易康分类特征介绍

附件一：
易康分类特征介绍
一、 对象特征
(一) 图层
􀁺 平均值（mean）
由构成一个影像对象的所有n个像素的图层值计算得到图层平均值。
特征值的范围：[0；根据数据的比特位数来定]，对于8比特的数据来说，值域是[0；255]。
􀁺 亮度（Brightness）
影像对象的图层数量除以包含光谱信息的图层平均值的总和（一个影像对象的光谱平均值的平均值）。使用对话框Define Brightness可以定义哪一个图层提供光谱信息（在Class Hierarchy编辑器中的菜单项Settings>Image Layers for Brightness…）。
特征值的范围：[0；根据数据的比特位数来定]，对于8比特的数据来说，值域是[0；255]。
􀁺 标准差（StdDev）
由构成一个影像对象的所有n个像素的图层值计算得到标准差。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 贡献率（Ratio）
第L层的贡献率是一个影像对象的第L层的平均值除上所有光谱层的平均值的总和。另外，只有包含光谱信息的图层可以使用以获取合理的结果。
特征值范围：[0；1]
(二) 对于邻域（to Neighbors）
􀁺 对于邻域的平均差分（Mean Diff. to Neighbors）
对于每一个相邻的对象，计算图层平均值的差分，根据对象间的边界长度赋予权重（如
果它们是直接相邻的，特征距离=0）或者根据相邻对象的面积赋予权重（如果被讨论的影像对象周围的邻域已用某一范围（像素级）来定义，特征距离>0）。对于直接相邻对象的平均差分如下计算：所关心的影像对象的边界长度 与第i个直接相邻对象共同的边界长度所关心的影像对象的图层平均值 第i个相邻对象的图层平均值相邻对象的数量
如果你用某一个范围内的对象来定义领域（参见特征距离（feature distance），平均差分则计算如下： 所有领域对象的总面积 第i领域对象的面积所关心的影像对象的图层平均值 第i领域对象的图层平均值相邻对象的数量
特征值的范围：[0；根据数据的比特位数来定]
􀁺 对于邻域的平均差分（绝对值）（Mean Diff. to Neighbors（abs）
和对于邻域的平均差分相同，不同是差分使用的是绝对值。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 对于较亮邻域的平均差分（Mean Diff. to brighter Neighbors）
以计算Mean Diff. to Neighbors相同的方式来计算这一特征，但只有图层平均值大于所关心的影像对象的图层平均值的影像对象才予以考虑。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 对于较暗邻域的平均差分（Mean Diff. to darker Neighbors）
以计算Mean Diff. to Neighbors相同的方式来计算这一特征，但只有图层平均值小于所关心的影像对象的图层平均值的影像对象才予以考虑。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 对于较亮邻域的相对边长（Rel. Border to Neighbors）
在所选的图层中与图层平均值较高的影像对象共同拥有的边界和所关心的影像对象的总边界长度之间的比率。
特征值的范围：[0；1]
(三) 与父层对象（to Super Object）
􀁺 对于上层对象的平均平均差分（Mean Diff. to Object）
一个影像对象的第L层图层平均值和它的上层对象的第L层图层平均值之间的差分。通过编辑特征距离（featurd distance）,你可以自己定义选择哪一个层的上层对象
特征值的范围：[0；根据数据的比特位数来定]
􀁺 对于上层对象的比率（Ratio to Super Object）
一个影像对象的第L层图层平均值和它的上层对象的第L层图层平均值之间的比率。通过
通过编辑特征距离（featurd distance）,你可以自己定义选择哪一个层的上层对象。
