的對象為roof parts。建議的解決方案：分類后的結果如下：在本節中，我們已經習以下內容：à 檢驗通過定制特征工具定制的相關性特征.à 創建一個描述高程差異的相關特征.à 用創建的相關特

19、征剔除錯分的建筑物對象.à 用創建的相關特征分出遺漏的建筑物對象.2、封閉道路網之間的間隙à 找出所有的成對的終端道路片斷à 準備整個循環過程，分類單終端的片斷à 封閉間隙本單元，已經分類的道路之間的間隙將被封閉，解決此問題的策略是首先從道路類中分類出道路終端，然后建立一系列規則程序連接這些道路終端.在連接道路終端時，需要定義一個循環變量值，反復規則所有的道路終端，直到封閉了道路的間隙。第一步、找出所有的終端片斷：為了分類出終端片斷，首先需要假設這些對象和別的道路對象之間僅僅有一個相鄰的影像對象，因此，類相關特征number of neighboring

20、 objects被使用.第二步、選擇成雙的，具有明顯相鄰終端的片斷.然后，設置一個程序，該程序從一個終端片斷開始選擇相鄰最近的另外的片斷終端.第三步、封閉間隙下一步，設置一個循環規則的規則，該規則不斷的找出起點和終端，直到最終連接道路片斷之間的空隙.第四步、循環規則在第一個間隙閉合之后，該規則樹將找出另外一個具有明顯相同終端的片斷對，進行連接，直到所有的終端片斷全部被連接起來.21 找出所有的成對的道路片斷本節，我們一塊學習以下內容：à 重新分割道路對象，準備分類à 用類相關特征number of neighbors 去分類斷開的道路終端.à 分離那些沒有對應片斷

21、的道路終端道路的終端是隔離的，是下一步分類的基礎.它們分別具有一個相鄰的道路終端.為了分類出終端片斷，首先需要假設這些對象和別的道路對象之間僅僅有一個相鄰的影像對象，因此，類相關特征number of neighboring objects被使用.1、 打開在qb_maricopa文件夾下的工程qb_maricopa_closegaps_start.dpr.在該場景中，影像已經被分類，但道路是有間隙的.除了這些，那些非道路的對象已經用棋盤分割規則進行了分割.這點是必須做的，以便于生成較小的對象，能夠起到逐漸連接道路終端的作用.2、 設置規則樹，添加一個規則規則close gaps同時插入一個子

22、規則find possible end fragments.2.1.1 重新對道路對象進行分割，準備進行分類因為道路對象已經被合并了，因此它們必須被分割開來.主要是獲取能夠描述終端片斷的對象。3、插入一個子規則4、算法選擇multiresolution segmentation.5、等級區域：level16、類篩選對象：road算法參數：7、等級設置：選擇use current.（分割存在的對象）8、影像層的權重：選擇所有的層，除了全色波段9、尺度參數：4010、文理特征：0.8，緊滯度：0.8該規則規則可以描述如下：以尺度參數40，文理參數0.8，緊滯度0.8對level1層級上的道路對象進

23、行分割。212 用類相關特征number of neighbors 對終端片斷進行分類.在道路對象已經被分割，終端片斷必須被分類.至此，所有的道路對象至少有兩個相鄰的對象，但是，終端片斷只有一個相鄰的對象.見下圖：在這里，比較適合的特征是類相關特征number of neighbors.創建特征number of road neighbor objects1、在特征瀏覽窗口里，雙擊create new number of2、選擇road 作為選擇的類，保持距離為0，距離0意味著，僅僅規則和直接相鄰對象之間的關系.3、點擊ok確認添加一個規則進行分類新的規則，從道路類中分出僅有1個相鄰的道路對象

24、的對象，作為終端道路片斷.1、 添加一個子規則2、 算法選擇：assign class3、 類篩選：roads4、 條件：number of road objects(0) is 1算法參數設置：5、 活動的類：end fragments.終端道路片斷的分類結果213 排除沒有相對應終端的道路片斷本節中，存在的兩個相鄰的終端的對象被封閉，單個的道路終端被排除.可以通過編輯class-related feature number 特征的距離參數進行描述。1、 創建一個新的相鄰特征.2、 選擇end fragments作為類3、 改變距離參數為80新創建的特征，將在80個像素半徑的范圍內搜索鄰域對

