德晋贵宾厅

 eCognition软件自v9.3版本推出深度学习（卷积神经网络CNN）分类方法后，已将面向对象影像分析（OBIA）分类方法与深度学习分类完整的结合在一起，使得地物特征提取更加精确，可靠。eCognition软件中深度学习分类工具包含了可训练的卷积神经网络（CNN）模型与用于自动样本包创建的算法，训练与应用模型，也能将该模型加载与保存到eCognition中。

图1 eCognition软件中卷积神经网络分类流程

eCognition软件将深度学习分类方法流程化，通过几个简单的算法完成整个CNN分类过程。

图2 eCognition软件中卷积神经网络分类算法

众所周知，样本的采集与样本空间管理是深度学习分类中最基础的、最重要的环节。样本数量、样本质量都会影响后续的深度学习分类结果精确性。通常情况下，在基于遥感航测影像进行地物特征提取时，所能提供的空间地理数据有：遥感航测影像，地理国情或三调等矢量参考数据。在eCognition软件中如何基于所能提供的空间地理数据快速创建大量样本，并有效管理样本空间，具体操作如下。

图3遥感影像（用于采集样本）与矢量数据（涵盖各种地物特征的矢量点文件）

步骤1：

在eCognition软件中创建工作空间与样本采集工程，导入要采集样本的遥感航测影像与参考的矢量数据。

图4 样本采集工作空间与工程创建

步骤2：

基于参考矢量数据（各种地物特征的矢量点），创建缓冲区

图5 基于参考矢量点数据创建缓冲区

步骤3：

基于参考矢量数据的分割分类

图6基于所创建的矢量点缓冲区进行影像分割

图7 基于矢量点数据进行地物特征分类

步骤4：创建样本

考虑到实际地物特征（道路、建筑等）的空间分布走向非不全是南北，东西走向。所以在采集样本时，可通过将用于采集样本的原始影像旋转不同角度进行样本采集，在eCognition软件中通过数组与变量即可实现，数组取值设置为按照一定步长的旋转角度，变量用于指定采集样本时具体的旋转角度。

图8 遥感影像旋转角度数组创建与设置

采用“Generate labeled sample patches”算法一键式全自动创建不同地物特征样本。

指定样本的地物特征类别，存放样本格式（TIF或RAW），样本数量、样本包大小、样本采集使用的影像波段，以及样本存放路径。

图9样本创建算法设置

图10 自动创建的样本

德晋贵宾厅作为天宝公司Inpho中国区授权代理商、eCognition软件中国区授权代理商和政府解决方案及规则集开发商、美国Maxar卫星数据代理商，能够为广大用户提供从数据获取、处理与解译分析到最终成果的“一站式”应用解决方案。

更多资讯，可关注微信公众号，或登录德晋贵宾厅公司官网：http://www.mapcore.com.cn/

联系电话：010-62908360