特征值范围：[0；∞]
(四) 对于整景（to Scene）
􀁺 对于整景的差分（Mean Diff. to Scene）
一个影像对象的第L层图层平均值和整个图层的第L层图层平均值之间的差分。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 对于整景的比率（Mean ratio. to Scene）
一个影像对象的第L层图层平均值和整个图层的第L层图层平均值之间的比率。
特征值的范围：[0；根据数据的比特位数来定]
(五) 形状（Form）
eCognition中提供的许多形状特征是基于构成影像对象的像素的空间分布统计之上的。Ecognition使用协方差矩阵作为统计处理的核心工具。
X=构成影像对象的所有像素的x-坐标
Y=构成影像对象的所有像素的y-坐标
获取影像对象形状信息（尤其是长度和宽度）的另一个常使用的技巧是采用边界框近似。对于每一个影像对象都可以计算这样的边界框，边界框的几何图形作为此影像对象的第一条线索。
边界框提供的主要信息是它的长度a，它的宽度b，它的面积a·b和它的填充度f，即影像对象的面积A除上边界框的总面积a·b。
使用边界框近似的方法能很好地适用于那些并不呈曲线的影像对象。对于长形的或曲线的影像对象来说，使用子对象的方法则更好，因为子对象提供了延着一条中心线反复穿过上层对象的可能性。通过延着中心线添加单个子对象之间的距离，你可以获得影像对象长度很好的近似。然而，对于更为紧致的影像对象，很难确定这样一条中心线，这就是为什么对于这些对象使用边界框近似是更好的方法。
􀁺 面积（Area）
对于没有地理参考的数据，单个像素的面积为1。其结果是一个影像对象的面积就是构成它的像素的数量。如果影像数据是有地理参考的，一个影像对象的面积就是一个像素覆盖的真实面积乘以构成这一影像对象的像素数量。
特征值的范围：[0；图幅的大小]
􀁺 长度/宽度（Length/Width）
计算影像对象的长度/宽度比率有两种方法：
a. 长宽比等于协方差矩阵的特征值的比值，较大的特征值是分数的分子。
b. 长宽比也可以用边界框来近似。
eCognition中使用这两种方法来计算，取两者中较小的结果作为特征值。
特征值范围：[0；1]
􀁺 长度（Length）
长度也可以用从边界框近似中计算得到的长宽比来计算。它可以做以下的近似计算：
对于曲折的影像对象另一种可能更好的方法是基于影像对象的子对象来计算它的长度。
特征值范围：[0；根据影像对象的形状决定]
􀁺 宽度（Width）
影像对象的宽度也可以用长宽比来近似计算。在eCognition中宽度可以做以下的近似计算：
另外，对于曲折的影像对象使用子对象来计算是更好的方法。
特征值范围：[0；根据影像对象的形状决定]
􀁺 边界长度（Border Length）
一个影像对象和其他影像对象共同拥有边界或在整幅图像的边缘上，它的边界长度e定义为此影像对象的边界总和。没有地理参考的数据，一个像素边缘的长度是1。
特征值范围：[4；根据影像对象的形状决定]
􀁺 形状指数（Shape Index）
数学上形状指数是影像对象的边界长度除上它的面积的平方根的4倍。
使用形状指s以描述影像对象边界的光滑度。影像对象越破碎，则它的形状指数越大。
特征值范围：[1；根据影像对象的形状决定]
􀁺 密度（Density）
密度d可以表示为影像对象面积除上它的半径。ECognition中使用下面的工具，这里n是构成影像对象的像素数量，半径采用协方差矩阵来近似计算。
使用密度来描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高。
特征值范围：[0；根据影像对象的形状决定]
􀁺 主要方向（Main Direction）
在eCognition中，一个影像对象的主方向是此影像对象的空间分布的协方差矩阵两个特征值中较大的那一个特征值相对应的特征向量的主要方向。
特征值范围：[0；180]
􀁺 不对称性（Asymmetry）
一个影像对象越长，它的不对称性越高。对于一个影像对象来说，可近似与一个椭圆。不对称性可表示为椭圆的短轴和长轴的长度比。随着不对称性的增加而特征值增加。