25、象4、 添加一個新的規則，去分類所有的end fragment 對象，找出在80個像素范圍內沒有一個相鄰的道路終端對象的對象，分類為道路。214 瀏覽規則樹序列本節，我們已經學習以下內容：à 重新分割道路對象，準備分類à 用類相關特征number of neighbors 去分類終端的片斷.à 分離那些沒有對應片斷的道路終端22 準備整個循環，單終端的片斷本節，我們將學習以下內容：à 設置循環終止的條件à 定義終端片斷的鄰域對象本節，我們將定一個規則，該規則用來設置循環規則.并且需要設置一個循環終止的條件.下一步，將辨別出道路終端片斷對.然后它

26、們之間的間隙將被封閉。221 設置停止循環的條件1、在相同的等級，添加一個新的規則用來找出可能的終端片斷，同時選擇execute child processes 作為算法.2、設置循環終止的條件為scene feature>class related>number of classified objects，選擇end fragment類.并且定義more than 作為操作算子，值設置為0.3、選中loop while something changes2.2.2 定義終端片斷的鄰域對在開始分析之前，必須要先挑選出第一個相鄰的道路片斷對.因此，在場景的最左邊的首先被選為起點.因此

27、，算法find domain extrema將被使用。1、 插入一個子規則，并且命名為get neighbored end fragments.2、 插入另外一個子規則.3、 選擇算法：find domain extrema.4、 類篩選：end fragment.算法參數5、 極值類型：munimum.6、 特征：x maxx (object features>shape>position)7、 accept equal extrema: no (僅僅從一個開始)8、 活動的類：start(創建新類)這些規則可以解釋為：分類end fragment的對象，從x的最小值開始。分類下

28、一個相鄰的終端片斷再使用算法find domain extrema 去找出最接近起始點別的終端片斷。1、 添加一個子規則2、 算法選擇：find domain extrema3、 分類篩選：end fragment算法參數：4、 極值類型：minimum.5、 特征：distance to start.6、 接受相同的極值：no （僅僅一個末端可用）7、 活動類：end（創建一個新類）這個規則可以描述如下：分類end fragment 的對象，距離start最小的距離，作為end類8、 運行規則 get neighbored end fragments.現在，start類和end類被分類出來.

29、結果如下圖：本節，我們已經學習以下內容：à 設置循環終止的條件à 定義終端片斷的鄰域對象23 封閉間隙在本節，我們將學習以下內容：à 準備循環終止條件，這時道路縫隙被封閉à 分類start類的鄰域對象à 分類最接近temp_1的對象為end.à 檢查是否已經有一個和end對象公用的邊界à 為下一個終端對做準備在本節，一個規則集被創建，用來生成一條從一個終端片斷到另一個終端片斷的路徑.該規則集，當起點和終點相遇的時候，將停止運算.231 準備循環第一步設置循環終止的條件.如果沒有start 對象存在，規則循環將終止.1、 在相

30、同的等級，添加一個新的規則，用來獲取相鄰的end fragments.2、 插入一個子規則，選擇缺省的execute child processes 作為算法.3、 設置停止規則的條件：scene feature>class related>number of classified objects,選擇start類，定義more than 作為算子，值為0.4、 選中loop while something changes該規則集可以描述如下：只要start對象存在，運行所有的子規則.232 找出start的鄰域對象.在跟隨的規則過程中，start類對象中鄰近的植被和非植被對象將被

31、分類，并且最接近終端的對象被選作新的起點（start point）1、 再插入一個子規則.2、 算法選擇：assign class3、 類篩選：植被和非植被4、 條件：relative border to start is more than 05、 活動類：_temp1（創建新類），算法參數：這個規則集可以描述如下：分類所有的植被和非植被對象中與start 相鄰的作為_temp1._Temp1是一個臨時類，結果存在該類中，以后將重新分為別的類.在這個規則規則集中，它是一個非常強大的工具.6、 運行該規則集.所有start的鄰域對象現在被分類為_temp1.Start 對象必須被重新分類為一個

32、新類_temp21、 添加一個規則，它分類已有的start對象為_temp2233 從_temp1對象中找出最接近end的對象.下邊，我們將從_temp1的對象中，找出最接近end的對象作為新的start對象。1、 添加一個新的規則2、 算法選擇：find domain extrema3、 類篩選：_temp1算法參數：4、 極值類型:minimum5、 特征：distance to end (class related features>relations to neighbors>distance)6、 接受相同的極值：yes.7、 活動的類：start（創建一個新類）該規則集