特征值范围：[0；1]
二、 基于子对象的线状特征（Line Feature based on sub objects）
一个影像对象的形状也可以从子对象提供的信息中获得。你可以从本章的关于子对象生成中找到有关内容（Basic Concepts>Multiresolution Segmentation of Image Objects 和Functional Guide>Image Object Generation I：Multiresolution Segmentation）。
如果你想提取狭长的和曲折的影像对象的特征时，正如上面所提及的，此方法比边界框近似更好些（例如，影像对象表达的是河流或道路）。
􀁺 线状子对象：长度（Line SO:Length）
已知所关心的影像对象的中心点。在所有子对象中已检测到两个距离中心点最远的子对象。从一端到另一端，相邻子对象中心点之间的距离可以被相加在一起（红线）。末端的对象半径也要被考虑，以完成近似（绿）。
特征值范围：[0；根据影像对象的形状决定]
􀁺 线状子对象：宽度（Line SO:Width）
基于子对象计算的影像对象宽度是影像对象的（以像素表示的）面积除上从子对象分析所得的长度。
特征值范围：[0；根据影像对象的形状决定]
􀁺 线状子层对象：长宽比（Line SO:Length/Width）
基于子对象分析的长宽比是从子对象分析中获得的长度平方除上影像对象的面积（以像素表示）。
特征值范围：[0；1]
􀁺 线状子对象：曲率与长度比（Line SO:Curvature/Length）
影像对象的曲度除上它的长度。曲率和长度都是基于子对象分析的。曲率是从两端的子对象穿过子对象到达离所关心的影像对象中心最靠近的子对象所有在方向上的变化（绝对值）总和。
曲率如下计算：
特征值范围：[0；根据影像对象的形状决定]
􀁺 线状子对象：标准差曲率（Line SO:StdDev. Curvature）
从两端的子对象穿过所有子对象到达离所关心的影像对象中心最靠近的子对象的过程中所有在方向上的变化（）的标准差。如果一个影像对象可以用较高的曲率标准差刻画，这就意味着当穿过子对象时在方向上有很大的变化。另一方面，一个影像对象可能表现得更为弯曲，但它如果遵循弧线，它的曲率标准差将会很小，由于当穿过子对象时方向上的变化或多或少是一致的。
特征值范围：[0；180]
三、 位置（Position）
所有接下来的特征都指的是一个影像对象相对于整个图幅的位置。当使用有地理参考的数据时，影像对象可以用它们的地理位置来描述，这些特征是空间上所感兴趣的。
􀁺 X-Center
影像对象的中心点的X-方位（重心、所有X坐标的平均值）
特征值范围：[0；栅格图层的列数]或根据地理参考
􀁺 Y-Center
影像对象的中心点的Y-方位（重心、所有Y坐标的平均值）
特征值范围：[0；栅格图层的行数]或根据地理参考
􀁺 X-Min
影像对象最小的X-方位（从边界框获得）
特征值范围：[0；栅格图层的列数]或根据地理参考
􀁺 Y-Min
影像对象最小的Y-方位（从边界框获得）
特征值范围：[0；栅格图层的行数]或根据地理参考
􀁺 X-Max
影像对象最大的X-方位（从边界框获得）
特征值范围：[0；栅格图层的列数]或根据地理参考
􀁺 Y-Max
影像对象最大的Y-方位（从边界框获得）
特征值范围：[0；栅格图层的行数]或根据地理参考
四、 与父对象（to Super Object）
通过影像对象与它的上层对象（如果有的话）形状上的关系，用以下特征来描述一个影像对象。指向哪一个上层对象由编辑特征距离（feature distance（n））。尤其是当用专题图层来处理时，这些特征可能更令人感兴趣。
􀁺 对于上层对象的相对内边界（Rel.Inner Border to Super Object （n））
这个特征如下计算：与其它拥有共同上层对象的影像对象共享相同的边界的总和除上影像对象的边界总长。如果对于上层对象的相对内边界是1，所关心的影像对象就不处于它的上层对象的边界上。使用此特征以描述一个影像对象位于它的上层对象边缘的程度。
特征值范围：[0；1]
1、对于上层对象的相对面积（Rel.Area of Super Object（n））
该特征如下计算：所关心影像对象的面积除上它的上层对象的面积。如果特征值是1，那么该影像对象与它的上层对象相同。使用这个特征来描述一个影像对象覆盖它的上层对象面积的程度。
特征值范围：[0；1]
􀁺 对于上层对象的相对半径位置（Rel. Rad. Position to Super Object（n））
该特征如下计算：所关心的影像对象的中心点与它的上层对象的中心点的距离除上具有相同上层对象的最远的影像对象距上层对象中心点的距离。
采用该特征通过影像对象距离它的上层对象中心点的相对位置来描述一个影像对象。
特征值范围：[0；1]
五、 纹理（Texture）
所有涉及纹理的特征都是基于子对象的分析（sub object analysis）。这意味着你必须有一层可供使用的子对象层。哪一个子对象层被使用是通过编辑特征距离（feature distance（n））来定义的。纹理特征可以分为两类：涉及子对象光谱信息的纹理和涉及子对象形状的纹理。
􀁺 基于子对象的图层值纹理（Layer Value Texture based on SO）
这些纹理参照的是影像图层值提供的光谱信息。
􀁺 子对象的平均值：标准差（Mean of SO:StdDev）
子对象不同的图层平均值的标准差。起先，此特征和简单的从单一的像素值计算（layer value）而得的标准差非常近似，但它可能更有意义，因为（假设有一个合理的分割）可以在相同的有意义的区域内计算标准差。子对象越小，特征值就越接近从单一像素计算而得的标准差。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 子对象邻域的平均差分的平均值（Avrg. Mean Diff. to Neighbors of SO）
在一个影像对象中对比度由某个特定层的它所有的子对象的平均差分（average mean difference）。此特征具有某一空间参考，描述的是影像对象覆盖的面积内的局部对比度。对于每一个单独的子对象计算其对于具有同一上层对象的相邻子对象的第L图层的平均差分（绝对值）。此特征是第L图层平均差分的平均值。
特征值的范围：[0；根据数据的比特位数来定]
􀁺 基于子对象的形状纹理（Form Texture based on SO）
接下来的特征参照的是子对象的形状。正确使用这些特征的前提是影像的准确切割，因为子对象应尽可能的具有意义。
􀁺 子对象的面积：平均值（n）（Area of SO:Mean（n））
子对象的面积的平均值。
特征值的范围：[0；图幅的大小]
􀁺 子对象的面积：标准差（n）（Area of SO:StdDev（n））。
子对象面积的标准差。
特征值范围：[0；根据影像对象的形状决定]
􀁺 子对象的密度：平均值（n）（Density of SO:Mean（n））
由子对象的密度计算的平均值。
特征值范围：[0；根据影像对象的形状决定]
􀁺 子对象的密度：标准差（n）（Density of SO:StdDev（n））
由子对象的密度计算的标准差。
特征值范围：[0；根据影像对象的形状决定]
􀁺 子对象的不对称性：平均值（n）（Asymmetry of SO:Mean（n））
由子对象的不对称性计算的平均值。
特征值范围：[0；根据影像对象的形状决定]
􀁺 子对象的不对称性：标准差（n）（Asymmetry of SO:StdDev（n））
由子对象的不对称性计算的标准差。
特征值范围：[0；根据影像对象的形状决定]
􀁺 子对象的方向：平均值（n）（Direction of SO:Mean（n））
子对象的方向的平均值。在计算时，方向被赋予各自子对象的不对称性的权重（一个影像对象不对敌性越大，它的主方向就更为明显）。在计算出实际特征值之前，运算法则将把所有子对象主方向的方差和那些在90°和180°之间的所有方向被转化（方向-180°）的子对象主方向的方差进行比较，具有较低的方差的子对象主方向集合被选来用于已赋予不对称性权重的子对象主方向平均值的计算。
特征值范围：[0；180]
􀁺 子对象的方向：标准差（n）（Direction of SO:StdDev（n））