33、可描述如下：分類最接近end的_temp1對象為start.8、 添加新的規則，分類所有的余下的_temp1對象為unvegetated.234 檢查是否有一個和end公用的邊界在下邊的規則集中，將檢查，在新的start對象中，是否和end對象有公用的邊界.如果有，它將不再被分類.規則集停止運行。1、 添加一個新的規則，用來分類start對象作為_temp2如果有和end對象有邊界.235 準備下一個終端對為新的終端對，準備下一個新的循環，在封閉了間隙以后，end 對象將必須被刪除。2、 在相同循環層級上，添加一個新的規則，定義end對象已經被分類為road對象。236 瀏覽結果和整個規則集在

34、本節，我們已學習以下內容：à 準備循環終止，當間隙被封閉以后à 分類start類的鄰域對象à 分類最接近temp_1的對象為end.à 檢查是否已經有一個和end對象公用的邊界à 為下一個終端對做準備3、 通過比較兩個分類，進行植被的變化檢測本單元，我們將學習以下內容à 瀏覽不同的變化檢測策略à 創建影像對象層à 分類2002和2004年的植被à 2002到2004年的植被變化分類à 計算并且輸出變化的數量在該模塊中，介紹了利用QuickBird數據進行變化檢測可能用到的策略.導入兩個不同的時相

35、的數據作為數據集.第一步，分類2004年的植被.第二步，分類2002年的植被.第三步，通過比較兩個分類，進行變化檢測。31 瀏覽不同的變化檢測的策略在definiens professional,也會存在別的變化檢測分類的策略。比較兩個專題圖層的變化檢測：比較專題圖層和影像分類結果之間的變化檢測計算定制特征的變化檢測32 創建影像對象層變化檢測的前兩步是分類兩個不同時相的植被。三個影像對象層必須被創建.l 一個為變化檢測l 一個為2002年的植被分類l 一個為2004年的植被分類然后，兩個不同時相的植被被分類.隨后，通過檢查兩個較低的影像對象層級存在的植被信息，在較高的影像對象層級上分類出植被

36、的變化.1、 打開已經建立好的工程文件qb_change_detection_start. 10個影像層被裝載進來，并且有下邊的別名：l 02_panl 02_bluel 02_greenl 02_redl 02_nirl 04_panl 04_bluel 04_greenl 04_redl 04_nir用兩個全色圖層進行分割2、 添加一個父規則，并且命名為change detection.3、 插入一個子規則，并且命名為create image object levels.4、 插入一個子規則，對兩個全色波段進行multiresolution segmentation 分割拷貝已經生成的影像

37、對象層現在，第一個影像對象層已經創建，下邊將拷貝該影像層兩次.1、 添加一個新的規則.2、 算法選擇：拷貝影像對象層3、 插入層名為level 2002.4、 定義copy the level below.copy the level below，可以為后來的的影像對象合并到上部的層成為可能。5、 添加另外一個規則，再一次拷貝影像對象層below.規則集顯示如下：33 分類2002年的植被在本節，我們將學習以下內容：à 定制2002和2004年植被指數特征à 用定制的特征進行植被分類分類2002年的植被，僅僅用到2002年的數據圖層.在這個例子中，植被指數是一個定制的特征用

38、于分類的。331 創建2002和2004植被指數的定制特征NDVI 代表 normalized difference vegetation index 并且通過以下公式計算：(nir-red)/(nir+red)在該練習中，不同時相的兩個數據集被使用的，因此要建立兩個NDVI特征.每個NDVI使用針對的一個時相的數據.1、 創建定制的2002的NDVI特征2、 創建定制的2004的NDVI特征332 用定制的特征進行分類NDVI02用來分類2002影像對象層的植被，NDVI04用來分類2004影像對象層的植被.分類02年的植被1、 在瀏覽窗口里顯示2002層.2、 找到NDVI的臨界值，分類2

39、002年影像的植被.3、 創建新類vegetation024、 添加一個新的父規則，并且命名為classification5、 插入一個子規則，用NDVI02分類level2002層上所有的對象,進行植被分類分類植被2004重復前邊的步驟，但使用NDVI04特征，作為分類level2004層的特征。在本節，我們已經學習了以下內容：à 創建NDVI2002和NDVI2004特征.à 用定制的特征進行植被的分類.33 從2002 到2004植被變化的分類本例中用到的規則，將在類描述中設置分類的條件.從level1了類中檢查有沒有植被的子對象存在，并且它們存在哪個結合中.l No change 意味著2002 和2004植被分類是相同的.l Decrease 意味著2002植被存在，但2004植被是不存在的l Increase 意味著2002沒有植被，2004有植被.1、 插入三個新的類：Vegetation no change, vegetation decrease and vegetation increase.3.4.1 類相關的特征:existe