子对象的方向的标准差。而且，子对象主方向被赋以各自子对象的不对称性的权重。计算标准差的子对象主方向集合用以上述的方法来计算。
特征值范围：[0；90]
六、 特征距离（Feature Distance）
􀁺 在影像对象层次等级中不同层次等级之间的对象的距离（Distance between objects on different levels in the Image Object Hierarchy）
从当前的层出发，括号中的数字表明包含各自对象（上层对象或子对象）的特征层的等级距离。缺省设定是一层（1），但你可以通过两种途径修改这一数字：在插入一个类型之前，在插入表达式（Insert Expression）的对话框中，鼠标右击表达式，或然后在成员函数（Membership Function）对话框中单击按钮特征距离（Feature Distance）。对话框显示你可以在哪里插入你想要访问的影像对象的层次数。
􀁺 在影像对象层次等级中同一层次的对象之间的距离（Distance between objects on the same level in the Image Object Hierarchy）
如果你想进行影像对象层次等级中的同一层次影像对象的邻域关系分析，特征距离表示的是影像对象之间的空间距离（以像素表示）。缺省值是0，也就是说只有拥有相互共同的边界的邻域才被考虑。该值也可以通过上述的相同方法进行编辑。
七、 层次等级（Hierarchy）
所有接下来的特征参考的是一个影像对象在整个影像对象层次等级中的嵌入环境。
􀁺 层次（Level）
影像对象的层次的编号。如果你需要在不同影像对象层次上进行分类，定义在哪一个层次上类型描述是有效的，你将需要这一特征。
征值范围：[0；影像对象的层次数]
􀁺 处于上层的层次数（Num Higher Levels）
位于所关心对象的影像对象层次之上的影像对象层次的数目。这个特征等于一个影像对象可能拥有的上层对象的个数。
特征值范围：[0；影像对象的层次数-1]
􀁺 亚层的层次数（Num Sub Levels）
位于所关心对象的影像对象层次之下的影像对象的层次数目。
特征值范围：[0；影像对象的层次数-1]
􀁺 邻域数（Num Neighbors）
一个影像对象在影像对象层次等级（Image Object Hierarchy）中同一层次上的直接邻域的数目（也就是说，与影像对象具有相同边界的邻域）。
特征值范围：[0；整个图幅的像素数]
􀁺 子对象数（Num Sub Objects）
一个影像对象在影像对象层次等级（Image Object Hierarchy）中较低层次上的子对象的数目。
特征值范围：[0；整个图幅的像素数]
八、 专题属性（Thematic attributes）
如果一个专题图层被导入到一个项目中，专题属性只能被使用。如果在这种情况下，所有数字形式包含有专题图层的属性表中的专题属性都可以作为特征以同一种方式被使用，就如同你使用由eCognition提供的任何一种特征一样的使用它。
九、 与邻域对象的关系（Relations to Neighbor Objects）
通过在影像对象层次等级（Image Object Hierarchy）中同一层次上的其它影像对象的分类，使用以下特征来描述一个影像对象。
􀁺 对于类型的相对边界（Rel. Border to class）
一个影像对象与它的已被分配某一定义的类型中的邻域对象共享的边界长度除上总边界长度。如果一个对象对于另一某种类型的对象的相对边界长度为1，说明此影像对象完全嵌入在这些影像对象之中。
特征值范围：[0；1]
􀁺 对于类型的边界（Border to class）
一个影像对象与它的已被分配某一定义的类型中的邻域对象共享的绝对边界长度。如果
你使用地理参考数据，特征值是对于已定义类型的影像对象的真实边界长度，否则它是与相邻的影像对象共享的边缘的像素个数。缺省值是1（见形状 > 边界长度（Form > Border Lenghth））。
特征值范围：[0；图幅的像素数]
􀁺 类型的相对面积（Rel. Area of class）
在所关心的影像对象周围的某一范围（以像素表示）内的已被分配到某一定义了的类型中去的影像对象的面积除上在这一范围内所有影像对象的面积总和。定义范围的半径可以通过编辑特征距离（feature distance）来确定。
特征值范围：[0；1]
􀁺 类型是否发生（Existence of Class）
所关心的影像对象周围的某一范围（以像素表示）内的影像对象已被分配到某一定义了的类型中去的发生的可能性。如果在这一范围内发现有影像对象是定义了的某一类型，特征值为1（ = 真），否则它的值为0（ = 假）。定义范围的半径可以通过编辑编辑特征距离（feature distance）来确定。
特征值范围：[0（假）；1（真）]
􀁺 对类型的距离（Distance to class）
所关心的影像对象与已被分配到某一定义了的类型中去的最邻近的影像对象的距离。
特征值范围：[0；根据图幅的大小决定]
􀁺 对于类型的图层平均差分（Layer Mean Diff. to Class ）
所关心的影像对象的第L图层平均值对于被分配到某一定义了的类型中去的所有影像对象的第L图层平均值的平均差分。
特征值的范围：[0；根据数据的比特位数来定]
十、 与子对象的关系（Relations to Sub Objects）
这些特征参照的是在影像对象层次等级（Image Object Hierarchy）中较低层次上的已有的影像对象的分类。哪一个较低的层次被使用是通过编辑特征距离（feature distance）来确定的。
􀁺 类型的相对面积（Rel. Area of class）
被归为某一已定义类型的子对象的面积除上所关心的影像对象的总面积。
特征值的范围：[0；1]
􀁺 类型的是否发生（Existence of Class）
检查是否有至少一个归为某一已定义类型的子对象。如果有一个这样的子对象的话，特征值为1（= 真），否则特征值为0（= 假）。
特征值的范围：[0（假）；1（真）]
􀁺 类型的面积（Area of class）
归为某一已定义类型的子对象的绝对面积。如果你的数据是有地理参考的，特征值表示的是真实的面积（参见形状>面积（Form>Area））。
特征值的范围：[0；图幅的大小]
􀁺 类型的数量（Area of class）
归为某一已定义类型的子对象的数量。
特征值的范围：[0；所有影像对象的数目]
十一、 与上层对象的关系（Relations to Super Objects）
这一特征参照的是在影像对象层次等级（Image Object Hierarchy）中较高层次上的影像对象的已有分类。
􀁺 类型的是否发生（Existence of Class）
检查上层对象是否被归为某一已定义类型。如果是这样的话，特征值为1，否则特征值为0。
特征值的范围：[0（假）；1（真）]
十二、 标准最邻近度（Standard Nearest Neighbor）
标准最邻近度是最邻近度的一个分类标志，此分类村志使用的是整个eCognition项目中的相同的特征空间。它在一个特殊的对话框中进行编辑，对话框通过在类型层次等级（Class Hierarchy）编辑器中的菜单项Nearest Neighbor>Edit Standard NN Feature Space…来打开或在样本编辑器（Sample Editor）中的菜单项Standard Nearest Neighbor>Edit Feature Space…来打开。如果在标准最邻近度的特征空内做出任何改动，这些改动将会被应用到类型描述中包含标准最邻近度的所有类型中去。
十三、 与类型的相似性（Similarity to Classes）
相似性评价在某种程度上近似于类型继承（class inheritance）。给一个类型描述增加相似性基本上与从该类型继承是相同。但是，由于相似性是类型描述的一部分，比起继承它们
可以更加灵活地被使用。当它们被逻辑术语包含在内时这一点显的尤为重要。
一个非常令人感兴趣的方法是相反相似性作为一种否定继承的使用：若有一个由宽通道平均值定义的类型“亮区”，你可以定义一个类型“暗区”，插入一个与类型“亮区”相似性并反转它，从而得出“暗区”的逻辑连接是非亮。
注意：相似和继承将在以后的版本中合并。